# 不要随便用子代理（subagent）模式啊

> 龙虾AGI通用实验室 · 2026-05-10

## 背景

我最近在做一个叫"涌现实验室"的个人项目，每个主题需要一篇详细的项目文档。一篇文档大概1000-1500行，内容要求比较高。手动写太慢，所以决定用Claude Code来批量生成。

这个过程中我在"怎么组织AI代理"这件事上走了一些弯路，记录一下经验教训。

· · ·

## 一开始的做法

Claude Code有一个子代理功能。你可以在对话里启动多个子代理，每个子代理独立完成一个任务，并行跑。听起来很理想——8个代理同时写8篇文档，5分钟全部出来。

我就这么干了。第一批4个，第二批8个，第三批8个。每批确实是并行的，速度很快。

但跑了几批之后我开始算账。

每个子代理的token消耗大概在25000-30000之间。8个代理一批就是20多万token。而每篇文档的实际内容只有大概4000-5000 token。剩下的那两万多花在哪了？

拆开看：

![](images/cbf70b/img_001.png)

系统提示词和工具定义：约10000 token。每个子代理都要重新加载一遍。

读参考文件：约5000-8000 token。每个子代理为了理解文档格式，都要去读一两篇已有的文档。

工具调用开销：约3000 token。Glob找文件、Read读文件、Write写文件，每次调用都有额外的格式开销。

8个子代理就是8份系统提示词、8次读同一份参考文件、8套工具调用。同样的东西复制了8遍。

打个比方：我本来想让8个人同时干活提高效率，但每个人上岗前都要花半小时读同一本操作手册。8个人就是4小时在读手册，而真正干活的时间每人只有半小时。

· · ·

## 切换之后

后来我改成了最朴素的方式——主Agent自己直接写，一篇一篇来。

用Write工具直接把文档内容写到文件里。不启动子代理，不读参考文件（因为格式已经在对话上下文里了），不做多余的工具调用。

结果：

方式	每篇token消耗	8篇总消耗	质量

子代理并行	~30000	~240000	好

直接写	~4000	~32000	一样好

成本降到了原来的1/6到1/8。

而且直接写还有一个子代理做不到的好处：上下文是连续的。写EP134的时候，我知道EP133写了什么，能主动避开重复的论证思路和案例。子代理之间是完全隔离的，互相不知道对方写了啥，偶尔会撞车。

当然，代价是速度。子代理8篇并行5分钟出来，直接写8篇大概要15-20分钟。但token开销差了7倍。对我来说，这个取舍是值得的。

· · ·

## 到底什么是子代理、什么是Agent Team

经过这次实践，我觉得有必要说清楚这几个概念。

![](images/cbf70b/img_002.png)

**直接生成**，就是你和一个AI对话，所有事情在一个对话里完成。上下文共享，知识不需要重新加载。就像你自己一个人做饭——食材在哪、调料在哪你都清楚，不需要跟任何人沟通。

**子代理**，是主AI调度出多个"分身"。每个分身拿到一个任务，独立干完交回来。分身之间不通信，互相不知道彼此的存在。就像你同时叫了8份外卖——每个餐厅独立做，做完送到你手上。快，但每份外卖不知道其他餐厅做了什么，可能点出8份差不多的菜。

**Agent Team**，是多个AI扮演不同角色，像团队一样协作。比如一个负责调研、一个负责写代码、一个负责审查代码质量。前一个的输出是后一个的输入，有明确的分工和交接。就像开一个餐厅——有人负责采购、有人负责切配、有人负责炒菜、有人负责摆盘，分工协作出一道菜。

三者的核心区别：

	直接生成	子代理	Agent Team

上下文	共享一份	每人一份（重复）	每人一份 + 交接文档

通信	不需要	无	有（链式或星形）

速度	串行	并行	取决于链长

token成本	最低	N倍	N倍+交接开销

适合	同质批量任务	独立并行任务	需要不同专业角色的复杂任务

Agent Team比子代理还贵，因为除了每个代理各一份上下文之外，还有角色之间传递中间产物的开销。比如调研代理写了一份5000 token的调研报告，编码代理要把这5000 token全部读进去才能开始工作，审查代理又要把代码和报告都读一遍。信息在链条上被反复复制。

· · ·

## 什么时候该用哪种

这不是一个理论问题。从这次的经验里，我倒推出了一个判断方法：

## 看任务之间共享多少上下文。

如果8个任务用的是同一套格式、同一批参考资料、同一种思路——那就直接做。因为这些共享的东西在你的对话里只需要存在一份，子代理却要复制8份。我的文档生成就是这种情况。

如果8个任务各自需要不同的文件、不同的代码库、不同的知识——那子代理反而可能更省。因为你把8个任务的上下文全塞进一个对话里，对话会膨胀得很大，每一轮都要处理这个巨大的上下文。子代理各自拿一小份上下文，反而轻便。比如审查8个不同模块的代码，每个模块几百行，子代理各读各的比你在一个对话里读全部代码更高效。

如果任务不只是"分头干"，而是确实需要不同的角色——一个调研、一个编码、一个测试、一个审查——那才是Agent Team的场景。典型的例子是做一个完整的功能：需要有人查API文档、有人根据文档写代码、有人写测试验证代码、有人从安全角度独立审查。每个角色需要不同的思维方式和关注点。

但Agent Team有一个前提条件——**任务的产出必须是可以客观验证的**。代码可以跑测试、API可以检查schema、数据可以校验格式。如果产出是一篇文章、一个方案、一段创意内容，没有什么东西能自动判断"对不对"，Agent Team就很危险。因为链条上每个代理都可能引入偏差，没有验证器，你直到最后才发现跑偏了。

简单的判断流程：

同一种活干8遍？→ 直接做8种不同的活，各自独立？→ 子代理不同角色协作，有测试/编译器兜底？→ Agent Team不同角色协作，没有自动验证手段？→ 别用Agent Team，人盯着做

· · ·

## 多代理最大的坑：跑偏

这个问题在子代理里不太明显（因为各干各的，顶多质量参差不齐），在Agent Team里是致命的。

Agent Team本质上是一个链条：A的输出喂给B，B的输出喂给C。每一次传递都会损失信息、引入偏差。就像传话游戏——"明天下午三点在公园门口集合"传五个人之后变成"后天上午在商场集合"。

不是代理故意歪曲，是信息传递本身就有损耗。每个代理对指令的理解都有微小偏差，这些偏差在链条上累积。三个代理串联，最终产出可能已经偏离你的原始意图20-30%。

我总结了几个有效的对策：

**锚定文档**。不要让代理从上一个代理那里获取需求，让所有代理都直接读同一份需求文档。这样即使A的输出有偏差，B不会被A带偏，因为B是从源头获取需求的。链式传递变成星形结构，误差不累积。

**人在关键节点**。不是每一步都盯，而是在"方向可能分叉"的地方看一眼。调研做完了，花30秒看看方向对不对，再让编码代理动手。这30秒可能省掉后面几千token的返工。人是最高效的纠偏器。

**严格的接口**。代理之间传递的不应该是一大段自由文本，而应该是结构化的数据。比如调研代理输出一个JSON（API地址、认证方式、速率限制），编码代理只需要解析JSON就行。格式越严格，代理能"自由发挥"的空间越小，跑偏的概率越低。

**可验证的产出**。这是最关键的一条。如果你让代理写代码，可以跑测试来验证对不对。如果你让代理写文章，没有什么东西能自动判断好不好。代码重构适合Agent Team，因为有编译器和测试套件兜底。写公众号文章不适合，因为"写得好不好"只有人能判断。

有没有客观验证器，是决定多代理方案能不能用的分水岭。

· · ·

## 几句实话

跑完这些文档之后，我的感觉是：

多代理不是什么高级技巧。大多数时候，一个代理直接做就是最好的方案。简单、可控、省钱。

子代理的价值主要在并行加速。如果你赶时间，愿意用token换速度，它是有意义的。但要清楚你在为什么付费——很大一部分钱花在了重复加载上下文上。

Agent Team的价值在独立审查。一个代理写代码，另一个代理独立审查，这个"第二双眼睛"确实能发现问题。但前提是有客观的验证标准，否则审查代理可能只是在制造另一种偏差。

token不是免费的。架构选择就是成本选择。选择多代理之前，先算一下：这个任务的共享上下文有多少？重复加载的开销值不值得？有没有更简单的方式？

最后，至少在现阶段，人在loop里不是退步。AI代理很强，但它们在主观判断、方向把控、质量兜底这些事情上还需要人。把人从loop里拿掉不是效率提升，是质量风险。

这些是我从一次具体的批量生成任务中得到的经验。不一定适用于所有场景，但至少是真实的。

我建了一个AI学习群，目前几十来人，都是在真正动手学AI的人。如果你也在自己跑模型、写代码、做项目，欢迎加我微信，备注"你在做的AI方向"，我拉你进群。纯围观的就不加了，群里大家都在真搞。

![](images/cbf70b/img_003.jpg)