第8章 多 Agent 协调算法
“任何足够复杂的 AI 系统，最终都会重新发明操作系统。” 当一个 Agent 面对庞大的代码库需要同时研究架构、修改代码、运行测试时，单一上下文窗口的局限性就会暴露无遗。Claude Code 的回答不是让单个 Agent 变得更强，而是让多个 Agent 协作——如同一个工程团队，各司其职，并行推进。 本章深入分析 Claude Code 的多 Agent 协调架构，从最基础的父子 Agent 派生，到 Coordinator 中心调度模式，再到 Swarm 去中心化协作，揭示这些算法背后的核心设计思想。 8.1 问题引入：为什么需要多 Agent？ 考虑一个典型场景：用户要求"修复认证模块中的空指针异常"。一个优秀的 Agent 需要： 研究阶段：搜索代码库找到相关文件，理解类型定义，分析调用链 实现阶段：修改代码，添加空值检查 验证阶段：运行测试，检查类型，确保不引入新问题 单个 Agent 执行这些步骤意味着上下文窗口中充斥着大量搜索结果和中间产物，导致两个核心问题： 上下文污染：研究阶段产生的探索性信息会干扰实现阶段的决策精度 串行瓶颈：研究代码结构和研究测试覆盖本可以并行进行，却只能排队执行 Claude Code 的解决方案是任务分解与并行执行——将复杂任务拆分为独立的子任务，由专门的子 Agent 并行完成，最终汇总结果。这种设计需要回答三个核心问题： 如何派生子 Agent 并传递恰当的上下文？ 如何在多个 Agent 之间协调任务、同步状态？ 如何保证资源隔离，避免 Agent 之间互相干扰？ 8.2 Agent 派生算法 8.2.1 AgentTool：派生的入口 在 Claude Code 中，一切 Agent 派生都始于 AgentTool。当主 Agent（父 Agent）决定需要子 Agent 协助时，它会调用 AgentTool 工具，指定子 Agent 的类型、任务描述和所需的 prompt。 ...