本文介绍了如何将单一聊天机器人 Grokbot 改造为多智能体系统：由 Grokbot 充当路由器，根据任务形状将请求分发到四种拆分模式（Fan-out 扇出、Chain 链式、Debate 辩论、Supervisor 监督），由 Kimi K3 运行时并行运行最多 300 个智能体。文章解释了单智能体因上下文限制在大任务中后期质量下降的问题，强调拆分带来的空间与专注优势，并介绍了共享记忆（事实、决策、未决问题三段结构）以及统一的智能体间消息交接格式（含 status 与 confidence 字段），以保证系统稳定协作。
本文是 Agent 开发入门系列的实操篇，教读者用 88 行 Python 代码实现一个最小化的 Supervisor（主管）智能体。Supervisor 本身不干活，只负责拆任务、派活给手下 worker（coder 和 tester）、并验收汇报。文章对比了子智能体、智能体团队与 Supervisor 三种模式的差异，详细讲解了 agent_loop 循环、工具定义、delegate 派活机制、上下文隔离等核心概念，并给出完整可运行的代码、环境配置步骤、运行示例及常见坑点说明，最后引导读者扩展更多 worker 角色。
本文介绍 LangChain Deep Agents 中的多智能体上下文管理机制。大多数 harness 支持子代理功能，监督者代理委派任务给子代理以实现并行推理和上下文隔离，但隔离的子代理可能重复收集监督者已有的上下文。为此 Deep Agents 引入上下文模式（context modes）：isolated（隔离模式）子代理以全新上下文启动，仅接收任务描述；fork（分叉模式）子代理继承监督者的完整对话历史，借助 prompt caching 更快更省。文章给出选择原则：worker 类代理（延续监督者已完成诊断的工作）适合 fork 模式，verifier 类代理（独立评审代码）适合 isolated 模式以避免锚定偏差，researcher 类代理处理独立问题时用 isolated 更利于并行。上下文模式与工具、中间件一样，是特化子代理的重要手段。
本文探讨了单提示词 LLM 工作流的局限性，并介绍了 NYU 研究者测试的四种多 Agent 编排架构：顺序流水线、并行分发合并、分层主管-工人模式以及反思式自纠循环。文章详细分析了每种模式的技术原理、优缺点、Token 效率及适用场景，指出分层模式在成本与精度间最平衡，而自纠模式虽精度最高但成本高昂且难以扩展。
