如何构建多智能体系统：主管模式实践指南

在上一篇什么是多智能体系统？中掌握了“协调多个 AI”这一概念之后，接下来的问题就是实际该如何构建。本文以 2026 年事实上的标准——主管模式（指挥中枢型）为题材，面向初学者讲解5 步实践流程。

在进入复杂的框架话题之前，先说最重要的原则——“先用单一智能体构建，碰到瓶颈后再以最小规模增加”。一开始就组建大团队，多半是过度设计。后半部分会给出按照 Claude Agent SDK 与 OpenAI Agents SDK 官方文档写成、可以直接读懂的最小代码，以及角色的拆分方法和实际常见的失败。用 MCP 接入工具时，思路也一样。

* 代码依据 Claude Agent SDK 与 OpenAI Agents SDK 的官方文档编写（2026年10月4日确认）。SDK 更新很快，运行前请在各自的官方文档中核对参数名。文中的数字都注明了出处。

1. 动手之前：你真的需要多智能体吗

第一道关卡不是技术，而是判断。多智能体很强大，但并非对所有工作都有效。如果以下任何一条都不符合，那么先用单一智能体来构建才是正解。

反过来，正如上一篇提到的，在一条直线的流程上用多智能体会吃亏。Google Research 的研究（2026年1月发布，比较了 180 种配置）中，在像规划这样必须严格按顺序推理的任务（PlanCraft）上，所测试的多智能体变体全部比单一智能体差 39%～70%。费用也会增加。Anthropic 在介绍自家研究智能体的文章中写道：智能体消耗的 token 约为聊天的 4 倍，多智能体系统约为 15 倍。请以“数量多不等于更聪明”为出发点。

2. 基本形态=主管模式

不知道选哪种模式时，从主管模式（指挥中枢型）开始最稳妥。主流 SDK 都把它作为官方的基本模式写进了文档。在 Claude Agent SDK 中，主智能体通过 Agent 工具调用子智能体；在 OpenAI Agents SDK 中，对应的是“Agents as tools”（由经理角色把专业智能体当作工具来调用）。

机制很简单。主管（指挥中枢）接收整体任务，将其分解为子任务，委派给专业工作者，再汇总结果。主管无需知道工作者具体怎么干，只需判断“调用哪个工作者、以何种输出格式”。专业知识由工作者那一方掌握。

需要注意，OpenAI Agents SDK 里说的交接（handoff），比 STEP 4 泛指的“交接”含义更窄：分诊角色把对话本身移交给专业角色，之后由专业角色直接回答用户。这里不再保留主管，因此应当把它当作与主管模式不同的另一种模式（如何选择见第 6 节）。

3. 用 5 步构建

用五个步骤搭建一套最小配置的主管模式。铁律是：最初从2-3 个工作者起步，边测量边按需增加。

4. 最小代码示例①：Claude Agent SDK（Python）

先用 Anthropic 的 Claude Agent SDK 搭一个主管 1 个+工作者 2 个（调研员、核查员）的结构。准备工作只有 pip install claude-agent-sdk 和设置环境变量 ANTHROPIC_API_KEY（官方快速入门；SDK 不会自动读取 .env 文件）。写法依照官方的 Subagents 页面。SDK 的整体用法见Claude Agent SDK 指南。

import asyncio
from claude_agent_sdk import query, ClaudeAgentOptions, AgentDefinition, ResultMessage

options = ClaudeAgentOptions(
    model="claude-opus-5-5",  # 主管（主智能体）
    system_prompt=(
        "你负责统筹一份调研报告。调研交给 researcher，事实核查交给 reviewer，"
        "最终文字由你来写。委托时务必写明目的、返回格式和范围。"
    ),
    allowed_tools=["Agent", "WebSearch", "WebFetch"],  # 无需确认即可使用的工具
    agents={
        "researcher": AgentDefinition(
            description="收集一手资料的调研员。需要事实或数字时使用。",
            prompt="针对给定的问题查找一手资料，以附出处 URL 的要点列表返回。不要用推测补空。",
            tools=["WebSearch", "WebFetch"],  # 这个角色只能用这些工具
            model="sonnet",
            maxTurns=15,
        ),
        "reviewer": AgentDefinition(
            description="草稿的事实核查员。定稿之前必须使用。",
            prompt="把草稿中的每条主张与出处对照，列出没有依据的句子。",
            tools=["WebFetch"],
            model="sonnet",
            maxTurns=10,
        ),
    },
    max_turns=30,         # 整体往返次数上限
    max_budget_usd=5.0,   # 费用上限（SDK 的估算）
    env={"CLAUDE_CODE_MAX_SUBAGENT_SPAWN_DEPTH": "1"},  # 不让工作者再创建子智能体
)


async def main():
    try:
        async for message in query(
            prompt="收集三项关于生成式 AI 在工作中使用情况的官方统计，写成一份简短报告",
            options=options,
        ):
            if isinstance(message, ResultMessage):
                print(message.subtype, message.total_cost_usd)
                print(message.result)
    except Exception as error:
        print(f"中途停止：{error}")  # 达到上限时也会到这里


asyncio.run(main())

要点有 5 个。

• 工作者用 AgentDefinition 列在 agents 里。主管读取各工作者的 description 来决定何时调用谁，所以 description 要具体写明“这个角色做什么、什么时候用”。
• 列出 tools 后，该角色就只拥有这些工具。核查员拿不到写入类工具就是这个原因。而 allowed_tools 是“无需确认即可使用的工具”清单，并不限制工具（官方 Python 参考）。
• 上限设三重。每个角色的 maxTurns、整体的 max_turns、费用的 max_budget_usd。达到整体上限时，结果的子类型会变成 error_max_turns 或 error_max_budget_usd 并停止（智能体循环说明）。
• 阻止嵌套。子智能体还可以再创建子智能体。把环境变量 CLAUDE_CODE_MAX_SUBAGENT_SPAWN_DEPTH 设为 1，工作者就会自己完成工作。同时运行的数量可以用 CLAUDE_CODE_MAX_CONCURRENT_SUBAGENTS（默认 20）限制。
• AgentDefinition 的字段名是驼峰式。把 maxTurns 写成 max_turns，在创建时就会报 TypeError（官方注释）。主管指定了当前的 claude-opus-5-5，工作者指定了别名 "sonnet"。用别名的话，版本升级后也不必改代码。

官方文档指出，Opus 5 比以前的模型更愿意把工作交给子智能体，并建议除了在提示词里提要求，还要设置深度、并发数和费用的上限。指示只能改变“怎么委托”，真正能可靠地让运行停下来的只有上限。

5. 最小代码示例②：OpenAI Agents SDK（Python）

用 OpenAI 的 Agents SDK 写同样的结构，就是用 as_tool() 把专业智能体变成工具，交给主管的 tools（官方 Agents as tools）。准备工作是 pip install openai-agents 和环境变量 OPENAI_API_KEY（官方快速入门）。省略 model 时使用 SDK 的默认模型；默认值会随 SDK 版本变化，请在 Models 页面确认。

import asyncio
from agents import Agent, Runner, WebSearchTool

researcher = Agent(
    name="Researcher",
    instructions="针对给定的问题查找一手资料，以附出处 URL 的要点列表返回。不要用推测补空。",
    tools=[WebSearchTool()],
)
reviewer = Agent(
    name="Reviewer",
    instructions="把收到的草稿中的每条主张与出处对照，列出没有依据的句子。",
)

manager = Agent(
    name="Manager",
    instructions=(
        "你负责统筹一份调研报告。调研交给 research，事实核查交给 review，"
        "最终文字由你来写。"
    ),
    tools=[
        researcher.as_tool(
            tool_name="research",
            tool_description="收集附出处的一手资料",
            max_turns=10,  # 这个角色的往返上限
        ),
        reviewer.as_tool(
            tool_name="review",
            tool_description="核查草稿中的事实",
        ),
    ],
)


async def main():
    result = await Runner.run(
        manager,
        input="收集三项关于生成式 AI 在工作中使用情况的官方统计，写成一份简短报告",
        max_turns=10,  # 超过则抛出 MaxTurnsExceeded
    )
    print(result.final_output)


asyncio.run(main())

两个 SDK 的共同注意点和不同之处如下。

• 工作者不知道父级的对话。通过 as_tool() 调用的一方不会自动继承父级运行的对话状态（官方文档）。Claude Agent SDK 也一样，子智能体从父级拿到的只有 Agent 工具的指示文本。文件路径、错误信息、已经决定的事项，都要写进委托内容里。
• 上限是 Runner.run(..., max_turns=)。超过就会抛出 MaxTurnsExceeded。传入 error_handlers={"max_turns": ...}，可以用预设的回答代替异常（Running agents）。
• 用交接来写的话，是 Agent(..., handoffs=[billing_agent, refund_agent])。接手的一方会接管对话，默认能看到之前的全部对话记录。如果有不想交出去的信息，用 input_filter 过滤。

6. 角色怎么分：好的拆分与坏的拆分

比代码更难的是怎么分。Anthropic 写道，每个子智能体都需要拿到目标、输出格式、要用的工具和信息来源、任务边界这四样东西（同一篇文章）。下面把满足这些条件的拆分和不满足的拆分并列出来。

用几个智能体，同一篇文章也给出了参考。Anthropic 在其研究智能体的主管提示词中写入了规模准则：简单的事实查找用 1 个智能体、调用工具 3～10 次；直接比较用 2～4 个子智能体、各调用 10～15 次；复杂的研究可能超过 10 个子智能体。这是调研类工作的数字，在你自己的工作中请从小的一端开始，测量之后再增加。

主管模式和交接如何选择，OpenAI 文档的标准很清楚。想让一个智能体负责最终答案、或要合并多个专业角色的结果，就用主管模式（Agents as tools）。如果分流本身就是工作，被选中的专业角色直接回答用户即可（例如客服咨询的分流），就用交接。两者也可以组合使用。

7. 常见失败与对策

容易栽跟头的地方基本是固定的。下面整理了 Anthropic 说在自家研究智能体上真实发生过的失败，以及两个 SDK 官方文档提醒注意的地方。

共通的教训是“比起框架，提示词、工具设计与评估框架（eval harness）更能决定成败”。OpenAI 的文档同样列举了打磨提示词、监控并迭代、让智能体专精一项任务、投入评估等做法。比起华丽的架构，小步构建、测量、只在划算时才增加的纪律，最终才是最快的。

总结

多智能体系统的构建，只要从最小配置的主管模式起步就不可怕。我们来回顾要点。

“小步构建，先测量，再增加”。只要守住这条纪律，多智能体就会成为能托付复杂工作的强力搭档。概念梳理见什么是多智能体系统？，单体的构建方法见如何构建 AI 智能体。

FAQ