多 Agent 协作：宠物日记工作流

实战锚点 · lovelyPet：supervisor 模式实战，给萌宠日记生成做多 Agent 编排。

单 Agent 上下文不够用了怎么办？拆成多个 Agent，各自独立思考，协同完成任务。

什么时候需要多 Agent

先泼冷水：大部分任务单 Agent 就够了。不要为了「多 Agent」而多 Agent。

真正需要多 Agent 的三种信号：

Supervisor 模式：最常用的多 Agent 架构

碎开来说这个模式的三个核心概念：

Supervisor 不干活，只管人。 它收到「帮我写一篇宠物日记」后，不自己写，而是拆分成子任务分派给子 Agent。它的上下文里不塞具体文件内容，只塞子 Agent 的汇报结果。

子 Agent 有独立的上下文和工具池。 文案 Agent 只有 Write 工具（不能读代码），搜索 Agent 只有 Read/Grep 工具（不能写文件）。隔离意味着安全和不干扰。

汇报是摘要，不是全量。 子 Agent 完成后只返回一段摘要文字给 Supervisor，不返回它的完整消息历史。这就是上下文隔离的价值——Supervisor 的窗口不会被子 Agent 的海量工具调用撑爆。

easy-agent 的实现

easy-agent Step 19 实现了 Sub-Agent，核心就是把「启动一个子 Agent」包装成一个工具：

const agentTool = {
  name: "Agent",
  description: "把子任务委派给一个有独立上下文的子 Agent",
  inputSchema: {
    type: "object",
    properties: {
      prompt: { type: "string" },         // 给子 Agent 的任务描述
      description: { type: "string" },     // 给 Supervisor 看的摘要
      subagent_type: { type: "string" },   // 用哪个子 Agent
    },
    required: ["prompt", "description"],
  },
  async call(input, context) {
    // 1. 找到对应的 Agent 定义（system prompt + 工具池）
    const agent = findAgent(input.subagent_type);

    // 2. 用隔离的消息数组启动子 Agent 的循环
    const result = await runChildAgent({
      agentDefinition: agent,
      prompt: input.prompt,
      availableTools: filterTools(agent),  // 只给允许的工具
    });

    // 3. 返回摘要（不是完整消息历史）
    return { content: result.finalText };
  },
};

Step 21 在此基础上加了 Agent Teams：多个子 Agent 之间可以通过「邮箱文件」互相发消息，实现真正的协作而不只是汇报。

// 每个 teammate 有一个 inbox 文件
// messages 通过文件锁保证并发安全
async function writeToMailbox(recipientName, message, teamName) {
  const inboxPath = getInboxPath(recipientName, teamName);
  const release = await lockfile.lock(inboxPath);
  const messages = await readMailbox(recipientName, teamName);
  messages.push({ ...message, read: false });
  await fs.writeFile(inboxPath, JSON.stringify(messages));
  release();
}

LangGraph 的多 Agent

LangGraph 里用 Supervisor 模式只需要定义图的边：

const graph = new StateGraph(AgentState);

// Supervisor 节点
graph.addNode("supervisor", async (state) => {
  const decision = await supervisorLLM.invoke(state);
  return { next: decision.nextAgent };  // "writer" | "reviewer" | "FINISH"
});

// 子 Agent 节点
graph.addNode("writer", writerAgent);
graph.addNode("reviewer", reviewerAgent);

// 条件边：Supervisor 决定下一个执行的 Agent
graph.addConditionalEdges("supervisor", (state) => state.next, {
  writer: "writer",
  reviewer: "reviewer",
  FINISH: END,
});

// 子 Agent 完成后回到 Supervisor
graph.addEdge("writer", "supervisor");
graph.addEdge("reviewer", "supervisor");

easy-agent 的裸实现	LangGraph
Agent 工具 + runChildAgent	`addNode` + `addConditionalEdges`
邮箱文件通信	共享 State（消息队列）
文件锁保并发	框架管理
没有可视化	LangSmith 图结构追踪

实战锚点：萌宠圈日记工作流

你的 lovelyPet 项目可以设计这样的多 Agent 流水线：

用户上传宠物照片/视频
       ↓
  Supervisor（判断：需要生成日记）
       ↓
  ┌── 文案 Agent（写日记正文，有 Write 工具）
  ├── 审核 Agent（检查内容合规，只有 Read 工具）
  └── TTS Agent（文字转语音，有 Bash 工具）
       ↓
  Supervisor（汇总，返回给用户）

本章要点

多 Agent 的三种触发信号：上下文不够、任务可并行、角色需隔离
Supervisor 模式：主 Agent 分派任务、子 Agent 独立执行、摘要汇报
子 Agent 有独立上下文和工具池——隔离就是安全
汇报是摘要不是全量——保护 Supervisor 的上下文窗口
easy-agent 的 Agent Teams 用邮箱文件实现 Agent 间通信
LangGraph 用图的节点和条件边表达同样的模式

→ 下一章：Context Engineering