SeterusnyaPanduan seterusnya
Konteks Panjang lwn RAG
AI bahasa
PANDUAN AI Bahasa
Subagen ialah contoh model berasingan yang ejen AI utama mula mengendalikan satu subtugas yang difokuskan.
Dengar panduan iniAI-diceritakan · ~3 min
Ia mendapat tetingkap konteks baru dan hanya menghantar hasil yang disingkat. Ini memastikan konteks agen utama tetap pendek dan relevan serta membenarkan kerja bebas berjalan serentak, dengan kos token tambahan dan risiko maklumat penting hilang semasa serah terima.
Language models work within a limited context window, and quality often drops as that window fills with search results, file contents and old tool outputs, even before the hard limit is reached. Subagents deal with this by splitting the work. The main agent, sometimes called the orchestrator or lead, writes a task description and starts a subagent with a clean context, often with a narrower set of tools. The subagent explores, calls tools and reasons, then sends back a summary. Only that summary enters the main agent's context. The pattern appears in real products. Claude Code, for example, lets users define subagents with their own instructions and tool permissions, and several coding and research agents send exploration work out to parallel workers. Anthropic has written about a multi-agent research system in which a lead agent runs subagents in parallel. It reported gains on broad research questions and much higher token use than a single agent. The tradeoffs are real. Cost goes up because each subagent reloads instructions and repeats some exploration. Coordination gets harder: parallel subagents cannot see each other's work, so they may duplicate effort or make incompatible choices. That is a particular problem when tasks are tightly linked, as in writing different parts of one piece of code. Information is lost because a summary drops details the main agent might have needed, and the subagent knows only what its task description told it. One misconception is that more agents always means better results. Some practitioners argue that for tightly linked work, a single agent with well-managed context is more reliable. Subagents work best for tasks that are independent, heavy on reading and easy to summarize: searching, surveying, checking and gathering.
Seorang agen pengkod diberi tugas membetulkan pepijat memulakan subagen untuk mencari repositori besar bagi setiap pemanggil fungsi. Subagen membaca puluhan fail dan mengembalikan senarai sepuluh baris lokasi, jadi konteks agen utama tidak pernah penuh dengan kandungan fail.
Seorang pembantu penyelidikan memulakan tiga subagen sekaligus, satu bagi setiap sub-soalan, masing-masing mencari di web sendiri. Agen utama kemudian menggabungkan ringkasan ringkas mereka menjadi satu laporan.
Satu set semakan kod memberi subagen hanya perbezaan dan senarai semakan. Kerana ia tidak melihat pemikiran awal agen utama, ia kurang cenderung berkongsi andaian agen tersebut tentang mengapa kod itu betul.
Satu pasukan mendapati subagen yang hanya diberi arahan 'semak ujian' menjalankan semula set ujian penuh dan melaporkan kegagalan tidak berkaitan. Mereka memperbaikinya dengan memberi subagen fail ujian tepat, matlamat dan format yang mereka mahu kembali.
Subagen semakin menjadi ciri standard bagi agen pengkod dan penyelidikan, dengan sokongan yang berkembang untuk definisi khusus, kebenaran alat per subagen dan pelaksanaan serentak. Soalan terbuka termasuk bagaimana memindahkan keadaan bersama yang lebih kaya antara agen tanpa membawa beban konteks kembali, dan bagaimana menentukan secara automatik bila memecahkan tugas bernilai kos. Tetingkap konteks lebih besar dan pengurusan konteks yang lebih baik, seperti ringkasan automatik, mungkin mengurangkan keperluan subagen dalam beberapa kes. Isolasi juga mempunyai manfaatnya sendiri, termasuk perspektif baru, kerja serentak dan kebenaran lebih ketat, jadi corak ini kemungkinan akan terus berguna.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Sebuah subagen ialah contoh model berasingan yang dimulakan oleh agen AI utama untuk mengendalikan satu subtugas fokus. Ia mendapat tetingkap konteks baru dan hanya menghantar hasil yang disingkat. Ini memastikan konteks agen utama tetap pendek dan relevan serta membenarkan kerja bebas berjalan serentak, dengan kos token tambahan dan risiko maklumat penting hilang semasa serah terima.
Isolasi konteks adalah ciri penentu. Butiran kerja subagen kekal di luar konteks utama, dan hanya ringkasannya yang kembali.
Jumlah besar keputusan carian lama dan kandungan fail boleh melemahkan tumpuan model terhadap apa yang penting sekarang.
Pencarian adalah bebas, berat membaca dan mudah diringkaskan, yang mana subagen paling berkesan.
Maklumat hilang dalam kedua-dua arah: serah terima mengehadkan apa yang diketahui subagen, dan ringkasan mengehadkan apa yang kembali.
Setiap subagen memulakan semula, jadi persediaan bersama dan penjelajahan tumpang tindih dibayar lebih daripada sekali.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Konteks Panjang lwn RAG
AI bahasa