SubAgent 完全指南：从”一人死扛”到”团队协作”的 AI 工作流进化论

核心问题：当 AI 任务越来越复杂时，为什么单靠给 Agent 增加技能（Skill）已经不够用了？SubAgent 究竟解决了什么 Skill 无法解决的问题？

如果你已经用过 OpenClaw、Claude Code 或 Codex，可能已经注意到它们都提到了一个共同的概念：SubAgent。这不是巧合，而是复杂 AI 工作流演进的必然方向。

本文将用最直白的语言，结合外卖店的真实场景，帮你彻底搞懂 SubAgent 的本质、适用场景、优缺点，以及它与 Skill 的本质区别。

一、先从一个外卖店的故事说起

本段核心问题：SubAgent 到底是什么？为什么需要它？

想象你开了一家高端外卖店，米其林级别，相当挣钱的那种。

没有 SubAgent 的时候：一个人包办一切

店刚开业，为了省钱，只有你自己一个人。你既是老板，也是采购员、洗菜工、厨师、收银员、打包员、配送员。

你的一天可能是这样的：

  • 早上去买菜
  • 回来洗菜切菜
  • 刚开火炒菜，顾客来结账，要去收银
  • 刚收完钱，外卖平台又来单了，要赶紧打包
  • 打包完还得自己送
  • 送完回来，锅里的菜已经糊了，厨房差点炸了

问题不是你不够努力，而是一个人同时干太多事，迟早会乱。

这就是很多人现在用 AI 的真实状态。

主 Agent（也就是我们在工具中常用的主对话窗口）一会儿搜索资料，一会儿写内容，一会儿核对事实，一会儿改格式，一边还要记住前面说过的要求。任务一长，上下文一多，它就开始混乱、分心、漏东西，最后输出的质量直线下降。

有了 SubAgent：开始专业分工

聪明的做法是什么？不是让老板更拼，而是将工作拆解后，交由不同领域的专业员工分别执行：

角色 职责 对应 AI 概念
主 Agent（老板） 统筹安排任务、验收结果 主对话/协调者
采购 SubAgent 专门负责找供应商、比价格、下单补货 资料搜集代理
备菜 SubAgent 负责洗菜、切菜、准备食材 数据预处理代理
烹饪 SubAgent 专门负责炒菜、控制火候、保证出品 内容生成代理
收银 SubAgent 处理顾客结账、核对订单、网上接单 接口对接代理
打包 SubAgent 把做好的餐品分类、装盒、贴单 格式化代理
配送 SubAgent 把外卖准时送出去 发布/部署代理

这样一来，每个人只做自己那一件事，谁也不会互相打扰。

这就是 SubAgent 的核心：主 Agent 用来整理需求、拆解任务，然后发送给 SubAgent 去做，做完结果拿回来给主 Agent 继续验收。

“

作者反思：我第一次理解 SubAgent 时，也以为它只是”更复杂的 Skill”。但外卖店的比喻让我意识到，Skill 是给同一个人换更好的刀，而 SubAgent 是给这个人配了一个完整的助手团队。这是质的区别，不是量的差异。

二、SubAgent 到底是什么？

本段核心问题：SubAgent 的技术定义是什么？它与 Skill 的本质区别在哪里？

简单说，SubAgent 是一个专门处理某类任务的子代理。

它不是一个普通功能，也不是简单调用一下工具。它更像是：主 Agent 把任务交给一个独立的小助手，这个小助手在自己的上下文里完成工作，然后把结果交回来。

根据官方文档的定义，每个子代理都有：

  • 独立上下文：不会污染主 Agent 的记忆
  • 单独提示词：针对特定任务优化的指令集
  • 特定工具权限：只给它完成任务所需的工具
  • 明确交付标准：输出格式和质量要求清晰

关键区别：Skill vs SubAgent

很多人容易混淆这两个概念，但它们解决的是完全不同的问题：

维度 Skill SubAgent
解决的问题 能力问题：让 Agent 学会新本事 分工问题：把任务外包给专业角色
工作方式 在主 Agent 的上下文内执行 在独立上下文中执行，只返回结果
适用任务 轻量、规则明确、过程简单 重型、多步骤、过程复杂
上下文管理 共享主上下文 隔离上下文，避免污染
类比 给同一个人配更好的工具 给同一个人配一个能独立完成子任务的助手

一句话总结：

  • Skill 相当于给同一个人配更好的工具
  • SubAgent 相当于给同一个人又配了一个能独立完成子任务的助手

这两个不是一回事，但在实际工作中往往是搭档关系。

三、SubAgent 最适合做什么事情？

本段核心问题：什么样的任务适合用 SubAgent？什么时候用它才是”杀鸡用牛刀”？

SubAgent 不是所有任务都适合。它最适合的，是那些可以拆开、可以分工、每一步相对独立的任务。

典型场景：内容生产流水线

比如你输入一个关键词，想自动生成一篇能发布的文章。这个过程其实可以拆成很多步：

  1. 搜索资料 — 去网上找相关内容，收集信息
  2. 筛选资料 — 去重、过滤广告、挑出最有用的 5-10 篇内容
  3. 写初稿 — 根据筛选后的材料写文章
  4. 事实核查 — 检查数据、例子、表述对不对
  5. 风格统一 — 让文章语气一致，读起来更顺
  6. 格式整理 — 统一标题、段落、列表、代码块
  7. 配图或封面生成 — 做视觉部分
  8. 人工审阅润色 — 去 AI 味，检查通顺度

这种任务最怕什么？最怕所有东西都堆在同一个上下文里。

假设你的信息源覆盖多个平台：公众号 5 篇、知乎 5 篇、推特长文 5 篇、头条 5 篇、B 站 5 篇……刚开始上下文就已经很长了。

  • 搜索阶段会带来一大堆杂乱信息
  • 写作阶段又会出现大量草稿
  • 核查阶段还会不断修改

如果全都塞给同一个主 Agent，它很容易”脑子里全是噪音垃圾”。

用 SubAgent 重构这个流程

主 Agent（协调者）
├── 搜索 SubAgent → 返回整理后的资料摘要
├── 写作 SubAgent → 返回初稿
├── 核查 SubAgent → 返回修改建议
├── 排版 SubAgent → 返回格式化文档
└── 配图 SubAgent → 返回生成的图片

主 Agent 只看每一环的结果，不看所有中间产生的垃圾过程。

最适合 SubAgent 的任务特征

特征 说明 示例
多步骤任务 需要按顺序执行多个阶段 代码审查、内容生产
流程型任务 有明确的输入输出标准 多语言翻译、数据清洗
职责清晰 每个步骤的责任边界明确 事实核查、格式统一
上下文隔离 中间过程没必要共享给主 Agent 长文档处理、复杂数据分析
可并行 某些步骤可以同时执行 多源资料搜集、批量处理

具体场景包括：

  • 代码审查与重构
  • 内容生产流水线
  • 多语言翻译与本地化
  • 资料搜索与整理
  • 测试、校验、格式统一
  • 长流程自动化任务

一句话总结：越复杂、越能拆分、越容易被上下文污染的任务，越适合交给 SubAgent。

四、SubAgent 的优点与缺点

本段核心问题：使用 SubAgent 能带来什么好处？又会带来哪些新的问题？

最大的优点

1. 上下文更干净

这是 SubAgent 最核心的价值。

每个子代理都有自己的独立上下文：

  • 搜索时产生的噪音，不会污染写作
  • 写作时产生的草稿，不会干扰核查
  • 核查时发现的问题，也不会把前面的上下文搅乱

主 Agent 看到的，始终是整理过的结果。

这就像老板不需要盯着后厨切了多少根葱，他只需要知道：菜做好没有，能不能上桌。

2. 更专注，结果更稳

一个 Agent 同时做五件事，和一个 Agent 只做一件事，效果通常完全不一样。

  • 专门负责找资料的 SubAgent，会更像一个研究员
  • 专门负责写作的 SubAgent，会更像一个作者
  • 专门负责核查的 SubAgent，会更像一个审稿人

因为它们各自不会分心，所以质量通常更稳。

3. 可以并行处理

有些任务没必要排队一个个做。例如：

  • A SubAgent 在查资料
  • B SubAgent 在准备提纲
  • C SubAgent 在整理参考格式

几个 SubAgent 同时动起来，速度就会快很多。

OpenClaw 文档也把并行处理、隔离长任务作为 SubAgent 的主要目标之一。

4. 可复用性高

一旦你写好了一个好用的 SubAgent，比如”文章审查员””事实核查员””排版整理员”，以后就可以一直复用。

这和临时写提示词完全不一样。它更像你已经招好了一个老员工，下次直接派活就行。

5. 能处理更复杂的任务

很多复杂任务不是 AI 做不了，而是一个 Agent 装不下。

当任务长度、步骤、信息量都上来以后，SubAgent 往往就是突破复杂度上限的办法。

它的缺点

当然，SubAgent 也不是万能的。

1. 配置有门槛

你要告诉它：

  • 它负责什么
  • 什么情况下调用
  • 能用哪些工具
  • 最后要交付什么结果

这些如果写得不清楚，它就容易跑偏。

2. 信息交接可能丢细节

SubAgent 和主 Agent 之间，通常传递的是”任务说明”和”结果摘要”。

这很高效，但也有代价。有些关键细节，可能在交接过程中被压缩掉了。

也就是说，隔离上下文是优点，但信息压缩也是风险。

3. 调试更麻烦

如果最后结果有问题，排查起来会比较麻烦。你要去看：

  • 是搜索拿错了资料？
  • 还是写作理解错了方向？
  • 还是核查漏掉了问题？
  • 还是排版阶段处理坏了？

链条越长，定位问题越复杂。

4. 小任务不值得上 SubAgent

如果只是改一句话、润一小段文案、改个标题，直接让主 Agent 做，通常更快。

这类小事再拆分，就像为了煮一碗泡面还专门设采购、厨师、配送三个岗位，明显过度了。

“

作者反思：我早期使用 SubAgent 时犯过一个错误：为了”炫技”，把所有任务都拆成了 SubAgent。结果一个简单的邮件回复，调用了三个子代理，调试了半小时。后来我给自己定了个规矩：先问”这个任务真的需要隔离上下文吗？”如果答案是否定的，就用 Skill 或直接让主 Agent 处理。

五、Skills 和 SubAgent 到底怎么选？

本段核心问题：有了 Skill 为什么还要 SubAgent？两者如何配合使用？

很多人刚接触时，最容易问的就是这个问题。答案是：这两个东西解决的不是同一个问题。

Skill 解决的是”能力问题”

它的作用是：让主 Agent 学会一项新本事。

比如格式检查、固定模板生成、文档整理、某类规范输出。这些都是给主 Agent 直接加能力。

适合用 Skill 的任务特征：

  • 轻量
  • 规则明确
  • 过程不复杂
  • 需要主 Agent 一直掌握上下文

Skill 更像：给同一个人配上一把更顺手的工具。

SubAgent 解决的是”分工问题”

它的作用是：把某一整块任务外包给独立专业的角色去做。

适合用 SubAgent 的任务特征：

  • 重型任务
  • 多步骤任务
  • 中间过程很长
  • 不适合把所有信息都堆在主上下文里

SubAgent 更像：直接把这项工作交给一个专门的人。

决策树：什么时候用哪个？

开始
├── 任务是否复杂、多步骤？
│   ├── 否 → 用 Skill 或直接让主 Agent 处理
│   └── 是 → 继续判断
├── 中间过程是否需要隔离？
│   ├── 否 → 用 Skill
│   └── 是 → 用 SubAgent
└── 是否需要并行处理？
    ├── 否 → 单 SubAgent
    └── 是 → 多 SubAgent 并行

最常见的正确答案：混合使用

现实里最好的方案，往往不是二选一，而是一起用。

典型架构：

  • 主 Agent：负责整体协调
  • 轻量规则能力：交给 Skills（如格式检查、简单转换）
  • 重型独立任务：交给 SubAgent（如资料搜集、内容生成、代码审查）

也就是说：Skill 负责补能力，SubAgent 负责分工执行子任务。

两者不是竞争关系，而是搭档。

六、主流工具中的 SubAgent 支持

本段核心问题：哪些主流 AI 工具支持 SubAgent？它们的使用方式有何不同？

SubAgent 的概念已经被多个主流 AI 开发工具采纳，只是实现方式略有不同：

工具 SubAgent 支持 特点
OpenClaw 原生支持 Sub-Agents，还有 ACP Agents 可视化编排，适合构建复杂工作流
Claude Code 支持 Agent Teams 代码场景优化，适合开发工作流
Codex 支持 SubAgent 与 Claude Code 可配合使用

一种有趣的玩法：用 Claude Code 来规划任务，然后让 Codex 来执行具体的编码任务。这种”规划-执行”分离的模式，正是 SubAgent 思想的体现。

AI Agent 架构图
图片来源：Claude Code 官方文档

多代理架构示例
图片来源：Department of Product

七、总结：从”会做事”到”会分工”

本段核心问题：理解 SubAgent 后，我们应该如何改变使用 AI 的方式？

很多人第一次接触 AI 工作流时，会先爱上 Skill。这很正常，因为 Skill 很直观：装上就能用，马上见效。

但当任务越来越复杂时，你很快会发现，只给 AI 加技能还不够。因为真正的问题，往往不是”它不会做”，而是”它什么都在自己做”。

这时候，SubAgent 的价值就出来了。

它的本质，不是多一个插件，而是让 AI 从”一个人死扛”变成”多人分工协作”。

核心认知升级：

阶段 思维模式 典型做法
初级阶段 让 AI 做更多事 不断加 Skill，让主 Agent 什么都干
进阶阶段 让 AI 更专业地做事 用 SubAgent 拆分任务，各司其职
高级阶段 让 AI 学会分工 主 Agent 只做协调，专业事交给专业 SubAgent

“

作者反思：写这篇文章的过程中，我自己也在反思。刚开始接触 AI 时，我总觉得”一个强大的 Agent 应该什么都能做”。后来才明白，真正的强大不是”全能”，而是”会分工”。就像一家成功的餐厅，靠的不是一个超级厨师，而是一个配合默契的团队。SubAgent 让 AI 从”超级个体”进化成了”超级团队”。

如果你已经开始接触 OpenClaw，也已经熟悉 Skill，那下一步最值得理解的，可能就是 SubAgent。

因为从某种意义上说，真正成熟的 AI 工作方式，不是让一个 Agent 拼命干活，而是让它学会把合适的工作，交给合适的角色。

会做事很重要。会分工，才是真正开始走向高级玩法。

实用摘要 / 操作清单

快速判断是否需要 SubAgent：

  • [ ] 任务是否涉及 3 个以上的独立步骤？
  • [ ] 中间过程是否会产生大量”噪音信息”？
  • [ ] 是否希望主 Agent 保持上下文干净？
  • [ ] 是否有明确的”输入-处理-输出”边界？
  • [ ] 是否需要并行处理多个子任务？

如果以上有 3 个以上回答”是”，考虑使用 SubAgent。

设计 SubAgent 的 checklist：

  • [ ] 明确定义该 SubAgent 的唯一职责
  • [ ] 设计清晰的输入格式和交付标准
  • [ ] 限制其工具权限（只给必要的）
  • [ ] 设计简洁的结果返回格式
  • [ ] 预留调试和错误处理机制

一页速览（One-page Summary）

SubAgent 是什么：专门处理某类任务的独立子代理，有自己的上下文、提示词和工具权限。

为什么需要它：当任务复杂到会产生上下文污染、需要专业分工时，单靠 Skill 和主 Agent 已经不够。

什么时候用：

  • 多步骤、流程型任务
  • 需要上下文隔离的场景
  • 可以并行处理的子任务
  • 需要复用的专业角色

与 Skill 的区别：

  • Skill = 给一个人更好的工具
  • SubAgent = 给这个人配一个专业助手

主流支持：OpenClaw、Claude Code、Codex 都支持 SubAgent，只是实现方式不同。

核心原则：不是越多越好，而是要用在真正值得拆分的任务上。

常见问答（FAQ）

Q1: SubAgent 和普通的函数调用有什么区别？
A: 函数调用是一次性的工具使用，而 SubAgent 是一个完整的代理实例，有自己的上下文、记忆和决策能力，可以处理更复杂的子任务。

Q2: 我的任务很简单，需要用 SubAgent 吗？
A: 不需要。如果只是改一句话、润色一段文案，直接用主 Agent 或 Skill 更快。SubAgent 适合复杂、多步骤、需要上下文隔离的任务。

Q3: SubAgent 之间可以互相调用吗？
A: 技术上可以，但建议保持层级清晰：主 Agent 协调多个 SubAgent，SubAgent 之间尽量避免直接通信，以降低复杂度。

Q4: 如何设计一个好的 SubAgent？
A: 关键是”单一职责”：给它一个明确的任务边界、清晰的输入输出格式、必要的工具权限，以及明确的交付标准。

Q5: SubAgent 会增加多少成本？
A: 会有额外开销，因为每个 SubAgent 都涉及独立的 API 调用和上下文管理。但对于复杂任务，提升的质量和稳定性通常值得这个成本。

Q6: 所有 AI 工具都支持 SubAgent 吗？
A: 不是。目前 OpenClaw、Claude Code、Codex 等较新的工具支持较好，传统单轮对话工具通常不支持。

Q7: SubAgent 和”专家级 Agent”有什么区别？
A: 专家级 Agent 强调专业能力，Workflow 级 SubAgent 强调流程协作。实践中两者可以结合：既专业又会协作的 SubAgent 是最佳实践。

Q8: 如何调试多 SubAgent 的工作流？
A: 建议分阶段验证：先单独测试每个 SubAgent，再逐步组合；同时设计清晰的中间结果检查点，方便定位问题环节。