當 AI Agent 成為管理者：為何分派任務比親力親為更重要

面對日益複雜的 AI 應用，單一大型語言模型（LLM）作為「萬能執行者」的模式已難以負荷。其核心問題不在於模型智能，而是上下文污染與序列執行的架構限制。本文強調，將主代理轉型為「高效管理者」，透過分派任務給專職子代理（Sub-agent），是解決這些瓶頸的關鍵。這種分工協作模式，不僅能徹底隔離上下文、實現並行處理，更能讓主代理回歸高層次決策與整合。這不僅是 AI 系統設計的典範轉移，更是通往更穩健、更強大 AI 協作系統的務實路徑。

為什麼單一 Agent 模式會遇到瓶頸？

目前的 AI Agent，本質上是在一個連續的對話或工作階段中運作。無論是研究、編碼、資料整理還是撰寫報告，所有資訊、中間步驟、工具輸出與錯誤訊息，都會不斷堆積在同一個「上下文視窗」（Context Window）裡。這個視窗就像是 Agent 的短期記憶。起初，這能讓 Agent 保持對任務的全面理解，但隨著對話拉長、任務分支增多，這個記憶空間很快就會被無關或過時的資訊填滿，造成嚴重的「上下文污染」。

這個問題並不能單靠擴大上下文視窗來解決。即使是像 Anthropic 的 Claude 3 模型家族或 Google Gemini 1.5 Pro 提供的 200K 甚至 1M token 超長上下文，也面臨著「大海撈針」（Needle-In-A-Haystack）的挑戰。一份 2023 年由史丹佛大學等機構發布的研究《Lost in the Middle》就明確指出，模型在處理長文本時，對於開頭和結尾的資訊掌握度較高，但中間部分的資訊很容易被「遺忘」或忽略。

當一個 Agent 的記憶體中塞滿了數十個步驟的瑣碎細節，它在執行關鍵決策時的精準度自然會下降。這就像一位專案經理被迫記住每一位團隊成員每一行程式碼的修改細節，最終反而無法做出正確的戰略判斷。

關鍵不在於讓 Agent 記住所有事，而在於讓它在對的時間，只記住對的事。

子代理模式：如何讓 AI Agent 從全才執行者轉型為專業協調者？

解決這個問題的有效方法，是引入管理學的概念：分工與授權。我們不該期待一個主代理（Manager Agent）親力親為完成所有事，而是讓它扮演協調者的角色，將一個複雜的大任務，拆解成數個可以獨立執行的小任務，並分派給專門的子代理（Sub-agent 或 Worker Agent）去處理。

這種階層式架構，在許多先進的 Agent 框架中已成為主流設計，例如微軟研究院的 AutoGen 或採用了類似理念的 MetaGPT 框架。在這樣的系統中，工作流程可能如下：

• 管理者代理 (Manager Agent)：接收高階目標（例如「分析我們公司上一季的銷售數據，並產生一份包含關鍵洞察與圖表的簡報」），負責任務拆解、分派、監督進度，並在最後整合所有子代理的產出。
• 研究員子代理 (Researcher Sub-agent)：接收「蒐集市場競品資料」的指令，獨立進行網路搜尋與資料庫查詢，完成後僅回報結構化的摘要。
• 數據分析師子代理 (Data Analyst Sub-agent)：接收「處理內部銷售 CSV 檔」的指令，專注於數據清洗、統計分析與圖表生成，完成後交付圖檔與數據摘要。
• 寫作者子代理 (Writer Sub-agent)：接收管理者提供的所有材料（競品摘要、數據洞察、圖表），專心撰寫最終的簡報文稿。

在這個過程中，每個子代理都在一個乾淨、隔離的上下文中運作。數據分析師不需要知道研究員是如何搜尋資料的，寫作者也不必關心數據清洗的細節。它們各自專注於自己的領域，極大地降低了上下文污染的風險。

這個架構的真正價值是什麼？

將 AI Agent 從單一執行者轉型為管理者，其價值遠不止是任務管理那麼簡單。它帶來了三個層次的根本性優勢，這也是我認為未來複雜 AI 系統設計的核心。

第一，徹底的上下文隔離。如前所述，這是確保任務精準度的基石。當一個子代理只處理單一、明確的任務時，它的提示（Prompt）可以更簡潔、更具針對性，從而最大化模型的遵循指令能力（Instruction Following）。這避免了主對話串中充滿大量無關的工具調用紀錄與中間產物，讓主代理的「記憶」保持清晰。

第二，高效的並行處理能力。在單一 Agent 模式下，任務只能依序執行：先研究、再分析、後寫作。但在子代理模式下，多個不互相依賴的任務可以同時進行。例如，管理者可以同時派出三個研究員子代理，分別去調查北美、歐洲、亞洲市場的資料。這種並行化能力，能將原本需要數小時的序列任務，縮短到幾十分鐘內完成，大幅提升了執行的時間效率。

第三，也是最重要的一點，是讓主代理回歸決策層。當繁瑣的執行細節被下放給子代理後，主代理的核心任務不再是「做事」，而是「思考」和「決策」。它的運算資源和上下文空間，可以專注於更高層次的任務：如何更好地拆解問題、哪個子代理的結果更可信、如何將不同的結果整合成一個有價值的最終產出。這使得與使用者互動的主代理，表現得更像一個真正的策略夥伴，而不是一個指令一個動作的工具。這也正是自 2017 年 Transformer 架構問世以來，我們一直追求的目標：讓機器進行更深層次的推理。

總結來說，AI Agent 的發展正從單純擴展模型能力的「蠻力增長」，走向更精巧的系統架構設計。子代理與管理者模式，不僅是一種技術實現，更是一種思維模式的轉變。它讓我們意識到，建立一個強大的 AI 系統，就像建立一個高效的團隊，關鍵不在於找到一個無所不能的超級英雄，而在於建立一個分工明確、溝通順暢、能夠協同作戰的組織架構。

延伸閱讀

• Liu, N. F., et al. (2023). "Lost in the Middle: How Language Models Use Long Contexts."
• Wu, T., et al. (2023). "AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation."
• Anthropic's Research on Long Context and Accuracy in the Claude 3 Family
• Claude Codeでサブエージェントを動かしてコストを比較する (日文原文)

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。