2026 年 6 月到 7 月,多 Agent 协作从”实验室玩具”快速跨进”生产可用”阶段。三个信号在 30 天内集中爆发:Claude Code 在 v2.1.178 推出 Agent Team 实验性功能、Omnigent 在 GitHub 上 6 周冲到 meta-harness 类别第一、aizxs 在 6/29 报道的 Skill 市场让 Agent 模块化交易成为可能。叠加 NVIDIA、Anthropic 等公司在 Agent 基础设施上的持续投入,多 Agent 不再是”未来概念”,而是当下每个 AI 工程师必须掌握的工程能力。

aizxs 在过去 30 天发过多篇相关文章:6/29 ID 11867《AI Agent 圈正在爆火一个新概念:Skill 市场》、7/2 ID 11905 herdr vs orca 横评、7/3 ID 12009《Claude Code 多 Agent 实操》、7/3 ID 12013 阮一峰《智念 AI 的日子》多 agent 反思。本文是这一系列文章的”实战选型指南”——把 4 种主流多 Agent 协作模式放在同一张表里对比,告诉你什么时候该用哪个。

一、多 Agent 协作为什么 2026 突然爆火

多 Agent 不是 2026 才有的概念。AutoGPT 早在 2023 年就展示了”AI 自己拆任务、自己执行”的雏形,但那波热潮很快冷却,核心原因是当时的 LLM 推理能力不够,Agent 之间的协调成本远高于单 Agent 直接执行的成本。

2026 年这一轮爆发的根因有三个变量同时成熟:

第一个变量是 LLM 推理质量。Claude Sonnet 4.5、Opus 4.5、GPT-5.6、DeepSeek-V4 这一批模型在长程任务上的稳定性达到了工程级标准。一个 Agent 能稳定完成 5-10 步的复杂任务,这意味着多 Agent 拆任务后的子 Agent 也能稳定完成自己的子任务,整个系统的端到端成功率从 30% 提升到了 80% 以上。

第二个变量是上下文工程。Loop Engineering(循环工程)在 2026 年成为 Agent 框架的标配,核心思想是”通过工程手段控制 Agent 的上下文窗口,而不是依赖 LLM 自己的注意力机制”。Claude Code 的 CLAUDE.md、Cursor 的 .cursorrules、Omnigent 的 policy.yaml 都是这个思路的具体落地。

第三个变量是 Skill 市场。NVIDIA NIM、Anthropic MCP、Omnigent Hub 三家平台在 6 月底到 7 月初集中上线 Skill 交易功能,Agent 之间的能力模块可以像 npm 包一样安装、卸载、组合。这个变化让多 Agent 协作从”代码层面”下沉到”配置层面”——以前要写 Python 代码才能让两个 Agent 通信,现在改一个 yaml 文件就行。

这三个变量合起来,让 2026 年的多 Agent 协作第一次具备了”工业级可用”的基本条件。

值得提醒的是,多 Agent 不是”单 Agent 的简单堆叠”。10 个独立 Agent 同时跑,效果远低于 1 个 Agent 跑 10 次——多 Agent 的核心价值是”协作”而不是”并行”。如果你的任务拆开后无法重新组合,单 Agent + 串行执行比多 Agent 更优。多 Agent 适合的是”任务能被自然分解为多个独立维度”的场景(代码审查的多视角、研究的多个分支、写作的多个章节),不适合”任务强耦合”的场景(连续对话、状态机驱动的业务流程)。

二、4 种主流编排模式:Subagent / Agent Team / Agent View / Omnigent

多 Agent 协作的”编排模式”指的是多个 Agent 之间如何分工、通信、同步。2026 年下半年主流的 4 种模式分别来自 4 个不同的工程派系,设计哲学差异很大,适用场景也不同。

Subagent(子代理模式) 是 Claude Code 团队主推的方案,核心思路是”主 Agent 派生子 Agent,子 Agent 完成后销毁”。父 Agent 保留自己的上下文,子 Agent 有独立的 context window,父子之间通过结构化数据(通常是 JSON)通信。这种模式的优势是隔离性强,子 Agent 之间的状态不会污染主 Agent;劣势是通信成本相对高,每次派生子 Agent 都要带一份完整的 prompt。

Agent Team(团队代理模式) 也是 Claude Code 团队的实验性功能,核心思路是”多个 Agent 组成团队,共享 context,共享任务池”。Agent 之间的通信通过共享 memory 实现,每个 Agent 都能看到其他 Agent 的中间结果。这种模式的优势是协作密度高,适合需要紧密配合的场景(比如多视角审查);劣势是 context 膨胀快,token 消耗是 Subagent 的 3-5 倍。

Agent View(代理视图模式) 是 Claude Code v2.1.140 引入的”只读视图”模式,核心思路是”主 Agent 不真正派生子 Agent,而是通过视图观察其他 Agent 的工作流”。这种模式适合监控场景(比如测试套件跑起来后,主 Agent 通过 Agent View 观察 5 个测试 Agent 的进度,只在异常时介入)。优势是零派发成本,劣势是无法做真正的”派发-执行”任务。

Omnigent(meta-harness 模式) 是开源社区 2026 年出现的”元编排”框架,核心思路是”用 policy.yaml 描述 Agent 协作策略,框架自动选择 Subagent / Team / View 模式”。Omnigent 在 GitHub 6 周冲到 meta-harness 类别第一,核心卖点是”配置一次,自动适配”。优势是上手成本低,劣势是抽象层次高,出问题时调试不直观。

三、模式 1:Claude Subagent 实战命令

Subagent 模式是 Claude Code 的”官方推荐”模式,2026 年下半年用得最多。下面给出 3 个常用 Subagent 配置,直接复制可用。

配图

3 个内置 Subagent:

Claude Code 内置了 3 个常用 Subagent,不用自己写配置:

  • general-purpose:通用 Subagent,适合一次性任务(研究、写文档、debug)
  • statusline-setup:专门用来配置 status line 的 Subagent
  • Explore:专门用来探索代码库的 Subagent,2025 年加入,2026 年成为最常用内置

实战命令(用 Explore 探索代码库):

claude "用 Explore subagent 找出 src/ 目录下所有 TODO 注释,生成清单"

Explore 收到任务后会自动启动一个独立的 context window,扫描代码库,生成结构化清单返回给主 Agent,主 Agent 把清单展示给用户。整个过程主 Agent 的 context 不会被 Explore 的扫描过程污染。

5 个自定义 Subagent 配置示例:

在 .claude/agents/ 目录下创建 YAML 文件就能定义自己的 Subagent。5 个最常用的自定义配置:

# .claude/agents/code-reviewer.yaml
name: code-reviewer
description: 审查代码,给出 5 维度评分
prompt: |
你是一个严格的代码审查员,只输出结构化 JSON:
{
"readability": 0-10,
"performance": 0-10,
"security": 0-10,
"testability": 0-10,
"maintainability": 0-10,
"comments": "中文,200 字以内"
}
tools: [Read, Grep, Glob]
model: sonnet
# .claude/agents/test-generator.yaml
name: test-generator
description: 为指定函数生成单元测试
prompt: |
你会为给定函数生成 pytest 单元测试。
覆盖率目标 80%+,边界条件必须覆盖。
tools: [Read, Write, Bash]
model: sonnet

更多配置(翻译 / 文档 / 性能分析 / 重构)通常在 .claude/agents/ 目录下分文件管理,5 个是最常见的起手数。

配图

Subagent 的核心价值:把”主 Agent context 污染”这件事从工程问题降级为”配置问题”。以前要写 Python 代码才能实现 context 隔离,现在写一个 yaml 文件就行。

四、模式 2:Claude Agent Team 实战

Agent Team 是 Claude Code v2.1.178 引入的实验性功能,默认关闭,需要环境变量开启。

开启 Agent Team:

export CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1

4 个适用场景:

  1. 多视角审查:3-5 个 Agent 同时审查一段代码,每个 Agent 关注不同维度(安全/性能/可读性/可测试性/可维护性),主 Agent 汇总结果。
  2. 并行研究:同时让 4 个 Agent 调研 4 个不同方向,主 Agent 整合成一份综合报告。
  3. 协同写作:3 个 Agent 分别写”技术深度 / 工程实践 / 案例故事”三个章节,主 Agent 协调风格一致性。
  4. 压力测试:10 个 Agent 同时攻击系统的不同接口,主 Agent 收集所有失败用例做分析。

3 个不适用场景:

  1. 短任务:Agent 启动成本 5-10 秒,如果任务 30 秒内能完成,Team 模式反而更慢。
  2. 强依赖任务:Agent 之间的依赖链超过 3 层,协调成本会指数级增长。
  3. 成本敏感场景:Team 模式 token 消耗是 Subagent 的 3-5 倍,长任务可能烧钱。

Agent Team 的”共享 context”机制让协作密度比 Subagent 高很多,但代价是 token 消耗成倍增长。2026 年下半年的工程实践共识是:Subagent 用来做”隔离任务”,Agent Team 用来做”密集协作”,两者混用而不是二选一。

五、模式 3:Omnigent meta-harness 模式

Omnigent 是开源社区 2026 年出现的 meta-harness 框架,GitHub 6 周冲到 meta-harness 类别第一。它的核心卖点是”配置一次,自动选择 Subagent/Team/View 模式”。

Omnigent 怎么工作:

Omnigent 不会直接执行任务,而是读取 policy.yaml 文件,把任务描述翻译成”应该用 Subagent 还是 Team 还是 View”,然后调度到对应的执行框架。policy.yaml 看起来像这样:

# policy.yaml
agents:
– name: code-review
mode: auto # auto / subagent / team / view
max_tokens: 50000
timeout: 300
– name: test-gen
mode: subagent
tools: [pytest]

mode: auto 让 Omnigent 根据任务特征自动选择,其他显式值则强制使用对应模式。

6 周 GitHub 第一的原因:

Omnigent 快速崛起有 3 个原因。第一是”配置即代码”的理念符合 2026 年的工程趋势,很多团队不想写 Python 胶水代码,只想写 yaml 配置。第二是它兼容 Anthropic MCP 协议,可以用现成的 Claude Code Subagent 作为执行后端。第三是它的元能力——能监控自己跑了多少 token、烧了多少钱、自动降级到更便宜的模型。

Omnigent 的劣势是抽象层次高,出问题时调试链长。如果你的任务是”快速跑通一个工作流”,Omnigent 的学习曲线不友好;如果你的任务是”在生产环境管理 100+ 个 Agent 的调度”,Omnigent 是当下最优解。

六、4 模式对比表

把 4 种模式放在同一张表里,2026 下半年选型可以直接参考:

模式 token 成本 通信成本 适用场景 学习曲线
Subagent 中(1x 基准) 低(JSON 通信) 隔离任务、批量并行 低(yaml 即可)
Agent Team 高(3-5x) 低(共享 memory) 密集协作、多视角审查 中(实验性)
Agent View 低(只读) 极低(单向) 监控场景、测试套件 低
Omnigent 中(自动) 中(框架调度) 大规模生产调度 高(抽象层次)

选型速查:

  • 任务 < 30 秒、隔离要求高 → Subagent
  • 任务 > 5 分钟、需要多 Agent 协同 → Agent Team
  • 监控 5+ 个并行任务流 → Agent View
  • 100+ Agent 规模生产调度 → Omnigent

反例提醒:不要用 Agent Team 跑短任务(启动成本太高),不要用 Omnigent 做 PoC(抽象层次太重),不要用 Agent View 做执行类任务(它是只读模式)。

七、Skill 市场如何嵌入多 Agent

Skill 市场是 2026 年下半年多 Agent 生态最大的新变量。NVIDIA NIM、Anthropic MCP、Omnigent Hub 三家平台都上线了 Skill 交易,Agent 之间的能力模块可以像 npm 包一样安装。

Skill 的本质:把”Agent 能调用的能力”封装成可复用的模块。一个 Skill 通常包含:

  • manifest.yaml:声明 Skill 的元数据(名称、版本、依赖、输入输出)
  • prompt.md:Skill 的 prompt 模板
  • tools/:Skill 需要的工具集(可以是 MCP 工具或自定义函数)
  • tests/:Skill 的单元测试

Skill 在多 Agent 中的角色:Subagent 模式里,一个 Subagent 可以由多个 Skill 组成。比如”代码审查 Subagent”可以由”风格检查 Skill + 安全审计 Skill + 性能分析 Skill”三个 Skill 组合而成。这种组合让 Subagent 本身具备模块化能力。

NVIDIA 的 Skill 案例:NVIDIA 在 6 月底放出 NIM Agent Blueprint,提供 50+ 预训练 Skill(文档摘要、合同审查、医学影像分析、代码迁移),企业可以直接组合这些 Skill 拼出自己行业的 Agent 工作流。一个典型案例:某律所 3 天搭出一个”合同审查 Agent”,由 6 个 Skill 组成(条款抽取 + 风险标注 + 法规匹配 + 修订建议 + 摘要生成 + 多语言翻译),替代了原本需要 2 周的开发。

Skill 市场的最大价值是”Agent 能力民主化”——以前只有大厂能养一个 Agent 团队做企业级应用,现在中小企业用 Skill 组合就能搭出 80% 效果的方案。

但 Skill 市场也有几个隐性风险需要警惕。第一是 Skill 之间的依赖地狱,manifest.yaml 里声明的依赖版本可能跟实际安装的不一致,生产环境容易踩到。第二是 Skill 本身的 token 成本被低估,每个 Skill 加载都会增加 system prompt 长度,50 个 Skill 拼起来可能让单次调用多花 30% 的 input token。第三是 Skill 的可观测性差,出问题时往往要逐个 Skill 排查,没有像 npm 那样成熟的依赖分析工具。建议初次接入 Skill 市场时,先用 3-5 个 Skill 试水,确认工作流稳定后再扩展。

八、写在最后

2026 下半年的多 Agent 协作已经进入”工程选型”阶段,不再是”要不要用”的讨论,而是”用哪个模式 + 怎么组合 Skill”的工程问题。

如果是刚开始接入多 Agent,建议从 Claude Subagent 起步:3 个内置 Subagent(general-purpose / statusline-setup / Explore)足够覆盖 80% 的日常需求,学习曲线最低,token 成本可接受。

如果已经熟悉 Subagent 想升级,Claude Agent Team 是 2026 下半年的”密集协作”首选,3-5 个 Agent 协同完成复杂任务的体感跟单 Agent 完全不同。

如果管理 10+ Agent 的生产系统,Omnigent 的 meta-harness 模式值得一试,policy.yaml 的抽象方式比写 Python 胶水代码友好很多。

Skill 市场(NVIDIA NIM / Anthropic MCP / Omnigent Hub)是这个周期的最大变量,建议关注但不急着 all-in,先看 3 个月生态走向再决定主投哪个平台。

你最近在用哪个多 Agent 模式?踩过哪些坑?

附:本文是「AI 学习拼图 v2」系列的第 5 篇,前 4 篇分别是 Claude Code 多 Agent 实操(7/3 ID 12009)、阮一峰《智念 AI 的日子》多 agent 反思(7/3 ID 12013)、Vibe Coding 入门到接单(7/3 ID 12017)、Qwen3+Phi-4 消费显卡实测(7/4 ID 12047)。