Hierarkiske supervisorer (orkestrator + arbeidere)
En supervisor planlegger og delegerer; arbeiderne utfører og rapporterer tilbake – et robust mønster for komplekse oppgaver.
Hierarkiske supervisorer (orkestrator + arbeidere) er en gratis leksjon i AI-agenter på CoddyKit. Dette er leksjon 2 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i AI-agenter, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i AI-agenter inneholder totalt 4 leksjoner.
Deler av denne leksjonen er ennå ikke oversatt og vises på engelsk.
Supervisor-mønsteret
Én "supervisor"-agent bestemmer hva som skal gjøres, og delegerer til spesialiserte "worker"-agenter. Worker-agentene rapporterer tilbake, og supervisor-agenten sammenfatter.
Dette ligner mer på hvordan menneskelige team arbeider enn frie samtaler.
Struktur
To nivåer (noen ganger flere):
- Supervisor — ser brukerens forespørsel, deler den opp, velger worker-agenter og integrerer resultatene
- Workers — spesialiserte agenter (research, kode, matematikk), hver med egne verktøy og prompter
Hvorfor hierarki?
- Renere resonnering — supervisor-agenten ser helheten
- Spesialisering — hver worker-agent er liten og fokusert
- Enklere evaluering — test worker-agentene uavhengig
- Enklere å legge til nye funksjoner — registrer bare en ny worker-agent
LangGraph Implementation
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator
class State(TypedDict):
messages: Annotated[list, operator.add]
next: str
def supervisor(state):
# Ask LLM which worker should handle this
decision = supervisor_llm.invoke(state['messages']).content # 'researcher' / 'coder' / 'FINISH'
return {'next': decision}
def researcher(state):
result = research_agent.run(state['messages'][-1].content)
return {'messages': [{'role': 'tool', 'content': result}], 'next': 'supervisor'}
def coder(state):
result = code_agent.run(state['messages'][-1].content)
return {'messages': [{'role': 'tool', 'content': result}], 'next': 'supervisor'}Wiring the Graph
g = StateGraph(State)
g.add_node('supervisor', supervisor)
g.add_node('researcher', researcher)
g.add_node('coder', coder)
g.set_entry_point('supervisor')
g.add_conditional_edges(
'supervisor',
lambda s: s['next'],
{'researcher': 'researcher', 'coder': 'coder', 'FINISH': END}
)
g.add_edge('researcher', 'supervisor')
g.add_edge('coder', 'supervisor')
app = g.compile()Worker-agentens uavhengighet
Hver worker-agent er en selvstendig miniagent. Bygg og test hver enkelt isolert, og sett dem sammen under supervisor-agenten.
Verktøysett for worker-agenter
Begrens hver worker-agent til BARE verktøyene den trenger:
- Researcher — search, fetch
- Coder — read_file, write_file, run_python
- Database — list_tables, run_sql
Renere verktøybeskrivelser og mindre forvirring.
Kommunikasjonsformat
Worker-agentene returnerer strukturerte sammendrag til supervisor-agenten — ikke fullstendige transkripsjoner. Det sparer tokens og gjør det enklere for supervisor-agenten å integrere resultatene:
class WorkerResult(BaseModel):
summary: str
citations: list[str]
next_step_suggestion: str = ''Avslutning
Supervisor-agenten avgjør når den skal stoppe. Vanligvis:
- Konfidens over en terskelverdi
- Signal fra en worker-agent om at oppgaven er ferdig
- Stegtelleren har overskredet grensen
Hierarkier med flere nivåer
For svært komplekse oppgaver kan De legge til et tredje lag: en "team lead"-supervisor for utvikling, en annen for research og så videre. Hver av dem delegerer til worker-agenter for sitt område.
Kostnadsprofil
Hver beslutning fra en supervisor-agent er et LLM-kall. Hver worker-agent har sin egen sløyfe. Totalkostnaden er omtrent N_supervisor_decisions × cost_per_decision + N_worker_loops × cost_per_loop.
Når det bør brukes
- Komplekse oppgaver med tydelige delområder
- Oppgaver som trenger ulike prompting-stiler i hvert steg
- Systemer der funksjoner skal kunne legges til trinnvis
Anti-mønstre
- Supervisor-agenten gjør alt det faktiske arbeidet — da forsvinner hensikten
- Worker-agenter kaller andre worker-agenter uten at supervisor-agenten vet det — kontrollen går tapt
- For mange worker-agenter (>10) — supervisor-agentens valg blir upålitelige
Supervisor-agentens rolle
Hva er supervisor-agentens viktigste oppgave i dette mønsteret?
Oppsummering
Supervisor + worker-agenter > én stor agent. Hver worker-agent er liten, fokusert og kan testes uavhengig. Supervisor-agenten avgjør hvem som arbeider med hva.
Lær deg AI-agenter med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 60
- Leksjoner
- 239
Ofte stilte spørsmål
Er leksjonen «Hierarkiske supervisorer (orkestrator + arbeidere)» gratis?
Ja – hele teksten i «Hierarkiske supervisorer (orkestrator + arbeidere)» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av AI-agenter-kurset, kan du oppgradere til CoddyKit PRO. Kurset i AI-agenter inneholder totalt 4 leksjoner.
Hva lærer jeg i «Hierarkiske supervisorer (orkestrator + arbeidere)»?
En supervisor planlegger og delegerer; arbeiderne utfører og rapporterer tilbake – et robust mønster for komplekse oppgaver. Du øver på AI-agenter med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med AI-agenter?
Ingen tidligere erfaring er nødvendig. AI-agenter på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.
Hvor lang tid tar leksjonen «Hierarkiske supervisorer (orkestrator + arbeidere)»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne AI-agenter-leksjonen?
Ja. Alle AI-agenter-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Samtalebasert multiagent (AutoGen)
- Hierarkiske supervisorer (orkestrator + arbeidere)
- Agentroller og spesialiseringer
- Kommunikasjonsprotokoller (meldingsbusser)