Hierarchiczni nadzorcy (koordynator + wykonawcy)
Nadzorca planuje i deleguje zadania, a wykonawcy je realizują i przekazują raport — to solidny wzorzec dla złożonych zadań.
Hierarchiczni nadzorcy (koordynator + wykonawcy) to bezpłatna lekcja AI Agents na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Wzorzec nadzorcy
Jeden agent „nadzorca” decyduje, co należy zrobić, i deleguje zadania wyspecjalizowanym agentom „pracownikom”. Pracownicy przekazują wyniki, a nadzorca je syntetyzuje.
Jest to rozwiązanie bliższe sposobowi pracy zespołów ludzkich niż swobodne rozmowy.
Struktura
Dwa poziomy (czasami więcej):
- Supervisor — widzi zapytanie użytkownika, rozbija je na części, wybiera pracowników i integruje wyniki
- Workers — wyspecjalizowane agenty (badanie, kod, matematyka), każdy z własnymi narzędziami i promptami
Dlaczego hierarchia?
- Przejrzystsze rozumowanie — nadzorca widzi szerszy obraz
- Specjalizacja — każdy pracownik jest niewielki i skoncentrowany
- Łatwiejsza ocena — pracowników można testować niezależnie
- Łatwiejsze dodawanie nowych możliwości — wystarczy zarejestrować nowego pracownika
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()Niezależność pracowników
Każdy pracownik jest samodzielnym mini-agentem. Należy tworzyć i testować każdego z nich w izolacji, a następnie komponować ich pod nadzorem przełożonego.
Zestawy narzędzi pracowników
Każdego pracownika należy ograniczyć WYŁĄCZNIE do potrzebnych mu narzędzi:
- Researcher — search, fetch
- Coder — read_file, write_file, run_python
- Database — list_tables, run_sql
Przejrzystsze opisy narzędzi i mniej nieporozumień.
Format komunikacji
Pracownicy zwracają nadzorcy ustrukturyzowane podsumowania, a nie pełne transkrypcje. Oszczędza to tokeny i ułatwia nadzorcy integrację wyników:
class WorkerResult(BaseModel):
summary: str
citations: list[str]
next_step_suggestion: str = ''Zakończenie
Nadzorca decyduje, kiedy zakończyć pracę. Zwykle następuje to po spełnieniu jednego z warunków:
- Pewność przekracza ustalony próg
- Pracownik sygnalizuje ukończenie zadania
- Przekroczony zostaje licznik kroków
Hierarchie wielopoziomowe
W przypadku bardzo złożonych zadań można dodać trzecią warstwę: osobnego „lidera zespołu” nadzorującego inżynierię, kolejnego nadzorującego badania itd. Każdy z nich deleguje zadania pracownikom odpowiedniego obszaru.
Profil kosztów
Każda decyzja nadzorcy jest wywołaniem LLM. Każdy pracownik ma własną pętlę. Całkowity koszt wynosi w przybliżeniu: liczba_decyzji_nadzorcy × koszt_decyzji + liczba_pętli_pracowników × koszt_pętli.
Kiedy używać
- Złożone zadania z wyraźnymi podobszarami
- Zadania wymagające różnych stylów promptowania na poszczególnych etapach
- Systemy, w których możliwości mają być dodawane stopniowo
Antywzorce
- Nadzorca wykonujący całą właściwą pracę — niweczy to sens tego podejścia
- Pracownicy wywołujący innych pracowników bez wiedzy nadzorcy — prowadzi to do utraty kontroli
- Zbyt wielu pracowników (>10) — wybór przez nadzorcę staje się zawodny
Rola nadzorcy
Jakie jest główne zadanie nadzorcy w tym wzorcu?
Podsumowanie
Nadzorca + pracownicy to lepsze rozwiązanie niż jeden duży agent. Każdy pracownik jest niewielki, skoncentrowany i możliwy do niezależnego testowania. Nadzorca decyduje, kto zajmie się poszczególnymi zadaniami.
Ucz się AI Agents dzięki korepetycjom AI — za darmo
Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.
- Kursy
- 60
- Lekcje
- 239
Często zadawane pytania
Czy lekcja „Hierarchiczni nadzorcy (koordynator + wykonawcy)” jest bezpłatna?
Tak — pełny tekst „Hierarchiczni nadzorcy (koordynator + wykonawcy)” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents, przejdź na CoddyKit PRO. Kurs AI Agents zawiera 4 lekcji w sumie.
Co nauczysz się w „Hierarchiczni nadzorcy (koordynator + wykonawcy)”?
Nadzorca planuje i deleguje zadania, a wykonawcy je realizują i przekazują raport — to solidny wzorzec dla złożonych zadań. Ćwiczysz AI Agents z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć AI Agents?
Nie wymagamy żadnego doświadczenia. AI Agents w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Hierarchiczni nadzorcy (koordynator + wykonawcy)”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents?
Tak. Każda lekcja AI Agents zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Multi-agent oparty na rozmowie (AutoGen)
- Hierarchiczni nadzorcy (koordynator + wykonawcy)
- Role i specjalizacje agentów
- Protokoły komunikacji (magistrale komunikatów)