AI Agents · 课时

分层监督者（编排器 + 工作器）

监督者负责规划和委派；工作器负责执行并汇报——这是处理复杂任务的可靠模式。

分层监督者（编排器 + 工作器） 是 CoddyKit 上的免费 AI Agents 课时。这是第 2 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 AI Agents 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Agents 课程共包含 4 节课。

本课时的部分内容尚未翻译，以英文显示。

监督者模式

一个“监督者”代理决定要做什么，并将任务委派给专门的“工作代理”。工作代理报告结果，监督者负责综合。

这比自由形式的对话更接近人类团队的工作方式。

结构

包含两个层级（有时更多）：

监督者——查看用户查询、拆分任务、选择工作代理并整合结果
工作代理——专门的代理（研究、代码、数学），每个代理都有自己的工具和提示

为什么采用层级结构？

推理更清晰——监督者能够掌握全局
专门化——每个工作代理都小巧而专注
更易评估——可以独立测试工作代理
更易添加新能力——只需注册新的工作代理

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()

工作代理的独立性

每个工作代理都是一个自包含的小型代理。请分别构建并测试它们，然后在监督者下将它们组合起来。

工作代理的工具集

将每个工作代理限制为它们所需的 ONLY 工具：

研究员——搜索、获取
程序员——读取文件、写入文件、运行 Python
数据库——列出表、运行 SQL

工具说明更清晰，混淆也更少。

通信格式

工作代理向监督者返回结构化摘要，而不是完整记录。这可以节省令牌，也便于监督者整合：

class WorkerResult(BaseModel):
    summary: str
    citations: list[str]
    next_step_suggestion: str = ''

终止

由监督者决定何时停止。通常包括：

置信度高于阈值
工作代理发出任务完成信号
超过步骤计数器限制

多层级结构

对于非常复杂的任务，可以添加第三层：为工程团队设置一个“团队负责人”监督者，为研究团队设置另一个监督者，依此类推。每个监督者再将任务委派给各领域的工作代理。

成本概况

每次监督者决策都需要调用一次 LLM。每个工作代理都有自己的循环。总成本约为：监督者决策次数 × 每次决策成本 + 工作代理循环次数 × 每次循环成本。

适用场景

子领域划分明确的复杂任务
每个步骤需要不同提示风格的任务
希望逐步添加能力的系统

反模式

监督者完成所有实际工作——这违背了该模式的目的
工作代理在监督者不知情的情况下调用其他工作代理——会失去控制
工作代理过多（超过 10 个）——监督者的选择会变得不可靠

监督者的职责

在此模式中，监督者的主要工作是什么？

回顾

监督者 + 工作代理优于一个大型代理。每个工作代理都小巧、专注且可独立测试。监督者决定由谁负责什么工作。

常见问题解答

「分层监督者（编排器 + 工作器）」课时是免费的吗？

是的 — 「分层监督者（编排器 + 工作器）」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Agents 课程的其余内容，请升级到 CoddyKit PRO。 AI Agents 课程共包含 4 节课。

「分层监督者（编排器 + 工作器）」这节课中我会学到什么？

监督者负责规划和委派；工作器负责执行并汇报——这是处理复杂任务的可靠模式。你通过在浏览器中直接运行的动手代码来练习 AI Agents，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 AI Agents 需要有经验吗？

无需任何先前经验。CoddyKit 上的 AI Agents 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 2 节课，共 4 节。

「分层监督者（编排器 + 工作器）」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 AI Agents 课中编写并运行代码吗？

能。每节 AI Agents 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 AI Agents