使用task调度多agent解决复杂问题
概述
基础的 ReAct 模式将action描述为 tool ，tool为沟通世界的桥梁，但tool可以有多种解释，比如mcp as tool, agent as tool, task as tool, human as tool(human in loop)等等，task是一种进阶的能力，它是一个需要多agent配合达成的目标。
看了几种实现，可以观察到一个规律：
- 通过一个reasoning过程来产生plan，这个plan可以在内存中，也可以被保存到一个文件，如manus的todo.md 和 cline 的 Deep Planning
- 将plan出的任务分派给agent来执行，分配给一个agent，或多个agent来解决复杂的问题，如 claude的sub task机制 和 langgraph的Hierarchical Agent Teams机制
- 多个task之间应该会有上下文隔离和共享机制，既需要避免上下文爆炸，又需要在某些情况下多agent之间的信息共享
claude sub task
某些实现会创建 Task 给一组 Agent 执行，这意味着工具实现具有很大自由度。例如 Claude Code 将子任务执行封装为 task 工具，执行结果返回给调用该工具的 agent，并合并到主 Context 中
参考文档
Claude Code Task工具与Agent架构完整技术实现分析
langgraph Hierarchical Agent Teams
随着智能体系统的发展，单一智能体可能会遇到工具选择困难（工具过多时决策质量下降）、上下文复杂度失控（难以跟踪复杂上下文）以及专业化需求（需要多个专业领域）等问题。多智能体系统通过模块化（独立开发维护）、专业化（领域专家智能体）和控制性（显式通信控制）三大优势来解决这些问题，将复杂应用分解为多个小型、独立的智能体，通过层次化组织实现任务分解和协作，使用LangGraph构建智能体网络并通过状态图管理交互。
在langgraph中可以将task分配给一个 MultiAgent 的 Team 来执行
参考文档
Hierarchical Agent Teams
AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation
manus todo.md
manus 在处理复杂任务时，倾向于创建一个todo.md文件——并在任务进行过程中逐步更新它，勾选已完成的项目。
参考文档
https://manus.im/zh-cn/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus
cline deep planning
Cline 的深度规划（Deep Planning）是一种基于上下文工程的智能体规划方法，通过系统性的上下文管理来优化 AI 系统的决策和执行能力。
深度规划的本质
- 将复杂的任务分解为多层次、可执行的子任务
- 通过上下文工程确保每个规划步骤都有充分的信息支持
- 实现从高层目标到具体行动的端到端规划
上下文工程在深度规划中的作用
- Write Context（写入上下文）：将规划过程中的中间状态、决策依据等写入上下文
- Select Context（选择上下文）：根据当前规划阶段选择最相关的上下文信息
- Compress Context（压缩上下文）：对长规划序列进行压缩，保留关键信息
- Isolate Context（隔离上下文）：将不同规划模块的上下文隔离，避免干扰
规划状态管理
- 目标分解：将复杂目标分解为可管理的子目标
- 上下文构建：为每个子目标构建专门的上下文
- 规划生成：基于上下文生成具体的执行计划
- 执行监控：监控执行过程，动态调整规划
- 结果整合：将执行结果整合到整体规划中
与 ReAct 模式的对比
| 特性 | ReAct 模式 | Cline 深度规划 |
|---|---|---|
| 决策方式 | 即时反应式 | 前瞻性规划 |
| 上下文使用 | 简单工具调用 | 复杂上下文工程 |
| 任务分解 | 单一工具调用 | 多层次任务分解 |
| 执行模式 | 线性执行 | 并行+串行混合 |
| 错误处理 | 重试机制 | 规划调整机制 |
参考文档
https://cline.bot/blog/how-to-think-about-context-engineering-in-cline
https://x.com/shao__meng/status/1957031656692543939
https://x.com/shao__meng/status/1957682039509118989