一個主智能體、多個子智能體Prime Agent Subagent 并行開發(fā)實踐教程【免費下載鏈接】prime-agentA self-improving RLM agent for coding workflows and long-running autonomous tasks.項目地址: https://gitcode.com/GitHub_Trending/pr/prime-agent你讓 Prime Agent 重構(gòu)一個大型模塊它一邊讀文件一邊改代碼上下文越塞越滿結(jié)果改到一半開始忘事。其實這類工作可以拆成三塊找代碼、出方案、寫實現(xiàn)而 Prime Agent 的 Subagent子智能體正是為這種拆分設(shè)計的——主智能體用一行 Python 調(diào)用rlm(...)就能派生獨立的子智能體各自帶著隔離的上下文窗口并行干活結(jié)果通過消息或文件回傳。這篇文章帶你從安裝到跑通一條偵察 → 規(guī)劃 → 實現(xiàn)的完整工作流。什么是 Subagent主智能體的一次函數(shù)調(diào)用Prime Agent 的編程模型叫 RLM遞歸語言模型模型工作在一個持久化的 Python REPL里工具、子智能體、上下文管理都通過代碼完成。在這個模型下Subagent 不是特殊實體而是內(nèi)核中預(yù)加載的rlm可調(diào)用對象——和調(diào)用普通函數(shù)一樣handle await rlm(Review the authentication flow for security issues, nameauth-reviewer)關(guān)鍵機制有三點隔離上下文每個子智能體是獨立的AgentSession有自己的會話目錄只拿到完成任務(wù)所需的上下文主智能體的窗口保持精簡即發(fā)即走rlm(...)在任務(wù)被受理后立即返回一個句柄含rlm_child_id、name、session_dir、model不等待、也不返回子智能體的答案顯式通信結(jié)果只能通過agent_message回復或文件回傳沒有隱式同步。這正是prompt-as-a-variable的落地任務(wù)描述就是傳給子函數(shù)的參數(shù)回傳的報告就是返回值。上圖是子智能體的樹狀視圖。主智能體派生出去的每個 child 都會出現(xiàn)在這個層級結(jié)構(gòu)里你可以隨時查看它的狀態(tài)和歸屬的會話。安裝 Prime Agent 并進入交互會話如果還沒裝先克隆倉庫并執(zhí)行安裝腳本git clone https://gitcode.com/GitHub_Trending/pr/prime-agent cd prime-agent ./install.sh然后在你要操作的項目目錄下啟動cd /path/to/your-project prime-agent首次啟動會提示/login選擇訂閱或 API Key 提供商。兩點提醒Prime Agent 會以你的用戶權(quán)限執(zhí)行模型生成的 Python 和項目命令不是安全沙箱——官方 README 明確建議在一次性克隆或干凈 worktree 里使用常用命令如prime-agent agents瀏覽運行中的會話、prime-agent attach agent重新接入后臺會話對后面管理多個子智能體很有用。三步跑通第一個子智能體用 rlm() 派生進入交互模式后子智能體的派生就是在 REPL 里寫代碼。以審查認證流程為例第 1 步派生。在 Python 單元里調(diào)用rlm(...)任務(wù)描述寫清楚、name起個能認出來的名字。調(diào)用返回句柄后主智能體的這一輪就結(jié)束了——子智能體在后臺獨立運行。第 2 步等結(jié)果回傳。子智能體需要匯報時會主動發(fā)消息給父級await agent_message.send(message, receiver_roleparent)你也可以反向追問一個保留中的子智能體await agent_message.send( Check the newly added regression test., receiver_rolechild, receiver_nameapi_review.name, )第 3 步盤點與清理。子智能體注冊表能跨壓縮、內(nèi)核重啟存活隨時可以列出來children await rlm.list_subagents() for child in children: print(child.session_name, child.status, child.active_session_id)不再需要時執(zhí)行await rlm.delete_subagent(children[0])釋放。派生多個子任務(wù)時的慣例寫法是分開調(diào)用、各自獨立然后結(jié)束當前輪次而不是 await 等某一個完成——并行性就是這么來的。完整編程模型見 docs/rlm.md。創(chuàng)建自己的智能體檔案文件定義的 Subagentrlm(...)是裸調(diào)子智能體繼承父級的模型、工具和技能。如果你想讓某個子智能體固定使用更便宜的模型、只保留部分工具、帶上專屬系統(tǒng)提示詞就要用倉庫自帶的 subagent 擴展。它把智能體定義成帶 YAML frontmatter 的 Markdown 文件--- name: scout description: Fast codebase recon that returns compressed context for handoff to other agents tools: bash model: claude-haiku-4-5 --- You are a scout. Quickly investigate a codebase and return structured findings...擴展目錄里自帶四個開箱即用的檔案agents/分工思路值得參考檔案職責模型工具scout快速偵察代碼庫返回壓縮后的上下文Haiku便宜快僅 bashplanner根據(jù)偵察結(jié)果出實現(xiàn)方案Sonnet僅 bashreviewer代碼質(zhì)量與安全審查只讀Sonnet僅 bashworker通用實現(xiàn)完整默認能力Sonnet全部注意看這個設(shè)計偵察用便宜模型審查類智能體工具列表里只有只讀 bash——通過檔案文件就能收緊權(quán)限面。把擴展和檔案鏈接到用戶目錄即可加載命令見 擴展 READMEmkdir -p ~/.prime/agent/extensions/subagent ln -sf $(pwd)/packages/coding-agent/examples/extensions/subagent/index.ts ~/.prime/agent/extensions/subagent/index.ts ln -sf $(pwd)/packages/coding-agent/examples/extensions/subagent/agents.ts ~/.prime/agent/extensions/subagent/agents.ts mkdir -p ~/.prime/agent/agents for f in packages/coding-agent/examples/extensions/subagent/agents/*.md; do ln -sf $(pwd)/$f ~/.prime/agent/agents/$(basename $f) done mkdir -p ~/.prime/agent/prompts for f in packages/coding-agent/examples/extensions/subagent/prompts/*.md; do ln -sf $(pwd)/$f ~/.prime/agent/prompts/$(basename $f) done之后在交互模式里直接說人話就能調(diào)度Use scout to find all authentication code擴展會替你調(diào)起對應(yīng)檔案的子智能體并在界面上流式顯示它的每次工具調(diào)用。三種派發(fā)模式單發(fā)、并行、鏈式擴展提供三種調(diào)度方式覆蓋了絕大多數(shù)協(xié)作形態(tài)模式參數(shù)形態(tài)適用場景單發(fā) Single{ agent, task }一個檔案干一件事并行 Parallel{ tasks: [...] }多檔案同時開工最多 8 個任務(wù)、4 個并發(fā)鏈式 Chain{ chain: [...] }順序執(zhí)行上一步輸出用{previous}占位符傳給下一步并行的實際效果原本排隊跑的三件事現(xiàn)在可以同時開工。界面上每個任務(wù)實時顯示狀態(tài)運行中/完成/失敗完成后附一行用量統(tǒng)計——輪數(shù)、輸入輸出 token、緩存讀寫、費用和上下文占用方便你判斷哪個子智能體燒錢。鏈式則是另一種形態(tài)步驟之間有依賴時用{previous}把上游產(chǎn)出直接接進下游任務(wù)描述里。實戰(zhàn) ? 用 /implement 走一遍偵察-規(guī)劃-實現(xiàn)擴展還預(yù)置了三個工作流提示詞最有代表性的是/implement。它對 prompts/implement.md 的描述就是一條鏈scout找出與需求相關(guān)的所有代碼planner基于{previous}偵察結(jié)果產(chǎn)出實現(xiàn)方案worker基于{previous}方案執(zhí)行實現(xiàn)。在交互模式里輸入/implement add Redis caching to the session store接下來會發(fā)生的事scout 用rg、git grep快速定位相關(guān)文件按約定格式輸出文件清單 關(guān)鍵代碼 架構(gòu)說明 從哪里開始看planner 拿到這份壓縮上下文后寫出方案worker 照方案動手改代碼。三個子智能體串成一條流水線而每一步的上下文都只包含上一步的產(chǎn)出主智能體窗口始終干凈。另外兩個提示詞也值得知道/scout-and-plan query只偵察加規(guī)劃不動代碼——適合動手前先要一份方案/implement-and-review queryworker → reviewer → worker實現(xiàn)后自動過一遍審查審查意見再交回 worker 修一輪。這其實就是并行代碼審查案例的串行化版本reviewer 被限制為只讀 bashgit diff/git log/git show輸出按 Critical / Warnings / Suggestions 分級并帶文件行號方便定位。想看某一步的完整過程按CtrlO展開可以看到全部工具調(diào)用和按 Markdown 渲染的最終輸出CtrlC會中斷并殺掉對應(yīng)的子智能體進程。避坑這些細節(jié)會咬人??項目級檔案是倉庫控制的提示詞。默認擴展只加載~/.prime/agent/agents下的用戶級檔案。.prime/agent/agents/*.md是隨倉庫走的能指揮模型跑 shell 命令——對不熟的倉庫別傳agentScope: both交互式下啟用項目級檔案也會先彈確認。并行的上限是硬編碼的。最多 8 個任務(wù)、4 個并發(fā)擴展源碼里是MAX_PARALLEL_TASKS 8、MAX_CONCURRENCY 4想一次扔 20 個任務(wù)不會發(fā)生。鏈式模式在第一個失敗步驟停住。上游出錯下游不會帶著殘缺的{previous}繼續(xù)跑錯誤會指明是哪一步失敗的——排障時直接看那一步即可。別指望rlm()的返回值拿結(jié)果。原生路徑下句柄里只有身份信息答案必須走agent_message或文件。寫 Python 調(diào)度邏輯時這是最容易踩的坑。下一步跑通/implement之后建議順著兩條線延伸把 docs/rlm.md 里的rlm_heartbeat、持久目標看一遍讓子智能體在終端斷開后繼續(xù)跑長時運行文檔 講了 detach/reattach 和定時喚醒再試試內(nèi)置的 skill 創(chuàng)建流程把你反復用的偵察→規(guī)劃→實現(xiàn)包裝成項目級技能。多智能體的價值不在多而在每個子智能體上下文足夠干凈——把這一點守住拆分才有意義?！久赓M下載鏈接】prime-agentA self-improving RLM agent for coding workflows and long-running autonomous tasks.項目地址: https://gitcode.com/GitHub_Trending/pr/prime-agent創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考