术语表
60 个术语，来自《多 Agent 协作入门》。正文首次出现时可悬停查看释义。
| 术语 | 释义 | 来源 |
|---|---|---|
| 上下文污染 | 任务早期出现的错误或无关信息混进后续全部推理都要依赖的同一份上下文里，很难被后来的正确信息彻底冲刷掉。 | Effective context engineering for AI agents（Anthropic Engineering） |
| 注意力稀释 | 同一个上下文窗口里塞的内容越多，模型对其中任意一小段具体信息的关注程度就越低，越容易在需要精确记住多处细节的任务上出错或遗漏。 | Effective context engineering for AI agents（Anthropic Engineering） |
| 多 Agent 系统 | 由多个各自在循环中自主使用工具的 Agent 协同工作组成的系统。 | How we built our multi-agent research system（Anthropic Engineering） |
| 协调开销 | 为了让多个 Agent 分工协作而额外花费的时间和 token，包括拆任务、汇总结果、处理 Agent 之间互相矛盾的产出。 | How we built our multi-agent research system（Anthropic Engineering） |
| 并行化 | 把任务里能够真正拆开、互不依赖彼此中间结果的部分分给不同 Agent 同时处理。 | How we built our multi-agent research system（Anthropic Engineering） |
| 深度优先任务 | 答案藏在一条需要逐步深入的推理链条里，前后步骤环环相扣、强依赖，很难干净拆成几块分给不同 Agent 的任务。 | How we built our multi-agent research system（Anthropic Engineering） |
| 广度优先任务 | 答案分布在几个相对独立的方向上，可以真正分头去查、互不依赖彼此中间结果的任务。 | How we built our multi-agent research system（Anthropic Engineering） |
| 上下文窗口 | 模型在一次推理里能装下的信息范围，多 Agent 系统靠给每个 Agent 分配独立的上下文窗口来缓解污染和稀释问题。 | How we built our multi-agent research system（Anthropic Engineering） |
| 单 Agent 系统 | 只用一个 Agent 从头到尾独立完成任务，不引入拆分和多 Agent 协作的方案。 | Building effective agents（Anthropic Engineering） |
| 效果扩展规则 | 官方给出的、按任务复杂度配置 Agent 和工具调用数量的参考经验：简单事实查找用 1 个 Agent，直接比较用 2-4 个子 Agent，复杂调研才用 10 个以上子 Agent。 | How we built our multi-agent research system（Anthropic Engineering） |
| 经济可行性 | 多 Agent 系统只有在任务本身的价值高到足以覆盖性能提升带来的额外 token 开销时，才值得使用。 | How we built our multi-agent research system（Anthropic Engineering） |
| 编排者-子代理 | 一个中心 LLM 动态地拆解任务、把任务委派给多个工作 LLM、再把它们的结果整合起来的架构。 | Building effective agents（Anthropic Engineering） |
| 上下文隔离 | 把每个 Agent 的工作范围限定在一个独立的上下文窗口内，一个 Agent 里发生的上下文污染不会传染到另一个 Agent 里。 | Create custom subagents（Claude Code Docs） |
| 扇出 | 编排者把拆好的几块子任务并行分发给对应数量的子代理，让它们各自独立、同时开始工作，而不是排队一个一个做。 | Building effective agents（Anthropic Engineering） |
| 汇总 | 扇出之后的收拢动作：把几份子代理独立产出的结果放在一起比较、消解重复或矛盾、按最终交付形式重新组织。 | Create custom subagents（Claude Code Docs） |
| 结果回传 | 子代理完成任务后只把最终结论和关键依据传回编排者，而不是把中间踩过的弯路、完整的思考过程都传回来。 | Create custom subagents（Claude Code Docs） |
| fork | 一种继承了目前为止全部对话历史的子代理，不从零开始，但它自己的工具调用依然不会进入主对话，只有最终结果会被带回来。 | Create custom subagents（Claude Code Docs） |
| Manager 模式 | OpenAI Agents SDK 对编排者-子代理架构的称呼：一个中心管理者/编排者把专门的子代理当作工具来调用，并始终掌控着整个对话。 | Agents（OpenAI Agents SDK） |
| 拆解 | 编排者把一个大任务判断出能拆成哪几块的动作。 | Building effective agents（Anthropic Engineering） |
| 委派 | 编排者把拆好的每一块任务连同必要的背景，交给一个子代理去做的动作。 | Building effective agents（Anthropic Engineering） |
| 整合 | 编排者三个动作（拆解、委派、整合）中的第三个的统称：等子代理返回结果后，把它们合成最终答案。 | Building effective agents（Anthropic Engineering） |
| 自包含 | 一份委派提示词读完之后，子代理不需要额外的背景就能准确判断出该做什么。 | Create custom subagents（Claude Code Docs） |
| 信息来源指引 | 委派提示词里告诉子代理该去哪里找答案的部分，比如该查官网还是第三方比价网站、以哪个为准。 | How we built our multi-agent research system（Anthropic Engineering） |
| 任务边界 | 委派提示词里告诉子代理这次任务只做哪一部分、不要往外扩的部分。 | How we built our multi-agent research system（Anthropic Engineering） |
| 一个问题域一个代理 | 每个子代理应该只负责一类边界清晰的问题，而不是让一个子代理同时兼顾好几件性质不相关的事。 | How we built our multi-agent research system（Anthropic Engineering） |
| CitationAgent | 官方系统里专门设置的一个子代理，负责处理文档和调研报告、找出该在哪些具体位置加引用，确保论断被正确归属到来源。 | How we built our multi-agent research system（Anthropic Engineering） |
| 委派提示词 | 编排者交给子代理的那份任务说明（也叫派工指令），质量上限直接决定子代理产出的质量上限。 | How we built our multi-agent research system（Anthropic Engineering） |
| 模糊指令 | 像「研究一下半导体短缺问题」这类没有限定范围、来源、输出格式的指令，会让子代理曲解任务或者跟别的子代理做完全一样的搜索。 | How we built our multi-agent research system（Anthropic Engineering） |
| 输出格式 | 委派提示词里说明子代理的产出该以什么形式交付的部分，决定了编排者收到结果后能不能直接使用。 | How we built our multi-agent research system（Anthropic Engineering） |
| 曲解任务 | 子代理因为任务说明不够清楚，理解错了任务的实际要求，做出的产出偏离了编排者真正想要的方向。 | How we built our multi-agent research system（Anthropic Engineering） |
| 流水线 | 把一个任务拆解成一串步骤，每一次 LLM 调用处理的是上一次调用输出的协作模式。 | Building effective agents（Anthropic Engineering） |
| 生产者-评审者 | 一次 LLM 调用生成回复、另一次 LLM 调用提供评估和反馈，如此循环，直到收敛的协作模式。 | Building effective agents（Anthropic Engineering） |
| 多视角投票 | 让几个 Agent 各自独立对同一份已存在的内容做判断，只要有一个 Agent 标记出问题就值得关注的协作模式。 | Building effective agents（Anthropic Engineering） |
| handoff | 对等的 Agent 之间把控制权交给一个专门的 Agent、由它接管对话的协作方式，是去中心化的。 | Agents（OpenAI Agents SDK） |
| prompt chaining | 流水线模式的英文名称，强调任务被拆解成一串顺序执行的步骤。 | Building effective agents（Anthropic Engineering） |
| evaluator-optimizer | 生产者-评审者模式的英文名称，强调一次调用负责生成、另一次调用负责评估和优化反馈。 | Building effective agents（Anthropic Engineering） |
| 单次运行范围 | handoff 型协作里控制权转移仍然停留的范围，不会跨越到下一次独立的运行。 | Handoffs（OpenAI Agents SDK） |
| 去中心化 | handoff 型协作的特征：控制权不再由一个中心节点始终掌控，而是在对等的 Agent 之间直接交接。 | Agents（OpenAI Agents SDK） |
| 控制权 | 决定接下来由谁主导、指挥对话走向的权力，编排者-子代理架构里编排者始终掌控它，handoff 型协作里它会被交出去。 | Agents（OpenAI Agents SDK） |
| 对等的 Agent | handoff 型协作里彼此地位相当、没有固定上下级关系的 Agent，控制权在它们之间直接交接。 | Agents（OpenAI Agents SDK） |
| 先信任、后验证 | 官方指出的落差：Claude 会产出一份看起来合理的实现，但没有处理边界情况，如果没法验证就不该直接采用。 | Best practices for Claude Code（Claude Code Docs） |
| 重复劳动 | 几个子代理做了同一件事、产出高度重叠，通常在结果汇总阶段才会暴露出来的失败模式。 | How we built our multi-agent research system（Anthropic Engineering） |
| 结果冲突 | 两个子代理各自调研、交回的结论却互相矛盾的情况，不能靠随便选一个或取中间值处理。 | How we built our multi-agent research system（Anthropic Engineering） |
| 张冠李戴 | 结果整合阶段容易出现的错误：把子代理 A 查到的数据，写成了子代理 B 负责的那部分的结论。 | How we built our multi-agent research system（Anthropic Engineering） |
| 结果整合 | 对「整合」这一步的完整展开：合并重复内容（去重）、核实或标注矛盾结论、核对每处论断的来源归属，三件事缺一不可。 | How we built our multi-agent research system（Anthropic Engineering） |
| 去重 | 结果整合阶段合并几份子代理产出里内容重叠的部分，避免最终结果里出现重复表述。 | How we built our multi-agent research system（Anthropic Engineering） |
| 可核查的标准 | 针对具体任务定出的、能够逐条对照核实的验证项目，而不是靠印象或者读起来是否通顺来打分。 | How we built our multi-agent research system（Anthropic Engineering） |
| LLM 评审员 | 官方系统里用来依据评分标准评估每一份子代理产出的角色，依据事实准确性、引用准确性、完整性、来源质量、工具使用效率等标准打分。 | How we built our multi-agent research system（Anthropic Engineering） |
| 事实准确性 | LLM 评审标准之一：核对子代理产出里的论断是否与引用的来源一致。 | How we built our multi-agent research system（Anthropic Engineering） |
| 来源质量 | LLM 评审标准之一：核对子代理是否用了权威一手来源，而不是质量较低的二手来源。 | How we built our multi-agent research system（Anthropic Engineering） |
| 结构化评审结果 | 评审者返回的 `{approved, issues}` 这类固定字段的结果，而不是一句笼统的自然语言评价。 | How we built our multi-agent research system（Anthropic Engineering） |
| MAX_ROUNDS | 生产者-评审者循环里设置的最大轮次上限，防止生产者和评审者无限来回打磨。 | Building effective agents（Anthropic Engineering） |
| REVIEW_CRITERIA | 本课代码里给评审者的一份明确检查清单，列出评审要逐条核查的具体标准。 | How we built our multi-agent research system（Anthropic Engineering） |
| runProducer | 本课代码里负责生成或修改正文的函数，第二次运行时会带上评审意见让生产者照着改。 | Using the Messages API（Claude API） |
| runReviewer | 本课代码里负责依据 `REVIEW_CRITERIA` 逐条核查并返回评审结果的函数。 | How we built our multi-agent research system（Anthropic Engineering） |
| parseReview | 本课代码里把评审者返回的文本解析成结构化对象的函数，解析失败或字段形状不对时一律返回未通过。 | Best practices for Claude Code（Claude Code Docs） |
| extractJson | 本课代码里的辅助函数，负责把模型回复里可能包裹着的 markdown 代码块剥掉，取出其中的 JSON 文本。 | Structured outputs（Claude API） |
| approved | 评审结果 JSON 里的布尔字段，表示这一版正文是否通过了评审标准。 | Structured outputs（Claude API） |
| issues | 评审结果 JSON 里的数组字段，逐条列出没有通过的具体标准和问题，全部通过时为空数组。 | Structured outputs（Claude API） |
| 安全阀 | 给生产者-评审者这类循环结构设置的、防止无限循环的上限机制，本课里由 `MAX_ROUNDS` 承担这个角色。 | Building effective agents（Anthropic Engineering） |