meng shao(@shao__meng)

密歇根大学最新 AI 编程课「Applied Agentic Software Engineering」 第 14 讲「Subagents」讲义刚刚公开，围绕：为什么需要 subagents、机制是...

8.5内容质量
密歇根大学最新 AI 编程课「Applied Agentic Software Engineering」 第 14 讲「Subagents」讲义刚刚公开，围绕：为什么需要 subagents、机制是...

TL;DR · AI 摘要

Subagents机制通过隔离对话上下文解决长对话劣化问题，密歇根大学课程系统解析其设计原理与工程实践。

核心要点

  • 长对话劣化源于上下文限制和历史信息残留，Subagents通过隔离子对话解决此问题
  • harness机制实现后台子对话，采用更短提示词和只读工具集
  • Fresh模式适合独立审查但成本更高，Forked模式复用历史上下文更高效

结构提纲

按章节快速跳转。

  1. §Subagents必要性

    长对话劣化导致上下文污染和效率下降，需通过子对话隔离解决

  2. ·核心机制

    harness启动后台子对话，采用独立提示词和只读工具集

  3. ›关键取舍

    Fresh模式保证独立性但成本高，Forked模式复用历史上下文更高效

  4. ·概念辨析

    与Team、Handoff等模式区分，强调对话数量和控制权差异

  5. ›工程实践

    通过worktree隔离实现并行编辑，Swarm模式支持大规模并发

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • Subagents机制
    • 问题根源
      • 上下文污染
      • 历史信息残留
      • 缓存限制
      • 串行效率
    • 实现方案
      • harness后台对话
      • brief提示词规范
      • 结果回流机制
    • 模式对比
      • Fresh（独立审查）
      • Forked（历史复用）

金句 / Highlights

值得收藏与分享的关键句。

#AI编程#Subagents#密歇根大学#软件工程
打开原文

meng shao on X: "密歇根大学最新 AI 编程课「Applied Agentic Software Engineering」 第 14 讲「Subagents」讲义刚刚公开，围绕：为什么需要 subagents、机制是什么、关键取舍、以及它和相邻概念的区别 四个部分展开。 讲义：https://t.co/OmaK4ouwqg Part 1：为什么需要 subagents？ 因为长对话必然劣化，四个原因： · 上下文有限，内容只进不出 · 被否决的想法仍在场（history bleed），模型会捡回来；这就是“变差”的来源 · 每次请求重发全部历史，caching 省钱不省… / X

meng shao

@shao__meng

Show translation

密歇根大学最新 AI 编程课「Applied Agentic Software Engineering」 第 14 讲「Subagents」讲义刚刚公开，围绕：为什么需要 subagents、机制是什么、关键取舍、以及它和相邻概念的区别 四个部分展开。 讲义：

github.com/eecs498-aase/m…

Part 1：为什么需要 subagents？ 因为长对话必然劣化，四个原因： · 上下文有限，内容只进不出 · 被否决的想法仍在场（history bleed），模型会捡回来；这就是“变差”的来源 · 每次请求重发全部历史，caching 省钱不省窗口 · 单对话串行，读代码时无法并行比较方案 解法：主对话只留请求和计划，各部分的阅读留在各自的 subagent 里；只回流结果，垃圾全部丢弃。 Part 2：subagents 机制 · Agent 工具对模型就是普通工具；prompt（即 brief）是 subagent 信息的唯一来源 · harness 立即回 "launched"（默认后台），开出第二对话：更短的系统提示词、更少的工具（Explore 无 Edit/Write/Agent，物理上只读）、同样的 CLAUDE.md、没有主对话历史 · 结束必须调 SubagentHandback，否则内容不送达 · 报告回流时的防护：标记为模型输出而非用户（无用户权限）、整体缩进（伪造帧线可辨）；用纯格式守住对话边界 · brief 是模型写给模型的提示词：位置、验收标准、报告形状都要写清；模糊的 brief 得到模糊的搜索 Part 3：Fresh 还是 Forked（最大取舍） harness 自己列出的风险： · 细节双向丢失：它只知 brief，你只见报告 · 错误与正确发现同样自信 · 最危险：拿到你的假设，倾向于证实着送回来；要第二意见，给它代码，不给结论 Fresh：起点「仅 brief」、适合「第二意见、独立审查」、成本「更贵」 Forked：起点「全部历史 + brief」、适合「需要全部积累的侧任务」、成本「更便宜（复用 prompt cache）」 Fresh 不是便宜选项，是独立选项。 L10 的 Goldfish 必须是 fresh：fork 出来的会用记忆填补文档缺口，然后说文档没问题。 Part 4：辨析与工程 三个问题区分一切形态：几个对话、谁和谁说话、谁决定下一步。 · Subagents：每段新对话，只与父对话通信，父对话掌权 · Team：多对话 + 互发消息 + 共享任务列表（带文件锁），你可直连任意队友 · Handoff：一段对话，换个 agent 接管（换指令换工具、保历史），不回头；与 subagent 恰好相反 · Swarm = 机制 × 规模（Kimi K2.5：100 并发；OpenAI Navier–Stokes：约 10,000 agents、1,300 亿 token） · 并行编辑靠 worktree 隔离：每个 subagent 独立 checkout + 分支，改完留分支等合并

Oct 9

Article

密歇根大学最新 AI 编程课把方法论做成了五个 Skill：「Applied Agentic Software Engineering」深度解读

密歇根 EECS 498 AASE：一门把“AI 编程”教成工程学科的课程 Michigan EECS 498 AASE: Applied Agentic Software Engineering https://eecs498-aase.github.io/ 2026...

2:34 AM · Oct 16, 2026

·

2,475

Views

13

12

47

55