sidebar_position: 13 title: “Delegation & Parallel Work” description: “When and how to use subagent delegation — patterns for parallel research, code review, and multi-file work”

任务委派与并行处理

Hermes 可以创建独立的子代理，以便并行处理各项任务。每个子代理拥有独立的对话界面、终端会话以及工具集。最终只会返回汇总结果——中间阶段的工具调用不会出现在你的上下文窗口中。

如需完整的功能参考，请参阅子代理委派。

何时进行任务委派

适合委派的场景：

需要大量推理的子任务（调试、代码审查、研究综合）
可能会因中间数据而填满上下文容量的任务
需要并行处理的独立工作流（同时开展研究 A 和 B）
需要在无偏见状态下处理的任务

建议使用其他方法的场景：

单次工具调用 → 直接使用该工具即可
具有步骤间逻辑关系的机械性多步骤任务 → 使用 execute_code
需要用户交互的任务 → 子代理无法使用 clarify 功能
简单的文件编辑 → 直接操作即可
需要长期运行的任务且必须持续到当前对话轮次结束后 → 使用 cronjob 或 terminal(background=True, notify_on_complete=True)。delegate_task 是同步操作的：如果父任务的对话被中断，所有正在运行的子任务都会被取消，其处理结果也会被丢弃。

并行研究模式

同时研究三个主题，并获取结构化的汇总结果：

Research these three topics in parallel:
1. Current state of WebAssembly outside the browser
2. RISC-V server chip adoption in 2025
3. Practical quantum computing applications

Focus on recent developments and key players.

在幕后，Hermes 使用了：

delegate_task(tasks=[
    {
        "goal": "Research WebAssembly outside the browser in 2025",
        "context": "Focus on: runtimes (Wasmtime, Wasmer), cloud/edge use cases, WASI progress",
        "toolsets": ["web"]
    },
    {
        "goal": "Research RISC-V server chip adoption",
        "context": "Focus on: server chips shipping, cloud providers adopting, software ecosystem",
        "toolsets": ["web"]
    },
    {
        "goal": "Research practical quantum computing applications",
        "context": "Focus on: error correction breakthroughs, real-world use cases, key companies",
        "toolsets": ["web"]
    }
])

这三个组件会同时运行。每个子智能体都会独立地在网络上进行搜索并返回汇总结果，随后父智能体会将这些信息整合成一份条理清晰的汇报。

模式：代码审查

将安全审查任务委托给一个具备全新上下文认知的子智能体，让它以毫无先入之见的态度来分析代码：

Review the authentication module at src/auth/ for security issues.
Check for SQL injection, JWT validation problems, password handling,
and session management. Fix anything you find and run the tests.

关键在于 context 字段——它必须包含子智能体所需的所有信息：

delegate_task(
    goal="Review src/auth/ for security issues and fix any found",
    context="""Project at /home/user/webapp. Python 3.11, Flask, PyJWT, bcrypt.
    Auth files: src/auth/login.py, src/auth/jwt.py, src/auth/middleware.py
    Test command: pytest tests/auth/ -v
    Focus on: SQL injection, JWT validation, password hashing, session management.
    Fix issues found and verify tests pass.""",
    toolsets=["terminal", "file"]
)

:::warning 上下文问题子代理对您的对话一无所知，它们会从完全空白的状态开始工作。如果您指派任务“修复我们之前讨论的错误”，子代理根本无法理解您指的是哪个错误。因此，请务必明确提供文件路径、错误信息、项目结构以及相关约束条件。: ::

模式：对比多种方案

同时评估解决同一问题的多种方法，进而选出最优方案：

I need to add full-text search to our Django app. Evaluate three approaches
in parallel:
1. PostgreSQL tsvector (built-in)
2. Elasticsearch via django-elasticsearch-dsl
3. Meilisearch via meilisearch-python

For each: setup complexity, query capabilities, resource requirements,
and maintenance overhead. Compare them and recommend one.

每个子智能体都会独立研究一个选项。由于它们彼此隔离，因此不会发生交叉干扰——每项评估都仅依据其自身优势来判定。主智能体则会收集这三份总结并进行对比。

模式：多文件重构

将大型重构任务分配给多个并行工作的子智能体，每个智能体负责代码库中的不同部分：

delegate_task(tasks=[
    {
        "goal": "Refactor all API endpoint handlers to use the new response format",
        "context": """Project at /home/user/api-server.
        Files: src/handlers/users.py, src/handlers/auth.py, src/handlers/billing.py
        Old format: return {"data": result, "status": "ok"}
        New format: return APIResponse(data=result, status=200).to_dict()
        Import: from src.responses import APIResponse
        Run tests after: pytest tests/handlers/ -v""",
        "toolsets": ["terminal", "file"]
    },
    {
        "goal": "Update all client SDK methods to handle the new response format",
        "context": """Project at /home/user/api-server.
        Files: sdk/python/client.py, sdk/python/models.py
        Old parsing: result = response.json()["data"]
        New parsing: result = response.json()["data"] (same key, but add status code checking)
        Also update sdk/python/tests/test_client.py""",
        "toolsets": ["terminal", "file"]
    },
    {
        "goal": "Update API documentation to reflect the new response format",
        "context": """Project at /home/user/api-server.
        Docs at: docs/api/. Format: Markdown with code examples.
        Update all response examples from old format to new format.
        Add a 'Response Format' section to docs/api/overview.md explaining the schema.""",
        "toolsets": ["terminal", "file"]
    }
])

:::提示每个子智能体都会拥有独立的终端会话。只要它们编辑的文件不同，就可以在同一个项目目录下协同工作而互不干扰。如果有两个子智能体可能需要修改同一份文件，则应在并行处理完成后由您亲自处理该文件。: ::

模式：先收集再分析

首先使用 execute_code 功能进行机械性的数据收集，随后再将需要大量逻辑推理的分析任务交由其他智能体处理：

# Step 1: Mechanical gathering (execute_code is better here — no reasoning needed)
execute_code("""
from hermes_tools import web_search, web_extract

results = []
for query in ["AI funding Q1 2026", "AI startup acquisitions 2026", "AI IPOs 2026"]:
    r = web_search(query, limit=5)
    for item in r["data"]["web"]:
        results.append({"title": item["title"], "url": item["url"], "desc": item["description"]})

# Extract full content from top 5 most relevant
urls = [r["url"] for r in results[:5]]
content = web_extract(urls)

# Save for the analysis step
import json
with open("/tmp/ai-funding-data.json", "w") as f:
    json.dump({"search_results": results, "extracted": content["results"]}, f)
print(f"Collected {len(results)} results, extracted {len(content['results'])} pages")
""")

# Step 2: Reasoning-heavy analysis (delegation is better here)
delegate_task(
    goal="Analyze AI funding data and write a market report",
    context="""Raw data at /tmp/ai-funding-data.json contains search results and
    extracted web pages about AI funding, acquisitions, and IPOs in Q1 2026.
    Write a structured market report: key deals, trends, notable players,
    and outlook. Focus on deals over $100M.""",
    toolsets=["terminal", "file"]
)

这通常是最高效的架构：execute_code 能以较低成本处理10次及以上的连续工具调用，随后由子代理在整洁的上下文环境中执行那项耗时的推理任务。

工具集选择

应根据子代理的需求来选择工具集：

任务类型	工具集	原因
网络搜索	`["web"]`	仅包含 web_search 和 web_extract 功能
代码处理	`["terminal", "file"]`	支持 Shell 访问及文件操作
全栈任务	`["terminal", "file", "web"]`	包含除消息传递外的所有功能
只读分析	`["file"]`	仅能读取文件，无 Shell 功能

限制工具集的使用能让子代理保持专注，避免出现意外副作用（例如搜索类子代理误执行 Shell 命令）。

约束条件

默认并行任务数为3个：批次处理默认会启动3个并发子代理（可通过 config.yaml 中的 delegation.max_concurrent_children 参数进行配置，无上限限制，仅下限为1）
嵌套委托为可选功能：叶级子代理（默认）无法调用 delegate_task、clarify、memory 或 execute_code。调度器子代理（role="orchestrator"）虽保留了 delegate_task 以进行进一步委托，但前提是 delegation.max_spawn_depth 的值需高于默认的1（下限为1，无上限）；其余三个功能仍被禁止。可通过 delegation.orchestrator_enabled: false 全局禁用该功能。

并行度与嵌套深度的调整

配置参数	默认值	取值范围	效果
`max_concurrent_children`	3	≥1	每次调用 `delegate_task` 时对应的并行子代理数量
`max_spawn_depth`	1	≥1	允许的嵌套委托层级数

示例：使用嵌套子代理运行30个并行任务：

delegation:
  max_concurrent_children: 30
  max_spawn_depth: 2

独立终端——每个子智能体拥有独立的终端会话，具备各自的工作目录和状态。
无对话历史——子智能体仅能看到父智能体在调用 delegate_task 时传递的 goal 和 context。
默认迭代次数为50次——对于简单任务，可降低 max_iterations 的值以节省资源。
非持久化——delegate_task 是同步操作，且在父智能体的当前轮次内执行。若父智能体被中断（如收到新用户消息、执行 /stop 或 /new 命令），所有正在运行的子智能体都会被取消（状态变为 status="interrupted"），其处理结果也会被丢弃。对于需要在当前轮次结束后仍持续运行的任务，请使用 cronjob 或 terminal(background=True, notify_on_complete=True)。

小贴士

目标描述要具体。 “修复错误”这样的表述过于模糊。“修复 api/handlers.py 第47行的 TypeError，该错误源于 process_request() 函数从 parse_body() 接收到的参数为 None”这样的描述则能为子智能体提供足够的信息。

务必包含文件路径。 子智能体并不知道你的项目结构，因此请始终提供相关文件的绝对路径、项目根目录以及测试命令的路径。

利用任务委派实现上下文隔离。 有时你需要从全新的视角来解决问题。通过委派任务，你可以更清晰地阐述问题，而子智能体在处理问题时也不会受到你们之前对话中形成的先入之见的干扰。

检查结果。 子智能体的总结仅属于概要性质，不可完全依赖。如果子智能体声称“已修复错误且测试通过”，请通过自行运行测试或查看代码差异来确认。

如需了解完整的任务委派参考资料——包括所有参数、ACP集成方式以及高级配置选项——请参阅子智能体任务委派。

Keyboard shortcuts

Hermes Agent Docs i18n