我的 Agent 架构演进：Skill 压平 Sub Agent，Restatement 又把它拉了回来

我对 subagent 的理解是并发：如果这次请求不需要上次请求的结果，两件事就可以同时做——那就拆成两个 subagent；否则由主 Agent 串行处理。

大模型核心洞察：注意力集中在两个地方——系统提示词和新的上下文；系统提示词的修改会影响 KV cache，所以让大模型注意力回到该注意的地方，最佳实践是用 Restatement。

核心洞察：skill本质仍然是提示词工程，只不过是提示词的按需注入。

一、AI 开发核心认知框架

核心原则：不盲目跟风行业新概念、新框架，聚焦问题本质，结合自身项目需求迭代优化，而非照搬热门框架。

架构演进：从初代三层架构（主Agent编排+子Agent分工）→ Skill替代冗余Sub Agent（架构压平）→ 优化后架构（Skill+Restatement机制+Sub Agent回归）。

二、各框架/阶段对应问题及解决方案

（一）整体开发现状及核心痛点

对应问题：行业新概念、新框架不断涌现，但个人开发的AI Agent存在开发效率低（慢）、功能不完善（笨）、运行不稳定、不按设计逻辑执行的问题，照搬新架构无法解决上述核心痛点。

核心解决方向：遵循AI Agent开发核心原则，不盲目跟风，聚焦问题本质迭代优化。

（二）初代 Plan and Execute 三层架构（主Agent编排+子Agent分工）

对应问题：小改动成本高、主Agent越权执行子任务，与工业界成功架构不符，实用性不足。

解决方案：Skill替代冗余Sub Agent，将子Agent的提示词转为Skill动态注入，砍掉主副Agent通信成本，实现架构压平、降低Token开销、提升运行性能。

（三）架构压平后（Skill替代Sub Agent）

对应问题：长任务运行中出现三大核心问题——步骤合并跳过、规则失效、输出同质化，根源是大模型上下文注意力分布不均。

解决方案：分两步优化，针对性解决不同问题：

1. Restatement机制解决注意力问题：通过To-do List不断重申任务，将关键信息放在模型注意力强的位置；区分信息放置逻辑，静态规则放入System Prompt、动态信息放入上下文尾端，确保关键信息不被忽略。

2. Sub Agent回归解决输出同质化：重新引入Sub Agent，为任务提供干净的上下文窗口，屏蔽无关历史信息，破解创意生成同质化的问题。

三、总结

AI Agent开发的核心的是"聚焦问题、迭代优化"，架构演进的本质是针对性解决各阶段的核心痛点（效率、稳定性、同质化等），而非盲目追求热门框架；通过Skill注入、Restatement机制、Sub Agent合理运用，可有效解决开发及运行中的核心问题。