subagent就像找来的临时工， 创建——干活——返回摘要——解散，没有身份，没有记忆。
如果有一个复杂的项目，需要一个前端、一个后端、一个测试来协作完成，那么subagent就做不到了。

如果需要干这个活，那么需要组建一个团队，这个团队中的成员都有专属的角色和岗位，当然每个成员都有其自己的岗位职责。这意味着：

• agent要有记忆，记得之前做过什么
• agent有身份和生命周期：agent有名字、角色、是一个正式且长期的员工。
• 多agent之间可通信：agent之间可以互相发送消息

基于以上的需求，可以使用两个类实现这个agent。

• Agent：name、role、inbox、messages
  • chat：和LLM交互，如果inbox有新消息，先读取并消化
  • receive：往收件箱追加消息
• Team：
  • create：创建agent
  • send：点对点通信
  • broadcast：广播
  • clear：解散团队

多agent团队协作

team = Team()

# 组件团队
mumbers = create_team(task)
for m in mumbers:
    team.create(m['name'], m['role'])

# 逐个执行，每个agent干完活后通知所有团队成员
for m in mumbers:
    agent = team.agents[m['name']]
    result = team.agents[m['task']]
    team.broadcast(m["name"], f"我完成了任务，摘要: {result[:200]}")

# 最后一个团队成员做review
reviewer = team.agents[members[-1]["name"]]
review = reviewer.chat("请根据团队成果做最终审查")

# 项目收尾，解散团队
team.clear()

从 subagent到Agent类， messages从局部变量变成了实例属性，这一变化让agent有了长期记忆。 对于编程来说，数据存放的位置，决定了它的生命周期，生命周期决定了该数据块的影响范围和能力边界，能力越强，责任越大，agent干的活越多、多个agent之前的协作越复杂，messages列表越长，如果不加以控制会在多轮对话之后撑爆LLM的context window。