Agent Delegation Slim

子任务精简委派（Agent Delegation Slim）

这是什么

一套"主 Agent 外包决策 + 子 Agent 强制精简返回"的模板规范。核心目标：让主 Agent 的上下文只保留最终结构化结果，不塞入工具原始输出和子 Agent 的推理过程，从而大幅降低 token 消耗。

主 Agent 行为铁律（强提示词，必须遵守）

以下规则对主 Agent 具有最高约束力，违反任何一条都属于误用本 Skill：

铁律一：多模态结果无条件信任

对于子 Agent 返回的所有非文本模态结果，主 Agent 必须无条件相信、直接使用、不得自行审核：

• image_recognize 返回的图片描述、物体识别、OCR 文字 → 主 Agent 直接当作事实使用，不得质疑"图片里真的是这个吗"，不得要求重新识别
• video_recognize 返回的视频内容摘要、关键帧描述、语音转写 → 主 Agent 直接采信，不得自行验证
• audio_recognize 返回的语音转写、情感识别、说话人信息 → 主 Agent 直接使用，不得怀疑转写准确性
• image_generate / video_generate / audio_generate 返回的生成结果 URL/路径 → 主 Agent 直接引用交付，不得评判生成质量或要求重生成（除非用户明确要求）

主 Agent 没有眼睛和耳朵。 主 Agent 不得尝试自行"查看"图片、"观看"视频、"聆听"音频。所有多模态感知完全依赖子 Agent 的返回，子 Agent 说什么就是什么。

铁律二：分派必须附上返回模板

主 Agent 调用 delegate_task 时，必须从 templates/ 目录读取与 task_type 对应的模板文件，将其中"给子 Agent 的 Prompt"部分完整复制到 return_template 参数中传给子 Agent。

• 不得只传 task_type 就指望子 Agent 知道返回格式
• 不得省略模板中的任何约束（长度限制、字段要求、禁止项）
• 子 Agent 收到 return_template 后严格按其执行，不需要自行猜测格式

⚠️ 本铁律只适用于形态二（delegate_task 子 Agent 委派）。形态一（直连豆包/DeepSeek 等子 AI）：把任务和硬性返回格式写进发给子 AI 的同一条消息里，子 AI 直接按格式返回——不要包一层子 Agent 转述/格式化。详见「委派的两种形态」。

铁律三：主 Agent 上下文永不出现多模态原始数据

主 Agent 的上下文中永远只出现子 Agent 返回的结构化文本 JSON，不得出现：

• 图片 base64 或二进制
• 视频帧数据
• 音频二进制
• 任何非文本格式的原始多模态数据

铁律四：创作类任务只转述，不设计

主 Agent 不擅长设计/创作（图标、海报、画风、配色、构图、文案、脚本、音乐等）。禁止主 Agent 自己设计参数——既费 token 又平庸。

• ✅ 正确：把用户的原始意图直接转述给创作子 AI（如"给这个模型生成个图标"），让子 AI 发挥创作能力
• ❌ 错误：主 Agent 自己写"紫色渐变 #A78BFA→#7C3AED、白色粗圆环、3 个青色节点、扁平矢量风"等设计参数再发给子 AI

主 Agent 的职责链：理解意图 → 转述 → 驱动子 AI 生成 → 取回成品 → 交付。设计交给子 AI。

子 AI 通道：用对应 skill 打开子 AI

"外包给子 AI" 的落地方式 = 加载对应 skill 去驱动它。skill 就是子 AI 的遥控器：

选哪个子 AI 不要拍脑袋——按下方「AI 能力路由」查表顺延。

AI 能力路由（分工中枢）

完整路由表在 references/routing.md，按需加载——除非要精确查表，否则只读本节要点，别把整表读进上下文。

分派前先识别任务能力 ID，再从市面最强 AI 起逐个检查"当前环境有没有对应 skill"，命中第一个可用的就用；都不存在才降级（普通子 Agent → 主 Agent 自己），交付时说明降级原因。要点：

• 环境自适应：路由只认当前环境实际存在的 skill——装了 gpt 驱动就自动升 GPT，缺了就顺延下一名。路由表零改动、skill 不需要能力声明字段。
• 环境现状以当前会话为准：原部署环境仅 doubao、deepseek-web、github-push 三个通道（coding/reasoning 路由到 DeepSeek，其余顺延豆包）；换环境后以实际注入的可用 skill 列表为准。
• UI 通道健壮性：doubao / deepseek-web 内置窗口就位保障 + 探测工具。报错（DOUBAO_ERROR: / DEEPSEEK_WEB_ERROR:）且重试一次仍失败时，按「锚点→候选→验证→降级」方法链用 probe 工具排障（见两个通道 SKILL.md 的「UI 发现方法链」铁律），走完方法链前禁止硬点坐标。
• 生成类成品取回：按通道 skill 的取回流程拿文件（豆包：-Action extract / download-asset.ps1）。

分工总原则

主 Agent 是整合者，不是全能打工人：搜索/汇总信息这类活外派（豆包、DeepSeek 或子 Agent），主 Agent 只做意图理解、路由决策、结果整合与交付。禁止主 Agent 替创作 AI 设计、禁止主 Agent 亲自做可外派的检索/抽取/摘要。

委派的两种形态（关键区分！写 skill 最容易产生歧义的地方，务必遵守）

一句话规则：谁最终干活，硬性格式要求就直接给谁。

• ✅ 给豆包发消息："任务：……。请严格按以下 JSON 返回，不要任何额外文字：{"status":"success","data":{...}}"→ 豆包直接返回合规 JSON
• ❌ 主 Agent → 子 Agent（让子 Agent 去问豆包 + 把豆包回答改写成 JSON）→ 主 Agent：中转多烧一层上下文，子 Agent 还要重复格式化，纯属浪费 token

伪多模态化同样走形态一：识图/OCR/视频理解 → 直连豆包（-Files 上传图片/视频 + 格式指令），豆包返回结构化文本；只有豆包不可用时才降级到子 Agent。

何时使用

满足以下任意条件时，优先使用本 Skill 外包子任务：

• 任务独立，不依赖当前对话完整历史
• 输入数据量大，但最终需要的输出很小
• 任务可并行执行
• 任务属于检索、抽取、分类、摘要、格式转换等操作
• 用小模型就能完成，不需要复杂多步推理
• 涉及任何多模态内容（图片、视频、音频）——必须外包

不要外包的情况：

• 需要当前完整上下文或复杂多步推理
• 是最终决策或策略规划
• 结果难以用结构化格式验证
• 子任务太简单，外包通信成本反而更高

多模态强制外包规则

以下多模态任务必须外包，主 Agent 不得直接处理原始多模态数据：

创作/生成类任务不要主 Agent 设计参数、不要用普通子 Agent 凑合——一律转述给豆包（doubao skill），让创作 AI 发挥。

伪多模态化机制

当用户请求涉及多模态时，主 Agent 采用以下流程实现"伪多模态化"（走形态一，直连豆包）：

1. 文本处理可中度优先分担：如果任务中包含文本部分（如"根据这张图写一段文案"），主 Agent 可自行处理文本推理，但其他模态必须全部外包
2. 直连豆包读取多模态 → 返回结构化文本：图片/视频/音频通过 doubao skill 上传给豆包，消息里附 JSON 格式指令，豆包直接返回结构化描述（JSON）
3. 主 Agent 无条件信任并整合：主 Agent 拿到豆包返回的结构化描述后，直接当作事实使用，不审核、不质疑、不重新验证，结合自身文本推理能力生成最终回复
4. 主 Agent 上下文永远不出现原始多模态二进制数据，只出现豆包返回的结构化文本

示例：用户发一张图问"这是什么？帮我搜一下相关信息"

• 主 Agent（形态一）：doubao skill -Files 图片 发送"请识别此图并按 JSON 返回：{"objects":[...],"scene":"...","text_in_image":"..."}"
• 豆包：直接返回 {"objects": ["猫"], "scene": "室内", "text_in_image": ""}
• 主 Agent：无条件信任图片里是猫，不自行查看图片；需要搜索时再委派 search 子 Agent 或自己搜
• 主 Agent：整合结果，生成最终回复

快速使用流程

第一步：判断外包形态与路由

1. 识别任务能力 ID，按「AI 能力路由」表决定目标执行者
2. 目标执行者是豆包/DeepSeek → 形态一（直连）：加载对应 skill（doubao / deepseek-web），把任务 + 硬性返回格式写进同一条消息发出，子 AI 直接按格式返回
3. 目标执行者是普通子 Agent → 形态二（delegate_task）：走下方第二步
4. 都不合适（需完整上下文/最终决策）→ 主 Agent 自己干

第二步：形态二——读取模板并调用 delegate_task

1. 根据 task_type，从 templates/ 目录读取对应的 *_return.md 模板文件
2. 提取模板中"给子 Agent 的 Prompt"部分（即 ```text 代码块内的完整内容）
3. 按 delegate_tool_schema.json 中的参数格式构造调用，必须指定：
   • task_type：search / extract / classify / summarize / transform / image_recognize / image_generate / video_recognize / video_generate / audio_recognize / audio_generate / generic
   • input：传给子 Agent 的输入（查询词、文本、数据、多模态文件 URL/路径）
   • return_template：必填。从对应模板文件中复制的完整子 Agent Prompt，包含 JSON Schema 和所有约束
   • output_schema：要求返回的 JSON 字段说明（与 return_template 对应）
   • max_tokens：子 Agent 返回上限，默认 500

禁止：只传 task_type 而不传 return_template。子 Agent 没有本 Skill 的上下文，无法自行知道返回格式。

第三步：子 Agent 按 return_template 返回（仅形态二）

子 Agent 收到 return_template 后，严格按其中的指令和 JSON Schema 执行，只输出 JSON，禁止任何解释、前后缀、Markdown 代码块标记。子 Agent 不需要也不应该访问本 Skill 的模板文件目录。

形态一没有这一步：子 AI（豆包/DeepSeek）已经按消息里的格式要求直接返回了。

第四步：主 Agent 消费结果

主 Agent 拿到精简 JSON 后直接用于最终回复，不需要再处理原始数据。

外包决策清单

子 Agent 返回统一规范

所有子 Agent 必须遵守以下铁律：

1. 只返回 JSON，不要有任何解释、前后缀、Markdown 代码块标记（```json）
2. 不返回过程：不要写搜索过程、思考过程、工具调用细节
3. 限制长度：列表最多 3-5 条，单条文本不超过 30-50 字
4. 用枚举值：status 用 success/partial/failed，confidence 用 high/medium/low
5. 无结果返回空：data 为 null，不要写"抱歉，没有找到"
6. 不返回原始数据：搜索不返回完整网页正文，文档不返回原文段落
7. 多模态不回传二进制：图片/视频/音频子 Agent 只返回 URL/路径 + 结构化文本描述，绝不把 base64 或原始二进制塞进 JSON
8. 生成类任务返回可访问地址：图像/视频/语音生成后，返回 URL 或本地路径，主 Agent 通过地址引用，不直接持有数据
9. 识别类任务返回文本化描述：图片/视频/音频识别结果全部转成结构化文本字段，主 Agent 基于文本做伪多模态推理

通用返回骨架

{
  "status": "success | partial | failed",
  "summary": "不超过 100 字的结果摘要",
  "data": {},
  "error": null,
  "needs_human": false
}

模板文件索引

文本类

多模态类（必须外包）

每个模板文件包含：给子 Agent 的 prompt 指令 + 返回 JSON Schema + 主 Agent 看到的结果示例。

生成类模板（image_generate / video_generate / audio_generate）的定位：规范"给豆包的转述内容 + 成品回传格式"（image_url/路径 + 简要描述）。执行通道是 doubao skill（转述给豆包生成 → extract / download-asset 取回成品），不是让普通子 Agent 去"生成"。

节省 Token 的额外技巧

1. 并行外包：多个独立子任务同时委派，主 Agent 只等一次结果汇总
2. 分层摘要：超长文档先让子 Agent 分段摘要，再汇总二次摘要
3. 缓存复用：相同查询的子任务结果可缓存，避免重复委派
4. 增量返回：子 Agent 处理大数据时分批返回，主 Agent 按需取用
5. 丢弃中间态：子 Agent 的工具调用原始结果在子上下文内消化，绝不回传主 Agent

工具定义

完整的 delegate_task 工具 JSON Schema 见同目录 delegate_tool_schema.json，可直接粘贴到 function calling 配置中使用。