用途：orchestrate-subagents 用于让主智能体（lead）编排并行子智能体，以提升判断质量、覆盖范围和执行效率，同时保持用户目标不变。它强调使用当前环境原生的委派、任务、线程、worktree 或子智能体机制；若没有此类机制，则用显式工作包、本地笔记和顺序执行来模拟同样的纪律，而不是假装实现了并行。
主要能力：先复述用户目标、决策压力和预期输出，并在拆分前与用户确认会改变工作的关键问题。判断并行是否真正有用：当任务存在独立来源、视角、文件、模块、假设或独立验证时优先并行。按依赖图而非波次规划，每个工作包写明启动所需输入；输入就绪即分派，直到达到并发上限。每个子智能体收到自包含工作包，包含目标、范围、排除项、输出契约、证据要求、预计时长、进度产物和停止条件。主智能体维护运行中工作者的台账，记录工作包、写入范围、开始时间、预计时长、进度产物和依赖它的工作包。
使用方式：先阅读 references/delegation-patterns.md 了解任务类型对应的委派模式；阅读 references/harness-adapters.md 并使用当前原生委派机制。对 GPT 工作者应用 model-routing 中的 GPT 策略：默认 Astra，仅非常简单的确定性执行使用 Sol 6.1；对 Anthropic 工作者保留适用的路由策略。运行分派循环：整合已完成结果以解锁其他工作包，分派所有就绪工作包，按预计时长检查存活状态，并推进不与任何工作者写入范围重叠的主智能体切片。合并结果时使用 references/synthesis-gate.md，不要简单拼接摘要。
适用场景：存在独立证据来源（官方文档、论文、GitHub 仓库、市场数据、代码库区域、用户文件、竞品示例）；需要多专家视角（支持者、怀疑者、运营者、实现者、审查者、安全、可访问性、性能）；实现可按不重叠所有权拆分（模块、包、界面、脚本、测试、文档、迁移、验证）；验证可与实现并行；任务足够大，上下文隔离能减少漂移。任务很小、高度顺序化、隐私敏感或协调开销超过收益时保持单智能体。
限制：更多智能体可能让答案更差，若重复劳动、继承同一错误前提或产出未排序摘要，并行只会制造噪音。有界结构化过滤、连接、排序或聚合若确定性归约更清晰便宜，不应使用子智能体。不要外包核心决策，子智能体只提供证据和论点。不要为复查主智能体自身推理而生成子智能体。委派不授予外部写入、破坏性工作、购买或实质性范围扩展的新权限。用户对委派的明确指示优先；无指示时由主智能体决定是否委派及规模。代码编辑需分配不重叠写入范围。并行运行在结果综合、矛盾处理并给用户清晰答案或产物后才算完成。
其他参考文件：references/scenario-catalog.md 用于判断技能是否适用；references/anti-slop-research.md 用于网络、GitHub、文献、市场或工具调研；references/prompt-packets.md 用于编写子智能体提示；references/source-notes.md 用于维护或解释本技能。