用途：在保持用户目标不变的前提下开展并行工作，以提升判断力、覆盖面和执行效率。适用于存在独立信息源、独立视角、独立文件或模块、多个假设、多条验证链路的任务。
主要能力：先复述用户目标、决策压力与预期产出；判断并行是否真正有用；读取 references/delegation-patterns.md 了解对应任务类型的委派模式；读取 references/harness-adapters.md，使用当前环境原生的委派、任务、线程、工作树或子智能体机制，按该环境的模型策略与成本路由执行，不硬编码其他环境的命令；若环境不支持并行机制，则用显式工作包、本地笔记和顺序轮次模拟同样的纪律，而不是假装发生了并行。
使用方式：先派出最小的有用第一波，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、证据要求和停止条件；优先异步更新，对后续相关工作复用长驻智能体；智能体运行期间，主智能体推进不重叠的自身切片，而不是阻塞等待最慢的通道；报告进展前，把每项主张对应到工作产物、工具结果、来源或本轮测试；读取结果后综合，而非拼接摘要，使用 references/synthesis-gate.md 合并主张、证据、置信度、冲突与遗留缺口；若仍有缺口且目标需要，再发起针对性跟进波次，否则以决策、实现或研究结论收尾；关闭或退役不再需要的子智能体、线程与工作树。
适用场景：广度调研（生态扫描、工具选型、GitHub 或包审查、市场地图）、证据审查（论文、法律、标准、政策）、战略与价值判断、代码库探索、并行实现（模块、界面、脚本、测试、文档、验证）、对抗性评审（正确性、安全、可用性、可维护性、可访问性、性能）、多波次长任务。
限制与注意：智能体越多未必更好，重复劳动、继承同一错误前提或产出无排序摘要会制造噪音；有界结构化归约不应使用子智能体；核心决策不能外包，子智能体只提供证据与论证；下载量或星标不能替代质量判断；除非用户接受合并风险或环境提供干净的工作树隔离，不要让代码编辑者写入重叠文件；不要空等，也不要掩盖不确定性。相关参考文件包括 delegation-patterns.md、synthesis-gate.md、harness-adapters.md、scenario-catalog.md、anti-slop-research.md、prompt-packets.md、source-notes.md。价格、平台支持与收费信息暂未提供。