🐝 多智能体架构模式
该技能用于设计和协调由多个语言模型实例（智能体）组成的系统，每个实例拥有自己的上下文窗口。多智能体架构是解决复杂度超出单一饱和上下文推理能力任务的方案。
心智模型：子智能体不只是角色（“研究员”“写作者”），而是上下文隔离单元。其主要目的是对知识进行分区，以在流程的每一步保持高信号密度。
🚩 脆弱性与自主性
脆弱性：高。设计不当的协调会引入大量延迟和信息丢失（“传话游戏”效应）。
自由度：在选择编排模式方面非常高，可依据任务性质决定。
🚀 何时激活
当一项任务需要同时处理多个技术领域时。
用于并行化相互独立的子任务（例如同时研究 5 个库）。
当注意到主智能体因累积上下文噪声而分心或“产生幻觉”时。
用于实现对抗式审查与批评流程（辩论模式）。
🧠 架构模式
- 监督者 / 编排者
一个中心智能体控制流程，分解任务并委派给专家。
用途：步骤顺序清晰且需要人工监督的任务。
风险：监督者会成为上下文瓶颈。
- 点对点 / 群体
智能体通过“交接”协议直接相互传递控制权。
用途：灵活探索、客户支持、动态工作流。
优势：消除监督者的转述偏差。
- 分层（层级式）
分层结构：战略 -> 规划 -> 执行。
用途：大型项目、大规模代码迁移、monorepo 管理。
🛠️ 在 Gemini Elite Core 中的实现
模式：直接透传（修复传话游戏）
避免监督者总结工作者的输出。使用 forward_to_user 工具让专家直接发言。
<TOOL_CALL: forward_to_user> { "message": "[由专家生成的原始且精确的技术内容]", "reason": "避免在监督者综合时损失保真度。" } </TOOL_CALL>
模式：并行研究群体
并行触发 N 个智能体，并将其发现汇总到一个“findings”文件中。
规划者：创建 N 个研究任务。
工作者：在隔离沙箱中并行执行。
汇总者：读取所有结果并生成最终报告。
🔗 集成
context-optimization：多智能体分区是最纯粹的优化方式。
memory-systems：使用共享记忆（Durable Objects、Disk）进行协调。
evaluation：验证智能体之间综合结果的质量。
📚 内部参考
references/frameworks.md：LangGraph、AutoGen 和 CrewAI 的实现技术细节。共识模式与故障恢复。