大模型智能体要完成一项需要几十步的「长任务」时，它积累的「技能包」该怎样使用——把操作说明整个塞进自己的上下文里照着做，还是为这一步单独派一个「子智能体」去执行？2026 年 9 月提交到 arXiv 的一项研究（论文编号 2609.09233）直接对比了这两种方案。结论是：当技能包的输入输出边界清晰时，派子智能体执行的效果更好、更稳定，代价是多耗费一些 token 用于主从协调。
先把几个概念说清楚
大模型智能体（AI Agent）：以「大语言模型」为核心的程序。大语言模型是用海量文本训练出来、能理解和生成文字的 AI，而智能体是给它装上「手和脚」——能自己查资料、调工具、写代码，一步步完成任务。
技能包（Agent Skills）：把完成某项任务的方法打包成一套文件，里面通常包含操作说明和配套脚本。它相当于智能体的「工具书」：需要哪项能力，就翻开对应的那一本。
上下文窗口：大模型单次能「同时记住」的信息上限。关键前提是——塞进去的内容越多，模型越容易抓不住重点，推理质量随之下滑。
子智能体（Subagent）：主智能体为某一个子任务临时派出的执行单元。它拥有一个全新的、干净的上下文窗口，只装这一项任务所需的内容。
长程任务：步骤多、耗时长、中间要反复决策的任务，例如「调研一个市场并输出报告」。
两种执行方式
方式一：技能包加载进主上下文。把技能包的说明文字直接塞进主智能体的上下文窗口，让主智能体边看边执行。优点是实现简单；缺点是任务线拉长后，上下文里堆积的指令越来越多，模型注意力被稀释，推理质量明显退化——这正是这项研究想解决的问题。
方式二：派子智能体执行。主智能体自己不读技能说明，而是把整个技能包「外包」给一个子智能体，由子智能体在独立上下文里完成，主智能体只负责调度和汇总结果。
研究结论：子智能体赢在「上下文干净」
研究者的实验前提是：技能包必须带有清晰的输入输出契约——即「喂进去什么、返回什么」有明确约定——且说明文字把完成任务的步骤知识写到位。满足这两个前提时：
- 子智能体执行表现优于主上下文加载，任务越长，优势越明显；
- 代价是通信开销：主智能体与子智能体之间传递任务、回收结果需要耗费额外 token。token 是大模型处理文本的最小计量单位，也是按量计费的依据；
- 研究者强调，可复用知识的收益不只看内容本身，还取决于它被怎样组织和调用。
对实践的启发
对正在搭建智能体应用的团队，有几点可以直接参考：
- 给技能包定义清晰的输入输出契约：这是子智能体方案跑赢的前提，也让技能包更好维护、更可测试；
- 长任务的子步骤，优先拆给子智能体：别把所有说明都堆进主上下文，避免推理退化；
- 短任务仍可直接用主上下文：子智能体有 token 沟通成本，任务越短越不值得绕路；取舍点在于任务的长度与复杂度。
一句话带走：智能体的知识复用，考验的不只是「有什么知识」，更是「怎么组织、怎么调用」——任务一长，与其把工具书都摊在桌上，不如派个专人去照做。