mimo code 的子 agent 协作基于任务复杂度动态生成执行结构：通过 token 规模、子任务可分性、错误容忍需求三信号预判；依复杂度启用串行增强、barrier 并行或分层编排；按能力匹配调度；结果经元信息输出、一致性校验与仲裁融合。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
MiMo Code 的子 Agent 协作不是固定脚本，而是根据任务复杂度实时生成、动态适配的执行结构。它不靠预设规则硬编码流程，而是让主智能体在理解当前任务后，自主决定拆解粒度、并行数量、协作方式和收敛条件。
任务复杂度怎么被识别出来
MiMo Code 在启动前会做轻量级预分析，提取三个关键信号：
- Token 预估规模：扫描输入指令、上下文代码片段、关联文件路径，估算需处理的总 token 量（如超 80K 就触发多 Agent 拆分）
- 子任务可分性：判断是否存在天然并行维度——比如“检查 12 个微服务的鉴权逻辑”，每个服务独立；或“对比前后端 5 个接口的 DTO 字段”，字段间无强依赖
- 错误容忍与验证需求：若任务涉及安全审计、竞态复现、多视角归因等高风险场景，系统会倾向启用对抗式子 Agent（例如一个查漏洞、一个做反例验证）
编排策略随复杂度自动升降
不是所有任务都用同一套多 Agent 模式。MiMo Code 提供三级响应机制：
- 轻量级（≤3 子任务）：采用 串行增强型 —— 主 Agent 规划，子 Agent 顺序调用，但每个子 Agent 拥有独立上下文和工具权限，避免中间状态污染
- 中等复杂度（4–15 子任务）：启用 barrier 并行 —— 主 Agent 生成 JS 编排脚本，在沙箱中并发派出子 Agent；所有结果必须到达 barrier 才进入合并阶段，防止漏任务
- 高复杂度（＞15 子任务 或 跨模态混合）：进入 分层编排 —— 先由顶层 Agent 按模块/文件/功能域分组，每组再启动二级子 Agent 网络，形成树状协作结构，支持失败回退与局部重试
负载感知的子 Agent 分配
子 Agent 不是平均分配，而是按节点能力+任务特征匹配：
- 简单读取/正则替换类任务 → 分配给 CPU 轻量节点（低延迟、高吞吐）
- 涉及 AST 解析、跨文件语义推理的任务 → 调度至 GPU 推理节点（MiMo-V2.5-Pro 优先）
- 需要持久记忆或调用外部 API 的任务 → 绑定带 SQLite FTS5 记忆模块的 Agent 实例
- 调度器实时计算每个 Agent 的 load_score = current_load / capacity，只把新任务派给得分最低者
结果如何融合与收敛
子 Agent 完成后不直接拼接，而是走结构化合成流程：
- 每个子 Agent 输出带元信息的结果（如：文件路径、修改行号、置信度分数、依据片段）
- 主 Agent 对结果做一致性校验：相同问题是否得出矛盾结论？缺失项是否超过阈值？
- 对冲突点启动“仲裁 Agent”——不重新执行，而是聚焦争议部分做二次精读与比对
- 最终报告按层级组织：一级结论（是否通过）、二级证据（各子 Agent 关键输出）、三级溯源（原始代码位置+上下文快照）
