在agent space中需按任务类型匹配专用agent，先拆解任务、再查能力面板确认专长，可用agent router自动推荐或手动接力执行，并通过微型验证指令测试适配性。
☞☞☞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☜☜☜
在Agent Space中为不同任务匹配最合适的Agent，关键不是看哪个模型参数量大或名字响亮，而是让每个Agent只干它最擅长的事——研究员不写代码，审查员不搜资料，执行员不改规划。
先识别任务类型再选角色
打开Agent Space工作区后，不要急着点“新建Session”，先花10秒判断当前任务属于哪一类：是需要查资料、做分析、写内容、审逻辑、跑代码，还是调API？每类对应一个基础角色模板，系统预置的Codex、Claude Code、GLM-Research等Agent都已按角色打标。
比如输入“对比2024–2026年国产大模型推理延迟数据，生成PPT大纲并标注技术瓶颈”，这个任务明显包含三段：查数据（Research）、分析趋势（Analysis）、结构化输出（Writing）——必须拆给三个Agent，不能塞进一个Session里硬扛。
【任务未拆解就建Session，会导致上下文污染和工具调用混乱】
查看Agent能力面板确认专长边界
鼠标悬停在左侧Agent列表中的任一图标上，弹出卡片显示三项核心信息：支持工具集、典型响应长度、最近3次同类任务成功率。
例如Claude Code卡片底部写着“文件读写成功率92%，但不支持实时数据库查询”；而DeepSeek-VL卡片则标有“图像理解强，文本生成偏保守”。这些不是宣传语，而是平台自动统计的真实运行数据。
如果你的任务需要调用本地Python脚本并返回图表，就绝不能选Kimi-Agent——它连沙箱文件系统权限都没开通。
用Agent Router自动推荐（方法一）
在新建Session对话框中粘贴完整任务描述，点击“智能推荐Agent”按钮。
系统会基于任务动词（如“对比”“生成”“验证”“部署”）和宾语类型（如“数据表”“API文档”“Git仓库”）触发Agent Router规则引擎，返回1～3个匹配度最高的Agent，并附带匹配依据短句，例如：“检测到‘生成PPT大纲’，匹配Writing角色Agent，其模板库含17种行业汇报结构。”
这一步操作起来很简单，直接把任务描述拖进去就行。但注意：如果描述里混入模糊指令如“尽量专业一点”，Router会降权处理该句，可能导致推荐偏差。
手动切换Agent接力执行（方法二）
第一步：用Research Agent完成资料收集，导出结构化JSON文件到共享空间；
第二步：在同一个Workspace中新建Session，选择Analysis Agent，上传上一步的JSON，输入指令“按技术维度聚类延迟数据，标出TOP3瓶颈原因”；
第三步：Analysis Agent输出结论后，再开第三个Session，选Writing Agent，喂入结论+品牌VI规范文档，指令“生成适配公司模板的3页PPT文字稿”。
整个过程不用导出导入文件——所有Session共享同一套项目文件树和上下文快照。换Agent不换项目，就是Agent.Space的接力协作本质。
如果中间某步输出质量不达标，可回退到对应Session重新运行，其他步骤状态不受影响。
验证Agent是否真适配当前子任务
在Session启动前，点击右上角“测试能力”按钮，输入一个微型验证指令，例如对准备用于代码审查的Agent，输入：“检查以下Python片段是否存在资源泄漏：with open('log.txt') as f: f.write('done')”。
合格的Review Agent应指出“缺少异常处理且未使用f.close()”，而不是泛泛说“代码可读性一般”。
这步不能跳过。我见过团队用GLM-Research去跑单元测试，结果它把assert语句当成普通文本解析，输出了一段关于“assert词源”的英文考据。
