多Agent适用于任务链条长、模块多、需换视角的场景。如跨模块联动、多阶段决策、高精度与高发散混合的任务，应按环节数≥3、模块≥2、视角切换三步法判断是否拆分。
☞☞☞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☜☜☜
任务链条长、模块多、需换视角的工作才值得拆多Agent
当你面对一个需要先查资料、再设计结构、接着写代码、然后自测、最后生成文档的全栈需求时，单个Agent会在第4轮就忘记自己第1轮定下的接口字段名，导致前后产出对不上——这不是模型变弱了，是它的“工作台”被塞满了不该留的信息。
这类任务必须拆。WorkBuddy 多 Agent 不是炫技，而是把人脑里自然发生的“角色切换”显性化、隔离化、可调度化。
三类典型场景，一拆就稳
方法一：跨模块联动型任务
比如“给管理后台加一个简历解析结果导出功能”，涉及前端按钮+后端API+PDF解析服务三端改动。单Agent容易在写完前端后，把解析服务里已有的字段名记混，生成一个不存在的parsed_data_v2字段。
拆成三个Agent：前端Agent只看页面结构和按钮交互逻辑；API Agent只读接口契约和返回体定义；解析Agent只专注PDF文本提取规则和字段映射表。每个Agent的上下文里，不会出现其他模块的任意一行代码。
方法二：多阶段决策型任务
例如“输出一份AI工具选型报告”，包含竞品搜集→能力对比→成本测算→风险评估→结论建议五步。单Agent跑到第四步时，常把第一步里记下的某家厂商的免费额度错当成付费门槛。
让InfoCollector Agent专跑搜索+摘要，Analyzer Agent只接收结构化摘要做横向打分，RiskReviewer Agent仅基于打分结果和公开披露信息推演隐患点——每一步输入都是前一步的干净输出，没有历史对话污染。
WorkBuddy 会议助手——会议价值不该散会就流失。它把会议的采集、提炼、确认、分发串成一条流水线：从腾讯会议 / IMA / 企业微信多端取料，按 15 类场景模板自动提炼成结构化纪要，你过目确认后一键分发到钉钉、飞书、腾讯文档或企业微信。全程由 workflow 工作流编排驱动，只抽取不编造、先预览后推群、自动去重。 触发：「把会议纪要做一下发钉钉」「总结 IMA 里的 XX 录音」「按面试模板整理这场会」「把这场复盘发飞书」「发到腾讯文档让我手动改」「整理企业微信里的会议纪要」。 能力：腾讯
方法三：高精度+高发散混合型任务
像“为新招聘系统设计数据库并生成初始化SQL”，既要保证字段类型、索引、外键约束100%准确，又要对“候选人意向城市”这类字段做合理枚举扩展。
这时候不能用同一个Agent：它无法同时保持temperature=0.1（写SQL）和temperature=0.7（想城市列表）。拆开后，DBDesigner Agent固定低temperature生成DDL，DataSpecAgent用高temperature发散补充业务字段说明，两者通过JSON Schema交接，互不干扰。
判断要不要拆的三步快筛法
第一步：数环节——任务是否包含≥3个依赖前序输出的环节？比如“先拉日志→再清洗→再聚合→再画图”，四步环环相扣，就该拆。
第二步：看模块——是否要同时打开≥2个代码仓库或文件夹？小程序前端、管理后台、简历服务三套代码搅在一起，就是强信号。
第三步：问视角——你是否在指令中反复切换身份？例如：“先以架构师视角看表设计”→“再以测试员视角列边界case”→“最后以产品经理视角补用户提示文案”。这种语言上的角色跳转，说明大脑已经在自动拆分，该让WorkBuddy代劳了。
