一口气把3个独立任务交给3个子Agent并行跑，3分钟后收到3份完整报告——这不是科幻，是 Hermes Agent 的 delegate_task 工具。
▲ delegate_task 工作模式：单任务委托 vs 并行批处理
为什么你需要多Agent协作
很多人用 AI Agent 还停留在"一问一答"模式：你提问，Agent 回答。但真实的工作场景是这样的——
你早上打开电脑，需要同时做三件事：调研竞品新功能、修复昨晚测试报的 bug、写一份周报。如果你只能一件一件来，一上午就过去了。如果你的 Agent 也只能一件一件来，效率和你自己动手差不多。
Hermes Agent 的 delegate_task 工具改变了这个局面。它让你像管理一个小团队一样管理你的 AI Agent——分配任务、设定上下文、指定工具集，然后放手让子 Agent 并行工作。你（或者说你的主 Agent）只需要等待结果汇总。
这篇教程会带你从零掌握 delegate_task 的全部用法，包括：单任务委托、并行批处理、代码审查、多文件重构、以及最常见的踩坑场景。
delegate_task 是什么
delegate_task 是 Hermes Agent 内置的工具之一。它会在后台启动独立的子 Agent 实例，每个子 Agent 拥有：
- 完全隔离的对话上下文：子 Agent 不知道父 Agent 之前聊过什么，只能看到你传过去的
goal 和 context - 受限的工具集：你可以精确控制子 Agent 能用哪些工具（web、terminal、file 等）
- 独立的终端会话：每个子 Agent 有自己的工作目录和 shell 环境
- 最终摘要回传：子 Agent 完成工作后，只有结构化摘要回到父 Agent 上下文，中间的几十次工具调用不会污染父 Agent 的上下文窗口
默认最多 3 个子 Agent 并发运行，可以通过配置调高（没有硬上限）。
快速上手：单任务委托
最简单的用法——把一件事交给子 Agent，你继续做别的：
delegate_task(
goal="Debug why tests fail",
context="Error: assertion in test_foo.py line 42",
toolsets=["terminal", "file"]
)
这里有两个关键参数：
goal：一句话描述要完成什么。子 Agent 的系统提示会围绕这个目标构建。
context：子 Agent 需要的所有上下文。文件路径、错误信息、项目结构、约束条件——全部写在这里。子 Agent 对父 Agent 的历史对话一无所知，漏掉任何信息都会导致它"瞎猜"。
常见错误：
# ❌ 错误：context 太空泛，子Agent根本不知道"the error"是指什么
delegate_task(goal="Fix the error")
# ✅ 正确：把完整的错误信息和上下文传过去
delegate_task(
goal="Fix the TypeError in api/handlers.py",
context="""The file api/handlers.py has a TypeError on line 47:
'NoneType' object has no attribute 'get'.
The function process_request() receives a dict from parse_body(),
but parse_body() returns None when Content-Type is missing.
The project is at /home/user/myproject and uses Python 3.11."""
)
踩坑提醒：新手最容易犯的错误就是把 context 写得太简略。记住——子 Agent 是"失忆"的，它不知道你刚才在聊什么。文件名、行号、错误堆栈、项目路径，能写多详细就写多详细。
进阶实战：并行批处理
这才是 delegate_task 真正发光的地方。一次性派发多个任务，它们会并行执行：
delegate_task(tasks=[
{
"goal": "Research the current state of WebAssembly in 2026",
"context": "Focus on: browser support, non-browser runtimes (Wasmtime, Wasmer), WASI progress, cloud/edge use cases",
"toolsets": ["web"]
},
{
"goal": "Research RISC-V server chip adoption in 2026",
"context": "Focus on: server chips shipping now, cloud providers adopting, software ecosystem maturity",
"toolsets": ["web"]
},
{
"goal": "Fix the build error in the CI pipeline",
"context": "The project is at /home/user/myapp. CI log shows 'ModuleNotFoundError: No module named 'src.utils'' in the test step. Check setup.py and imports.",
"toolsets": ["terminal", "file"]
}
])
三个任务同时启动：
- 子Agent A 在搜索 WebAssembly 最新动态
- 子Agent B 在研究 RISC-V 芯片进展
- 子Agent C 在修 CI 构建错误
3 分钟后，父 Agent 收到三份结构化摘要，可以继续下一步——比如基于前两份研究写报告，同时确认 CI 已修复。
实战场景一：代码安全审查
代码审查是最适合 delegate_task 的场景——让一个"不带偏见"的新 Agent 审视你的代码：
delegate_task(
goal="Review the authentication module for security issues and fix any found",
context="""Project at /home/user/webapp.
Auth module files: src/auth/login.py, src/auth/jwt.py, src/auth/middleware.py.
The project uses Flask, PyJWT, and bcrypt. Python 3.11.
Focus on: SQL injection, JWT validation, password handling, session management.
Fix any issues found and run the test suite (pytest tests/auth/ -v).""",
toolsets=["terminal", "file"]
)
子 Agent 会：
- 逐个读取 auth 模块文件
- 检查 SQL 注入风险、JWT 验证逻辑、密码哈希方式
- 修复发现的问题
- 运行测试套件确认没有引入新 bug
- 返回完整的审查摘要
这在真实团队中的价值在于：你不需要另一个工程师来做 code review，子 Agent 就是一个免费的审查员。
▲ delegate_task 四大实战场景：安全审查、方案对比、代码重构、并行拆分
实战场景二：多方案对比评估
面对技术选型，让三个子 Agent 各自深入研究一种方案，然后你来做决策：
# 在主Agent对话中说：
"我需要为 Django 项目添加全文搜索。请用 delegate_task 并行评估三种方案：
1. PostgreSQL tsvector（内置）
2. Elasticsearch via django-elasticsearch-dsl
3. Meilisearch via meilisearch-python
对每种方案评估：搭建复杂度、查询能力、资源消耗、维护成本。最后给出推荐。"
Hermes 主 Agent 会自动构造三个 delegate_task 调用，每个子 Agent 独立研究一种方案。因为它们互不干扰，每个评估都是独立的，不存在"先入为主"的问题。
父 Agent 收到三份摘要后，综合对比给出推荐。这个过程在传统团队里需要开一个小时的会，在这里只需要 5 分钟。
实战场景三：大规模代码重构
当你面对"把整个 src/ 目录里的 print() 替换成 logging"这种机械但容易出错的任务时：
delegate_task(
goal="Refactor all Python files in src/ to replace print() with proper logging",
context="""Project at /home/user/myproject.
Use the 'logging' module with logger = logging.getLogger(__name__).
Replace print() calls with appropriate log levels:
- print(f"Error: ...") -> logger.error(...)
- print(f"Warning: ...") -> logger.warning(...)
- print(f"Debug: ...") -> logger.debug(...)
- Other prints -> logger.info(...)
Don't change print() in test files or CLI output scripts.
Run pytest after to verify nothing broke.""",
toolsets=["terminal", "file"]
)
子 Agent 会遍历所有 Python 文件，识别 print() 调用，按规则替换为对应的 logging 级别，然后运行测试。关键是——这些中间步骤的几十行输出不会塞满你的上下文窗口，最终你只看到："重构完成，修改了 23 个文件，127 处替换，所有测试通过。"
实战场景四：拆分重构到多个子Agent
对于大型重构，可以把不同模块分给不同子 Agent 并行处理：
delegate_task(tasks=[
{
"goal": "Refactor all API endpoint handlers to use the new response format",
"context": """Project at /home/user/api-server.
Files: src/handlers/users.py, src/handlers/auth.py, src/handlers/billing.py
Old format: return {"data": result, "status": "ok"}
New format: return APIResponse(data=result, status=200).to_dict()
Import: from src.responses import APIResponse
Run tests after: pytest tests/handlers/ -v""",
"toolsets": ["terminal", "file"]
},
{
"goal": "Update all client SDK methods to handle the new response format",
"context": """Project at /home/user/api-server.
Files: sdk/python/client.py, sdk/python/models.py
Old parsing: result = response.json()["data"]
New parsing: same key but add status code checking
Also update sdk/python/tests/test_client.py""",
"toolsets": ["terminal", "file"]
}
])
两个子 Agent 同时工作——一个改后端 handler，一个改客户端 SDK。传统做法是先改后端再改客户端，串行耗时翻倍。
子Agent上下文管理：你必须知道的事
这是整个 delegate_task 中最容易被忽视但最重要的部分。
子 Agent 的上下文是完全空白的。它不记得：
- 你之前和主 Agent 讨论过的内容
- 你项目的目录结构
- 你用的编程语言版本
- 任何前置讨论
所以，context 参数不是你"顺便提一句"的地方——它是子 Agent 的全部信息来源。
写 context 的铁律：
✅ 文件路径：完整绝对路径
✅ 错误信息：完整堆栈，不要摘要
✅ 项目技术栈：语言版本、框架、关键依赖
✅ 约束条件：什么不能改、什么特殊处理
✅ 验证方式：跑什么测试、检查什么输出
❌ "修一下那个 bug"——哪个bug？
❌ "改一下格式"——什么格式？
❌ "和上次一样"——子Agent没有"上次"
配置技巧
▲ 子Agent上下文管理铁律：错误做法 vs 正确做法对比
调整并发数
默认 3 个并发。如果你的任务都很轻量（比如都是纯搜索），可以考虑调高：
# ~/.hermes/config.yaml
delegation:
max_concurrent_children: 5
环境变量方式：DELEGATION_MAX_CONCURRENT_CHILDREN=5
为子Agent指定更便宜的模型
重任务留给主 Agent，轻任务（搜索、简单格式转换）派给便宜的模型：
# ~/.hermes/config.yaml
delegation:
model: "google/gemini-flash-2.5"
这样你的研究类子 Agent 用 Gemini Flash（极低成本），代码修改类子 Agent 还是用主 Agent 的模型。
常见踩坑
坑1：context 写得太简略
症状：子 Agent 返回"I cannot find the file"或"unable to determine the error"。
解法：context 里必须包含文件路径、错误堆栈、项目根目录。宁可多写不要少写。
坑2：忘记指定 toolsets
症状：子 Agent 返回"I don't have access to the tools needed"。
解法：需要读文件就加 "file"，需要执行命令就加 "terminal"，需要搜索就加 "web"。
坑3：并发任务访问同一文件
症状：两个子 Agent 同时改同一个文件，后完成的覆盖了先完成的。
解法：拆分任务时确保不同子 Agent 操作不同文件。如果真的需要改同一文件，用单任务模式而非并行批处理。
坑4：子Agent上下文污染主Agent
不用担心。delegate_task 只返回结构化摘要，子 Agent 中间的几十次工具调用完全不会进入父 Agent 的上下文窗口。这也是它的核心设计优势之一。
坑5：把 delegate_task 和 cron job 搞混
delegate_task 是把一个任务派给子 Agent 立即执行，适合需要等结果的场景（代码审查、研究、重构）。
terminal(background=True, notify_on_complete=True) 是启动一个后台进程，适合长时间运行的构建、部署、测试套件。
cron 是定时任务，适合每天自动执行的重复工作（日报、数据采集、备份）。
三者用途不同，不要混用。
什么时候不该用 delegate_task
虽然 delegate_task 很强大，但不是所有场景都适合：
- 简单的一行命令：
terminal("ls -la") 比 delegate_task 快得多 - 需要紧跟对话流的任务：子 Agent 不知道你在聊什么，如果任务高度依赖对话历史，直接在父 Agent 里做
- 需要人工确认的操作：子 Agent 不会中途问你"这样可以吗"，它只会按指令执行到底。如果有决策需要你参与，不要委托
- 需要读写父Agent上下文记忆的任务：子 Agent 无法访问
memories/ 目录
完整的每日工作流示例
假设你是一个独立开发者，每天早上需要：
- 查看 GitHub Issues 和 PR 动态
- 阅读 AI 行业最新新闻
- 检查生产环境日志是否有异常
用 delegate_task 一步搞定：
delegate_task(tasks=[
{
"goal": "Check GitHub notifications and summarize important items",
"context": "Repository: myorg/myapp. Check open issues, recent PRs, and any mentions. Summarize in 5 bullet points max.",
"toolsets": ["web"]
},
{
"goal": "Catch up on AI industry news from the last 24 hours",
"context": "Focus on: LLM releases, AI agent frameworks (Hermes Agent, OpenClaw, Claude Code), MCP ecosystem updates, AI regulation news.",
"toolsets": ["web"]
},
{
"goal": "Check production logs for errors in the last 12 hours",
"context": "SSH into prod-server (ssh prod-server). Check /var/log/app/error.log for entries in the last 12 hours. Summarize any critical errors.",
"toolsets": ["terminal"]
}
])
3 分钟后你得到三份报告，一天的工作优先级一目了然。
总结
delegate_task 是 Hermes Agent 从"一个聪明的助手"进化为"一个能管理团队的操作系统"的关键工具。核心要点：
- context 是子Agent的全部世界——写得越详细，结果越好
- 并行批处理是效率倍增器——3 个任务同时跑，不是 3 倍速，而是 3 个独立工作者
- 子Agent不污染父Agent上下文——中间步骤静默执行，只回传摘要
- 为不同任务选择不同模型——省钱的同时不牺牲质量
- 划分好任务边界——不同子Agent操作不同文件，避免冲突
动手试试：打开 Hermes Agent 终端，输入"帮我把 src/ 目录所有 Python 文件的 TODO 注释收集到一个文件里"，看看 delegate_task 是怎么自动分解和执行这个任务的。
*本文由AI辅助创作，经人工审核编辑发布*
#AI创业 #Agent工坊 #HermesAgent #多Agent协作 #一人公司
本文由AI辅助创作，经人工审核编辑发布
