每个孩子有自己的工作台，师徒之间只靠纸条往来。
Flashduty AI SRE（ https://www.flashduty.com ） 是一个专注 SRE 领域、帮你做故障根因分析、日常运维工作的 AI Agent 产品，注册即可免费试用。这是系列文章《Flashduty AI SRE 技术揭秘》第 4 篇，本系列会持续分享我们在 agent 工程上的真实设计、踩过的坑和做过的取舍。
上一篇结尾留了个预告：这篇聊 multi-agent 里少有人写的细节。业界讲 multi-agent，讲的多是编排范式、协作模式；真把它做进产品，坑全在没人写的地方——子 agent 跑到一半想向父 agent 提问怎么办？父 agent 怎么知道自己还有几个孩子在跑？孩子的回答是"残的"，系统怎么知道？
这篇讲我们在父子通信上做的四个设计，每个背后都有具体的翻车现场。
孩子不是一次工具调用，是一个完整的会话
第一个决策：子 agent 不是父会话里的一次工具调用，而是一个独立的会话——有自己的消息队列、自己的 actor、自己的上下文，复用第一篇讲的那整套会话运行时。派发工具 agent_dispatch 是异步的：同步返回一个 task_id 和 async_launched 状态，结果稍后以通知的形式回来。
异步派发有个直观的失败模式，我们在第 3 篇提过：模型不知道"结果会自己回来"，就原地空转等——真实审计里抓到过一个模型 busy-wait 时连续跑了 38 次 echo、14 次 date。第 3 篇讲的 dispatch checkpoint 是防御的一半：这一轮直接结束，不给它空转的机会。另一半在派发工具的返回值里：除了 task_id，还有一段明确的指引，告诉模型"不要轮询、不要等待，结果会以 <task-notification> 的形式回来，在那之前继续做别的或收尾"。checkpoint 管"停下来"，指引管"停下来之前别作妖"。
孩子跑完一轮后，结果怎么回到父会话？走队列：子侧把终态先落库，再组一条通知消息 LPUSH 进父会话的队列，父的 actor 被唤醒后处理。顺序是先落库、后投递，且只有投递确认成功才标记"已通知"；投递失败没关系，后台有一个 reconciler 定期扫库，发现"终态但没通知"的任务就从行状态重建通知重发。通知必须至少到达一次，重复由去重键吸收。
父被唤醒时，队头经常躺着好几条通知（十个孩子可能扎堆完成）。这里有一层合批：队头连续的通知合并成一条消息送给模型，省一轮一轮的唤醒成本。合批的规则简单到有点朴素：没有窗口、没有上限，就是"队头连续的通知形消息"，遇到第一条非通知（比如真人消息）就停。但有一个例外是硬性的：子 agent 主动发给父的消息（提问、进展汇报）永远不参与合批——每个孩子的声音都是独立的一轮，不能被揉进别人的通知里。
还有一条容易做错的规则：本地子 agent"提问"的那一轮，不发完成通知。因为孩子提问时任务没结束，只是挂起等回答；此时发一条"完成"通知会把任务翻成终态，压在即将到来的回复上面。问题本身已经躺在父队列里了，安静等父回答即可。
上行消息限 2000 字符：父要为每个字符付钱
子给父发消息，我们定了一个上限：2000 个字符。
直觉上孩子的汇报越详细越好，证据链完整、过程清楚。这个直觉的问题在于：子 agent 发上来的每个字符，都要进父 agent 的上下文窗口，父要为它付 token 成本——而保护父的上下文窗口，恰恰是一开始派孩子出去的目的。一个孩子交上来三万字的完整排查过程，扇出就白做了。
所以上限的语义是：给孩子发消息的空间，不是给孩子写最终答案的空间。需要更多篇幅才能讲清楚的事，说明那是孩子的工作产物，应该落在文件里、把路径报上来，而不是塞进消息。
实现的几个细节：
- 按字符数算，不按字节。中文和英文同宽，不存在"写中文吃亏"的问题。
- 超限报错，不截断。截断是静默丢信息——孩子以为自己说完了，其实最关键的结论恰好被切掉。报错把"哪些值得说"的决定权留给最了解内容的一方，让它自己重写。报错文案也直说：发那个父 agent 能据此行动的发现，别发完整过程。
- 除了长度还有频率：每轮最多 5 条上行消息。但超了不报错，返回一个"限额已到"的状态让孩子继续干活——报错只会让它换个姿势重试。
别让父 agent 自己数孩子
父 agent 扇出五个孩子之后，一个自然的问题是：它怎么知道还有几个在跑？
直觉解法：让模型自己记。派的时候记着"5"，每收到一条完成通知减一，减到零就总结。这个办法在演示里永远是对的，在生产里恰好会在最要紧的时候出错：孩子一多、唤醒次数一多、历史再被上下文压缩折叠过一轮，“派了几个减回来几个"这道算术就必错，而且两个方向都错——孩子还在跑就下了结论，或者孩子早回了还在干等。
这个数字，我们这边一次 DB 查询就有，模型那边却不可猜。所以答案就是：我们直接告诉它。每次父被通知唤醒，消息末尾附一行从库里查出来的实况：
<siblings running="2" awaiting-input="1" done="5"/>
上：记忆减法在"孩子多、唤醒多、历史被折叠"时必错；下：每次唤醒附一行实况，不用算。
这行有个故意的偏执：看不懂的状态一律计入 running。终态计 done，等输入计 awaiting-input，剩下包括我们不认识的状态全算 running。多报的代价是父多等一会；少报的代价是父在孩子还在跑的时候就下了结论——后者就是这行存在的意义，所以宁可多报。DB 查不动的时候整行静默省略，不让一个辅助信息阻塞通知主链路。
“答案是残的"不能只是一句散文
最后一个坑在数据形态上。子 agent 的轮次可能没跑完自己的计划就被截断——撞上步数上限，或者重复同一批工具调用被防死循环的 guard 硬停。这时候它交回来的回答是部分结果。
以前，“这个答案是残的"这件事唯一的记录，是回答里的一句英文散文。散文 SQL 读不了、代码用不稳：想回答"我们多常截断子 agent、是哪个 guard 在切"这种问题，只能靠 grep。而这恰恰是判断"步数上限是不是定低了"“防死循环是不是太敏感"的输入数据。
修法是给任务表加了一列 truncated_reason：
step_limit：撞了 agent 自己声明的步数上限；loop_guard：同一批工具调用重复到被 guard 硬停；- 空串：正常跑完了自己的轮次。
几个设计选择：被截断的轮状态仍然是 completed，不新增任务状态——guard 会塞给模型一条合成的收尾消息，这轮确实是"完成"了；不加状态，状态机、前端、reconciler 就都不用动。每轮结束都写这列、包括写空串——被挂起再恢复的任务不会拖着上一轮的标记。这列和终态在同一次原子写入里落库，所以任何时刻去观察一行终态任务，标签都已经在场。通知块里也带上 <truncated> 子标签，reconciler 补发通知时从这列重建——补发的和当时活着的那条说同一件事。
从此"答案是残的"是一个 where 条件，不再是 grep 表达式。
取舍与边界
深度只有两层。 主 agent 能派孩子，孩子不能再派孙子——派发、停止任务这类工具在子会话里直接被裁剪掉，工具面按会话深度分流（同一个 agent_message 名字，深度 0 是"发给我的孩子”，深度 ≥1 是"发给派我出来的那个”，实现是两把不同的工具）。单层扇出的复杂度已经够写一篇文章了，嵌套扇出的收益我们还没看到。
父的"等待"是一连串唤醒。 异步架构里没有真正的阻塞等待：父每次被通知唤醒都是一轮新的模型调用，都有成本。孩子越多、回得越零散，父被唤醒的次数越多。合批缓解了这个成本，但没消除它。
等待不能没有兜底。 孩子向父提问后挂起，如果父那边出了意外永远没人回答，孩子不能挂到天荒地老：后台 sweeper 会把 30 分钟无人回答的提问置为失败。所有"挂起等外部事件"的设计都必须配一个超时回收，没有例外。
这篇讲的是父子之间怎么通信，下一篇回到上下文本身：所有 agent 系统都做压缩，但"压缩请求本身的成本"很少被讨论——我们怎么让 summarizer 蹭上主对话的 prompt cache。
这是 “Flashduty AI SRE（ https://www.flashduty.com ）技术揭秘” 系列的第四篇。我们在做一个专注 SRE 领域、帮你做故障根因分析的 AI Agent 产品，本系列会持续分享我们在 agent 工程上的真实设计、踩过的坑和做过的取舍。
