Hierarchical Pattern（层级委派模式）

Manager Agent 将复杂任务分解为子任务，并行分发给 Worker Agents 执行，最后汇总所有结果形成完整输出。

适用场景

复杂、多维度的研究任务——需要不同专业视角（市场分析、技术分析、竞争格局）
商业决策分析——涵盖风险、机会、监管、财务等多个维度
需要多元专业知识的內容生成——数据分析 + 创意写作 + 技术说明
分布式问题求解——子任务可以完全独立执行

不适用场景

简单、单维度任务——分解和汇总的开销不划算
紧密耦合的子任务——某个 Worker 的输出会影响另一个的工作——改用 Debate 或 Reflection
需要 Worker 之间协商的任务——使用 Debate 模式
需要实时流式输出的任务——汇总步骤需要所有 Worker 完成后才能进行

架构图

graph TD
    START --> decompose[Manager: 分解任务]
    decompose --> dispatch{分发子任务}
    dispatch -->|Send| worker1[Worker 1]
    dispatch -->|Send| worker2[Worker 2]
    dispatch -->|Send| workerN[Worker N]
    worker1 --> aggregate[Manager: 汇总结果]
    worker2 --> aggregate
    workerN --> aggregate
    aggregate --> END

核心概念

Hierarchical Pattern（层级委派模式） 以 Manager-Worker 架构为核心。Manager 充当协调者：将复杂任务分解为独立子任务，并行分发给 Worker Agents 运行，最后将所有结果综合成最终输出。

与 MapReduce 的区别：MapReduce 的 Worker 是无状态的映射器，做一次性分析；Hierarchical 的 Worker 是完整的推理 Agent，有自己的内部状态。Manager 执行递归任务分解，而不仅仅是简单分发。

与 Debate 的区别：Debate 中 Agent 之间来回辩论，立场相互影响；Hierarchical 的 Worker 完全独立运行，输出互不影响——聚合只在 Manager 层面进行。

适用场景： 1. 任务有自然的可独立研究的维度 2. 专业知识分布在不同领域 3. 需要并行化工作但保持集中质量控制

快速开始

cd patterns/hierarchical
python example.py

核心代码

class HierarchicalPattern:
    def __init__(self, model=None, llm=None):
        self.llm = llm or _default_llm(model)
        self._worker_graph = self._build_worker_graph()

    def _dispatch(self, state: HierarchicalState) -> list[Send]:
        """分发：一个 Send 对应一个子任务，并行执行"""
        return [
            Send("worker_invoker", {
                "task_id": subtask["task_id"],
                "subtask": subtask["objective"],
            })
            for subtask in state["decomposed_tasks"]
        ]

工作流程

Manager 分解：Manager 接收主任务，将其分解为 3-5 个有清晰目标的独立子任务
分发：图按子任务数量 fan-out，每个子任务通过 Send 并行发送到 Worker 节点
Worker 执行：每个 Worker Agent 独立分析其子任务并产出详细结果
Manager 汇总：所有 Worker 完成后，Manager 将所有结果综合成一份完整的报告

配置参数

参数	默认值	说明
`model`	`gpt-4o-mini`	LLM 模型名称
`llm`	`None`	预配置的 LLM 实例
`num_workers`	`3`	分解提示（实际数量由 Manager 决定）

与其他模式对比

维度	Hierarchical	MapReduce	Debate	Reflection
Worker 类型	推理 Agent	无状态映射器	对抗性辩手	迭代改进器
Worker 依赖	无	无	直接辩论	反馈循环
轮数	1（并行）	1（并行）	多轮	多轮
聚合方式	Manager 综合	Reducer	Moderator	自我评审
最佳场景	多维度研究	多源分析	冲突解决	质量提升

示例输出

原始任务：分析 AI 行业现状...

分解为 4 个子任务：
  - [subtask_0] 技术趋势分析
  - [subtask_1] 市场动态与投资
  - [subtask_2] 竞争格局
  - [subtask_3] 监管环境

Worker 结果：
  >>> [subtask_0] 技术趋势分析
      关键发现：Transformer 架构持续主导...

  >>> [subtask_1] 市场动态与投资
      关键发现：VC 在 AI 领域投资达 180 亿美元...

最终综合报告（Manager 汇总）：
  ## AI 行业分析：综合报告

  ### 技术格局
  Transformer 架构仍是主导范式...