第 10 章：多 Agent 模式：Agents as Tools

在 YouTube 观看

关于本课

本课程的视频是当时的一个快照。Strands 一直在积极开发，所以本页展示的代码反映的是最新的写法，但视频里讲的概念依然成立。拿不准的时候，以代码为准。

本课代码：samples/10-agents-as-tools

三种多 Agent 模式

Strands 提供三种可组合的多 Agent 模式。每一种解决不同的协作问题，而且它们可以互相嵌套。本课讲第一种，接下来两课讲 Graph 和 Swarm。

模式	结构	适用场景
Agents as Tools	中心辐射式。Orchestrator 调用 specialist	经理与专家的关系明确，上下文需要隔离
Graph	带显式边的 DAG	你能把工作流画在白板上
Swarm	自主交接，没有预定义结构	结构要靠团队一起摸索出来

Agents as Tools

最简单的多 Agent 模式：一个 orchestrator agent 把 specialist agent 当 tool 调用。orchestrator 一直掌握控制权，决定什么时候委派，最后把结果综合起来。

每个 specialist 拿到自己独立的上下文窗口。这是最关键的好处：specialist 可以跑那些输出很吵的 tool（日志读取器、网页抓取器、话很多的 API），处理几千 token 的原始输出，然后只回传一小段结论。orchestrator 的上下文始终是干净的。

直接把 Agent 传进去

最快的方式。把 agent 放进另一个 agent 的 tools 列表，Strands 会自动包装它，用 agent 的 name 和 description 作为 tool spec：

from strands import Agent
from strands.vended_tools.web_fetch import web_fetch

researcher = Agent(
    name="researcher",
    system_prompt="You are a research specialist. Find factual information.",
    tools=[web_fetch],
)

writer = Agent(
    name="writer",
    system_prompt="You are a technical writer. Use the researcher to gather facts.",
    tools=[researcher],  # Pass agent directly as a tool
)

writer("Research the FastAPI GitHub repo and write a 3-sentence summary.")

用 @tool 包装

如果想完全控制 prompt、模型选择以及结果怎么返回，就把 specialist 包进一个 @tool 函数：

from strands import Agent, tool
from strands.models.bedrock import BedrockModel
from strands.vended_tools.web_fetch import web_fetch

orchestrator_model = BedrockModel(model_id="us.anthropic.claude-opus-5")
specialist_model = BedrockModel(model_id="us.anthropic.claude-sonnet-5")

@tool
def research_assistant(query: str, depth: str = "normal") -> str:
    """Research a topic and return sourced findings.

    Args:
        query: The research question
        depth: How thorough - "quick", "normal", or "deep"
    """
    research_agent = Agent(
        model=specialist_model,
        system_prompt=f"You are a research specialist. Research depth: {depth}.",
        tools=[web_fetch],
        callback_handler=None,  # Run silently
    )
    response = research_agent(query)
    return str(response)

writer = Agent(
    model=orchestrator_model,
    system_prompt="You are a technical writer. Use the research assistant.",
    tools=[research_assistant],
)

📂 agent_as_tool.py

数据流：orchestrator 发过去一个字符串，specialist 跑自己的循环，再返回一个字符串。两次调用之间上下文会重置，所以每次委派都是干净的开始。

关键概念

• docstring 就是路由逻辑。 它告诉 orchestrator 什么时候该委派。模型根据 tool 的描述来路由，你永远不用写 if 语句。
• Agent 隔离。 每个 sub-agent 有自己的上下文窗口、模型和 tool。一个 agent 的上下文不会漏进另一个里。
• Orchestrator 的控制权。 什么时候调用 specialist、问什么、怎么用返回的结果，都由 orchestrator 决定。这是一次函数调用，不是交接。
• 模型混用。 orchestrator 用更强的模型（它要推理该委派什么），specialist 用更便宜的模型（它们只做聚焦的工作）。
• 安静运行的 sub-agent。 在 sub-agent 上设 callback_handler=None，就能压掉它们的 streaming 输出，只让 orchestrator 向用户 streaming。

当你要处理的领域能清楚切开、想让一个 agent 把结果统一综合起来，或者需要 agent 之间有 request/response 语义时，就用这个模式。

参考资源

• 📖 Agents as Tools
• 📖 Multi-Agent Patterns Overview