目录

💡 什么是 Subagent 工具？它是如何工作的？

核心工作流程：

进阶特性：子模型也能有自己的工具！

🆚 Subagent (子智能体) vs. Advisor (顾问)

💰 为什么说它能大幅节省成本？

🚀 对 AI Agent 开发的 4 点重大启示

1. Agent 架构范式的转变：“微服务化”

2. 精细化的成本控制思维

3. 解决长上下文带来的“干扰”与“遗忘”

4. 驱动多 Agent 嵌套落地

总结

最近，知名大模型 API 聚合平台 OpenRouter 宣布推出了一项非常实用且极具启发性的新功能：openrouter:subagent (子智能体) 服务器工具。

这项功能解决了一个目前 AI Agent 开发中普遍存在的痛点：我们总是习惯把所有任务、所有上下文都塞给一个最聪明但也最昂贵的大模型（比如 GPT-4o 或 Claude 3 Opus），让它包揽一切脏活累活。 这不仅导致 API 成本居高不下，还容易让大模型在冗长的上下文中“迷失重点”。

Subagent 工具的出现，提供了一种优雅的“主脑 + 廉价双手”的解决方案。本文将带大家深度解析这项新机制，并探讨它对我们日常进行 AI Agent 架构设计的重大启示。

---

💡 什么是 Subagent 工具？它是如何工作的？

简单来说，Subagent 机制允许一个强大、昂贵的主模型（Orchestrator），在生成回复的中途，将一些机械性、独立的子任务，下放给一个更小、更便宜、更快的子模型（Worker）去处理。

(图片来源：OpenRouter 官方博客)

核心工作流程：

1. 配置工具：在你的 API 请求的 tools 数组中添加 openrouter:subagent 工具，并指定一个便宜的子模型（例如开源的 z-ai/glm-5.2）。
2. 主动委派：当主模型在执行复杂任务时，如果遇到例如“总结一份 2000 行的文档”、“提取 JSON 结构化数据”、“格式化代码”等不需要复杂推理的任务，它会主动调用这个子智能体。
3. 隔离执行 (Isolation)：非常重要的一点，子模型看不到主模型的历史对话或上下文。它只能看到主模型显式传递给它的 task_description（任务描述）。这确保了任务是一个完全干净、隔离的工作单元。
4. 返回结果：子模型光速打完工，将结果返回给主模型，主模型再基于这个结果继续它的大局编排。

基础调用示例代码：

{
  "model": "anthropic/claude-opus-4.8",
  "messages": [{ "role": "user", "content": "审计这次发布：总结变更日志，列出破坏性更新，并起草一份发布公告。" }],
  "tools": [
    {
      "type": "openrouter:subagent",
      "parameters": { "model": "z-ai/glm-5.2" }
    }
  ]
}

进阶特性：子模型也能有自己的工具！

你甚至可以赋予子模型专属的工具（例如网页搜索）。子模型会在内部运行自己的“思考-行动”循环，最后只把最终结果吐给主模型：

{
  "tools": [
    {
      "type": "openrouter:subagent",
      "parameters": {
        "model": "z-ai/glm-5.2",
        "instructions": "你是一个快速、专注的打工人。请严格按照描述完成任务。",
        "tools": [{ "type": "openrouter:web_search" }]
      }
    }
  ]
}

---

🆚 Subagent (子智能体) vs. Advisor (顾问)

熟悉 OpenRouter 的开发者可能知道他们还有一个 advisor 工具。这两者有什么区别呢？

特性	Advisor (顾问工具)	Subagent (子智能体)
方向	向上求助 (向更强的模型请教)	向下委派 (把脏活扔给便宜模型)
模型选择	主模型在每次调用时动态选择	在 tool definition 中固定配置
适用场景	“遇到架构设计难题，帮我参谋一下”	“帮我把这段文本格式化成 JSON”
上下文记忆	共享请求上下文、对话历史	无 (每次任务完全独立隔离)

在一个优秀的 Agent 架构中，这两者完全可以结合使用：主模型指挥大局，遇到难题问 Advisor，遇到脏活累活丢给 Subagent。

---

💰 为什么说它能大幅节省成本？

代币消耗是分开计费的。主模型只消耗它用来“思考和决策”的 token，而大量的输入输出产生的 token 费用，将按照便宜模型来计算。

Review

主脑与小手协作

(概念图：强大的中央 AI 核心只负责调度，机械的分拣任务交给外围机械臂处理)

假设主模型 Claude Opus 的价格是 5/5/25（每百万 tokens 输入/输出），而子模型 GLM 5.2 的价格是 1.40/1.40/4.40。对于动辄几千上万 token 的文本提取和总结任务，使用 Subagent 能轻松帮你把这部分的成本降低数倍，而整体输出的质量由于主模型的把控，几乎不会受影响！

---

🚀 对 AI Agent 开发的 4 点重大启示

这项特性的推出，对当前的 Agent 架构设计和工程实践有极大的启发。如果你正在开发基于 LLM 的应用，以下几点值得深思：

1. Agent 架构范式的转变：“微服务化”

以前我们习惯构建“单体”大模型应用。未来的 Agent 设计应该走向**“主脑 (Frontier brain) + 廉价双手 (Budget hands)”** 的微服务架构。

Review

架构演进示意图

(左侧：传统单体AI苦于任务繁多；右侧：主脑指挥子智能体分工合作)

• 主脑：专门负责任务拆解、逻辑推理、决策制定。
• 双手：封装成具有单一职责的 Subagent（总结专员、爬虫专员等）。

2. 精细化的成本控制思维

在代码层面审视所有的 Agent Action：区分出哪些是推理密集型 (Reasoning-intensive)，哪些是输入/输出密集型 (I/O-intensive)。把 I/O 密集型且逻辑简单的任务交给 Subagent，把好钢用在刀刃上。

3. 解决长上下文带来的“干扰”与“遗忘”

如果用户上传了一份 5 万字的文档，不要把原文直接塞给主模型的 Context。让主模型生成一个明确的提取指令（如：“寻找关于退款规则的条款”），交给 Subagent 去长文档里“大海捞针”。Subagent 返回的只是几句话的精华，这样主模型的注意力就能始终保持高度聚焦。

4. 驱动多 Agent 嵌套落地

API 级别的原生 Subagent 支持，实际上提供了一个轻量级的层次化 Agent (Hierarchical Agents) 框架。这极大地降低了我们自己从零手写复杂多智能体调度逻辑（如 AutoGen, CrewAI 的底层通信）的门槛。

---

总结

OpenRouter 的 openrouter:subagent 工具不仅仅是一个新 Feature，它更代表了一种更成熟、更工程化的 LLM 应用开发理念：解耦、隔离、成本效益最大化。

对于我们开发者而言，是时候重新审视自己的 Agent 架构，把那些消耗昂贵 token 的“无脑任务”剥离出来了！

你目前的 Agent 项目中，有哪些任务是特别适合交给 Subagent 来做的呢？欢迎在评论区留言讨论！

(关注我，持续分享 AI Agent 开发的前沿技术与实战经验！)