问题

"调研 10 个竞品"、"审查这 50 个文件"、"给 200 个客户各写一封个性化邮件"——广度优先的任务让单 Agent 串行做：慢、上下文爆炸、质量前紧后松。

核心模式

扇出聚合（Fan-out/Fan-in）：任务切片并行分发，结果聚合归并——MapReduce 思想在 Agent 上的应用。

# 扇出：切片并行，每个 worker 独立上下文
chunks = partition(items, size=5)
partials = await parallel([
    worker.process(chunk, instructions=SHARED_SPEC)
    for chunk in chunks
])

# 聚合：去重、排序、综合
merged = dedupe(partials, key=semantic_hash)
report = aggregator.synthesize(merged, format=OUTPUT_SCHEMA)

两个成败点：切片的独立性（worker 之间不共享状态，各自闭环）和聚合的显式性（归并逻辑是代码/专用 prompt，不是把结果一扔了之）。

实战要点

  • 每个 worker 的产出必须结构化（统一 schema），否则聚合阶段就是灾难
  • 并发要控：20 个 worker 同时打满模型 API 的速率限制，流控退避必不可少
  • 部分失败可降级：50 个文件审了 48 个，报告里如实标注覆盖范围，别让 2 个失败拖死 48 个成功
  • 这是 Deep Research 类系统的骨架模式：广撒网检索（扇出）→ 来源综合（聚合）