Sage-A1.5 智能体编排模式实战：一个 spawn_subagent 工具如何实现并行子智能体协作

Sage-A1.5 是 InternScience 推出的 35B MoE 智能体（Agent）模型，本仓库提供其 Q8_0 量化 GGUF 权重。它最亮眼的 Agentic Orchestration（智能体编排）模式只需注册一个 spawn_subagent 工具，就能让主智能体把复杂任务拆解成相互独立的子任务，交给多个上下文隔离的子智能体并行执行——本文带你从零理解原理、完成配置并避开常见坑点。

🧩 为什么需要智能体编排：单个 Agent 的天花板

长任务（深度检索、多步工程、科研探索）里，单个智能体常遇到三个问题：

• 上下文膨胀：所有中间结果堆在同一个窗口里，越长越容易"迷路"；
• 串行低效：本可并行的调查被迫排队执行；
• 互相干扰：前一步的偏见会污染后续推理。

Sage-A1.5 在 Agents-A1 基础上专门强化了"组织工作"的能力，官方给出三个核心特性：智能体编排、验证模式（Verification）、开放科学发现。其中编排模式的效果在官方基准中有清晰体现：

基准测试	不开编排	开启编排	提升
BrowseComp	81.7	82.8	+1.1
DeepResearch-Bench2	43.7	47.5	+3.8

💡 关键点：编排模式不需要改模型，也不需要新架构——它通过"向模型暴露一个工具"来开启，任何支持 function calling 的部署（llama.cpp、Ollama、LM Studio 等 GGUF 运行时）都能启用。

⚙️ 工作原理：一次 spawn_subagent 调用背后发生了什么

整个流程可以概括为 5 步：

1. 判断可拆解性：模型识别出任务包含若干相互独立的调查方向；
2. 发起调用：模型调用 spawn_subagent，传入一个 tasks 数组；
3. 并行派发：harness（你的运行框架）同时启动多个子智能体，每个子智能体拥有独立的上下文窗口和独立工具访问，彼此不可见，也无法看到主对话；
4. 结构化返回：每个子智能体返回一个紧凑 JSON：{answer, status, evidence, unresolved_issues}；
5. 汇总综合：结果按输入顺序交回主模型，由它挑战假设、用证据修正结论、合成最终答案。

这种"上下文隔离"正是编排模式的价值来源：并行子智能体之间互不干扰，还能通过证据相互印证，最终汇总为更可靠的综合结果。

关于工具集：子智能体不受固定工具限制，可以赋予搜索、网页阅读、代码执行、检索、内部 API 等任意工具；默认继承主智能体的工具，想收窄或更换时通过 subagent_tools 指定即可。

🔧 spawn_subagent 参数详解：task / context / expected_output 三要素

由于子智能体看不到主对话，每个子任务必须自包含。工具的核心参数如下：

参数	层级	必填	说明
tasks	顶层	是	要并行派发的独立子任务列表（≥1）
task	每个任务	是	自包含的子问题，子智能体没有其他上下文
context	每个任务	是	子智能体所需的背景事实与约束
expected_output	每个任务	是	期望答案的形式，如 "a year YYYY"、"a person name"

一次调用的大致形态：

{
  "name": "spawn_subagent",
  "arguments": {
    "tasks": [
      {
        "task": "北京 2024 年常住人口是多少？",
        "context": "需采用最新官方统计口径",
        "expected_output": "一个人口数字（万人）"
      },
      {
        "task": "上海 2024 年常住人口是多少？",
        "context": "需采用最新官方统计口径",
        "expected_output": "一个人口数字（万人）"
      }
    ]
  }
}

expected_output 相当于对 answer 的格式约束——让返回保持简短、便于主模型合并，这是写好调用的小窍门。

🚀 快速启用步骤：两步开启编排模式

第 1 步：启动支持 function calling 的服务。 权重文件见 Sage-A1.5-Q8_0.gguf（37.8 GB，MoE 权重 + 内置 MTP 层）与视觉投影器 Sage-A1.5-mmproj.gguf（0.9 GB）。注意 GGUF 采用 qwen35moe 架构，必须使用支持该架构的近期版本 llama.cpp / Ollama / LM Studio，旧版无法加载。以 llama.cpp 为例：

./build/bin/llama-server -m Sage-A1.5-Q8_0.gguf \
  --mmproj Sage-A1.5-mmproj.gguf -ngl 99 -fa on -c 65536 \
  --port 8000 --jinja --reasoning-format deepthink

--jinja 开启模型内置的 chat template（function calling 的关键），--reasoning-format deepthink 把模型的自我审查留在 reasoning_content 中，与最终答案分离。纯文本部署可跳过 --mmproj，把省下的显存留给更长上下文（模型最高支持 262,144 tokens）。

第 2 步：在 harness 中注册 spawn_subagent 工具。 把它的 function schema 与你的业务工具（搜索、读页、执行器等）一起注册到请求的 tools 里即可，无需其他配置。完整的 schema 定义与说明见仓库文档 README.md 的 Agentic Orchestration 小节。

至此编排模式即处于可用状态——它默认关闭，"注册工具"就是开关。

📥 结果处理：先查 status，再信 answer

每个子智能体返回一个四字段 JSON：

字段	含义
answer	答案；无法解决时返回 "UNKNOWN"，而不是瞎猜
status	状态；查无实据时为 unknown 或 insufficient_evidence
evidence	支撑结论的证据
unresolved_issues	未解决的问题

实战规则：使用任何子结果之前，先检查 status。 一个诚实返回 UNKNOWN 的子智能体，好过一个自信地编造答案——这正是长程任务可靠性的来源之一。

🧪 避坑指南：6 个容易踩的点

1. 同批任务必须相互独立。同一批次的子任务并发执行、彼此看不到结果；有先后依赖的内容应拆成多次 spawn_subagent 调用，串行逻辑放主流程里。
2. 用 expected_output 约束格式，例如 "a year YYYY"，结果更短更好合并。
3. 批次大小与轮次预算在 harness 侧控制：max_tasks_per_spawn（默认 5）、subagent_max_turns（默认 20）。超大批次会直接报错拒绝，而不是静默截断。
4. 同步更新工具描述。参考 schema 的描述里写死了子智能体"能访问 google_search 和 read_page"——如果你换了一套工具，务必修改这句描述，它是主模型判断子智能体能力边界的唯一依据。
5. 任务必须自包含：子智能体既看不到主对话也看不到其他子智能体，task + context 要写足背景。
6. 采样参数建议采用官方推荐值，对生成质量影响明显：

temperature	top_p	top_k	min_p	presence_penalty	repetition_penalty
1.0	0.95	20	0.0	1.5	1.0

显存方面：Q8_0 权重约 35.2 GiB + 投影器约 0.84 GiB，再加随上下文增长的 KV cache——单张 48 GB 显卡在中等上下文下即可从容运行；显存不足时可用 --tensor-split 分卡或调低 -ngl 把部分层放到 CPU。

🔍 进阶：编排 × 验证，组合出更可靠的长程执行

Sage-A1.5 还提供一个可选的 Verification Mode：它在模型自身的思维链内部做"暂停自查"——回顾已确立的结论与失败的尝试，然后同一轮内按修正后的方向继续，无需外部评审模型。开启方式很简单：

• 请求中通过 chat_template_kwargs 传入 JSON 布尔值 {"verification": true}（注意必须是布尔，不是字符串 "true"）；
• 必须带非空 system message，否则服务端会返回 HTTP 400；
• 服务端需以 --jinja 启动以渲染模板；
• 自查过程输出在 reasoning_content 字段，记得一并读取。

编排模式负责"横向展开"，验证模式负责"纵向纠错"，两者互相独立、可任意组合，是应对长程搜索与科研类任务的好搭档。

📦 资源速览

文件	说明
Sage-A1.5-Q8_0.gguf	语言模型，Q8_0 量化（MoE 权重 + MTP 层），37.8 GB
Sage-A1.5-mmproj.gguf	视觉投影器（图像输入用），0.9 GB
README.md	完整部署指南、参数与基准数据

模型基准结果均基于 BF16 全精度权重评测，本仓库的 Q8_0 量化接近无损。想深入了解性能细节与引用格式，完整说明都写在 README.md 中。

小结：Sage-A1.5 的智能体编排模式把"多智能体并行协作"做成了极轻量的事——一个 spawn_subagent 工具、三要素任务描述、结构化的 JSON 回流。把任务拆独立、写清上下文、约束输出格式，你就能在自己的 agent 系统里快速获得并行子智能体协作带来的速度与可靠性提升。