先说个核心判断：MiMo Code 的子 Agent 编排，本质上是把“单线程的思考”重构成了“多线程的协作”。它不是单纯地加功能，而是让 AI 真正像一支团队那样去推进复杂度高且覆盖面广的任务。
这种做法最大的改变在于：过去我们让 AI 解决一个复杂需求，它往往是一条道走到黑，遇到问题要么卡住，要么草草了事。但在 MiMo Code 里，主 Agent 会扮演团队负责人的角色，它把任务拆解开，分派给携带明确角色和独立上下文的子 Agent 去并行执行。你可以观察它们的进度、随时中断并介入、最后复盘整个决策链条，整个编排过程是可观察、可干预的。
子 Agent 是怎么被派出去的？
当主 Agent 识别到某个任务确实复杂，它不会硬着头皮一路往下推，而是会自动拆解它，生成多个子 Agent。每个子 Agent 都携带一个明确的角色、一份独立的上下文快照，并且共享当前项目的整体状态。
举个例子，你输入了一个需求：“重构用户登录模块，要保证兼容旧接口、新增信息验证、覆盖 90% 以上测试用例”。在传统模式下，AI 可能会先做分析，再写接口，最后才做测试，整个过程是顺序的。但在 MiMo Code 里，你会发现，系统并不会一步步顺序执行。而是立刻派发出好几个并行单元：
- 一个子 Agent 专门负责分析现有接口契约，生成一份兼容性检查清单
- 另一个子 Agent 同步开始编写信息验证码服务及相应的中间件适配逻辑
- 第三个子 Agent 拿到新旧两套逻辑，自动生成对应的单元测试与集成测试桩
- 第四个子 Agent 实时跑测试套件，直接把覆盖率瓶颈反馈回来
所有这些子 Agent 在同一时间并行运行，最终结果统一回传给主 Agent 进行汇总和校验，中间不需要人工去干预步骤执行的先后顺序。
编排过程可观察、可中断、可复盘
这其实非常关键。过去我们面对黑盒式的 AI 执行，要么等结果，要么完全靠猜它在干什么。而 MiMo Code 提供了一个实时的子 Agent 状态面板——默认用 Ctrl+Shift+P 呼出。你可以清楚地看到每一个子 Agent 当前处于什么阶段、已经消耗了多少 token、运行了多少时长，甚至能看到它刚才访问过哪些依赖文件。
一旦某个子 Agent 卡在第三方库的版本冲突上，你完全可以做一些操作：选中那个子 Agent 直接输入指令让它修正依赖策略；或者临时暂停其余所有子 Agent，集中精力调试那个问题节点；甚至可以把当前子 Agent 的上下文快照导出来，留着后续复现或人工审查。
这种透明化的编排，价值在哪里？一句话：让“AI 在干什么”不再靠猜，而是变成全程可追踪、可追溯、可干预的工程流程。
不同模式触发不同编排粒度
按 Tab 键可以切换三种核心模式，它们直接影响子 Agent 的启动策略和协同深度。需要注意，模式切换不是简单的功能开关，而是对任务治理层级的切换——从“动手写”到“动脑想”，再到“动全局管”。
- build 模式：默认启用全权限子 Agent，它们可以执行 Shell 命令、提交 Git、启停本地服务，最适合用于端到端的交付场景
- plan 模式：这种模式下只生成分析型子 Agent，不写代码、不改文件，专注在架构推演、风险扫描和方案对比上，非常适合在技术评审前做准备工作
- compose 模式：按照 spec 自动编排跨阶段子 Agent 流水线，从需求解析到接口设计，再到代码生成、测试验证、文档输出，全程闭环自治
记忆与编排联动，避免子 Agent“各自为政”
一个重要的细节是：这些子 Agent 并不是孤立工作的单元。MiMo Code 的三重记忆机制——项目记忆、会话检查点、任务进度——会持续注入到每个子 Agent 的初始上下文中。
举个例子，如果主 Agent 已经完成了数据库迁移评估，那么后续派发的“API 层重构”子 Agent 会自动继承这个结论，直接把之前的分析跳过去，不会重复做同样的评估。而“前端适配”子 Agent 能读取到后端字段变更日志，直接生成对应的 TypeScript 类型定义。这种上下文继承，避免了子 Agent 之间的信息孤岛。
更关键的是 /dream 命令，它会定期压缩所有分散的子 Agent 执行痕迹，形成一份结构化的任务摘要。这样既能减少上下文中的冗余信息，又能完整保留关键决策链路。下次你再继续同一个项目时，新启动的子 Agent 依然能够接上之前的工作进度，就像团队里无缝交接一样。