“用户提问：'我明天从北京飞杭州，落地后去西湖，要带伞吗？'——在 AgentScope 1.x 时代，我们通过 Pipeline 依次串联天气、航班、景点三个 Agent 来实现此类需求。而在 2.0 版本中，我们采用 subagent 机制，配合 workspace/subagents/*.md 文件进行描述：主 Agent 自主决策是优先查询天气还是航班，三个 subagent 并行启动，高效协同。这便是 AgentScope 2.0 推荐的『文件驱动 subagent』实战方案。”

通过本章学习，你将掌握以下核心技能：如何使用 Markdown 文件定义 subagent、如何借助 SubagentDeclaration 在 Java 端增强其能力、以及如何利用 agent_spawn 的同步与异步组合实现并行调研。

10.1 工程结构

首先，我们来看一个简洁的项目骨架。它没有复杂的继承关系，也没有冗长的配置信息，文件夹结构本身即代表了全部设计逻辑。

```text tra vel-assistant/ ├── pom.xml └── workspace/ ├── MEMORY.md ├── subagents/ │ ├── weather.md │ ├── flight.md │ └── attraction.md └── state/ └── session-*.json (JsonFileAgentStateStore 自动生成) ```

所有核心业务逻辑均沉淀在 workspace/subagents/ 目录中。接下来，我们通过三个 Markdown 文件来定义三个微服务 Agent。

10.2 三个 subagent 文件

以下是 workspace/subagents/weather.md 的内容，这是一个典型的“文件驱动式”Agent 声明示例。

```markdown id: weather description: | 查城市天气。 输入：城市名 + 日期（YYYY-MM-DD）。 输出：温度区间、是否下雨、是否需要带伞。 sysPrompt: | 你是一个气象助理。 用户给你一个城市和日期，你返回： - 温度（高/低，摄氏度） - 是否下雨 - 是否需要带伞 严格三行，不超过 60 字。 ```

接下来是 flight.md 和 attraction.md，它们遵循相同的规范：一个明确的 id、一段精准的 description，以及一个指导行为逻辑的 sysPrompt。

```markdown id: flight description: | 查航班信息（mock）。 输入：出发城市 + 到达城市 + 日期。 输出：航班号、起飞时间、到达时间。 sysPrompt: | 你是一个航班查询助理。 根据用户输入给出一个 mock 航班号和起降时间。 注意：测试环境，无需真查询，给出合理 mock 即可。 ``` ```markdown id: attraction description: | 景点信息助理（mock）。 输入：城市 + 景点名。 输出：开放时间、是否需要预约、周边交通。 sysPrompt: | 你是一个导游助理。 根据用户输入给出景点的实用信息。 ```

简而言之，这三份描述文件共同构成了主 Agent 的“路由表”。主 Agent 调度哪个 subagent，完全依赖于 description 字段的内容。一个设计精巧的 description，其价值远超复杂的硬编码逻辑。

10.3 在 Java 端补强 subagent

对于那些需要真实后端能力（例如接入天气 API）的 subagent，我们可以在 Java 端注册一份增强声明。HarnessAgent 会自动合并文件声明与代码声明，实现“声明式 + 编程式”的有机结合。

```ja va import io.agentscope.core.agent.RuntimeContext; import io.agentscope.core.message.UserMessage; import io.agentscope.core.model.DashScopeChatModel; import io.agentscope.core.tool.Toolkit; import io.agentscope.harness.agent.subagent.SubagentDeclaration; import io.agentscope.harness.HarnessAgent; import ja va.nio.file.Path; import ja va.util.List; public class Chapter10_Tra velAssistant { public static void main(String[] args) { DashScopeChatModel model = DashScopeChatModel.builder() .apiKey(System.getenv("DASHSCOPE_API_KEY")) .modelName("qwen-plus") .build(); Toolkit toolkit = new Toolkit(); toolkit.registerTool(new WeatherLookupTool()); SubagentDeclaration weather = SubagentDeclaration.builder() .name("weather") .description("查城市天气；输入城市+日期，返回温度区间和是否带伞") .inlineAgentsBody("你是一个气象助理，会调用 weather_lookup 工具查真实天气。") .model(model) .tools(List.of("weather_lookup")) // 工具白名单 .build(); HarnessAgent host = HarnessAgent.builder() .name("tra vel_assistant") .sysPrompt(""" 你是一个出行助理。 用户给一段出行需求，自己决定： 1. 是否需要查天气 → spawn weather 2. 是否需要查航班 → spawn flight 3. 是否需要查景点 → spawn attraction 最后用一段自然语言综合三方信息回复用户。 """) .model(model) .toolkit(toolkit) .workspace(Path.of("./workspace")) .subagent(weather) .build(); host.call( List.of(new UserMessage("user", "我明天从北京飞杭州，落地后去西湖，要带伞吗？")), RuntimeContext.empty()) .block(); } } ```

关键点在于 SubagentDeclaration 中的 tools 白名单机制。它允许我们精细控制每个 subagent 能够调用哪些工具。下面的 WeatherLookupTool 是一个简单的 Mock 实现，在生产环境中，它背后连接的是真实的气象 API 服务。

```ja va import io.agentscope.core.tool.Tool; import io.agentscope.core.tool.ToolParam; public class WeatherLookupTool { @Tool(name = "weather_lookup", description = "查城市天气") public String lookup( @ToolParam(name = "city") String city, @ToolParam(name = "date") String date) { // 实际生产里调 https://api.weather.com/... return String.format("%s 在 %s 的天气：22~28℃，局部多云，建议带伞。", city, date); } } ```

10.4 同步与异步 spawn 的选择策略

回到用户最初的问题：“明天从北京飞杭州，落地后去西湖，要带伞吗？”这三个子任务彼此独立，最佳实践自然是“三连发”——通过 async spawn 让三个 subagent 并行运行，大幅提升响应效率。

我们可以在主 Agent 的 system prompt 中直接加入如下指令：

```text "用户问题涉及多主题时，优先使用 timeout_seconds=0 的 async spawn 一次发出， 拿到 task_id 后用 todo_write 跟踪，最后统一汇总。" ```

这个“agent_spawn + todo_write”的组合，正是 AgentScope 2.0 版本的“fanout pipeline”实现，其灵活性和扩展性远超 1.x 版本的 FanoutPipeline。

不过，有一种场景需要同步处理：如果用户明确提出“先告诉我航班信息，再决定下一步”。此时，主 Agent 会自动调用同步 spawn 等待结果返回，而非一次性全量下发。这正是 AgentScope 2.0 的核心优势——调度逻辑由 LLM 根据 system prompt 自主决策，而非依赖硬编码的流程控制。

10.5 跨会话记忆：将“用户常驻地”写入 MEMORY.md

在第一轮对话中，用户提到“我从北京出发”。主 Agent 会自动将这条信息持久化到 workspace/MEMORY.md 文件中。

```text # MEMORY.md ## 用户偏好 - 常驻城市：北京 - 喜欢：少排队 ```

当用户第二周再次询问“周末去上海玩两天”时，主 Agent 会读取这份记忆，获知用户常驻北京，从而自动将返程航班规划为“北京-上海-北京”的完整行程。

在配置了 CompactionMiddleware 后，AgentScope 能够自主维护这份跨会话的长期记忆。关于这一机制的详细实现，我们将在第 18 章中深入展开。

10.6 完整工程演示

工程的 pom.xml 配置非常简洁，核心依赖仅需一个：

```xml 4.0.0 demo tra vel-assistant 0.1.0 17 17 2.0.0-RC2 io.agentscope agentscope-harness ${agentscope.version} ```

启动项目后，workspace/state/ 目录会自动生成会话状态文件：

```text session-2026-06-07T10-23-15.json ```

该 JSON 文件完整记录了本次对话的状态信息。如果后续使用相同的 sessionId 进行调用，状态会自动恢复，实现无缝衔接的对话体验。

10.7 本章小结

• 声明式路由：通过 workspace/subagents/*.md 文件，产品经理也能轻松参与路由配置，降低技术门槛。
• 编程式补强：在 Java 端通过 SubagentDeclaration 可自定义工具、模型及中间件，实现精准的能力控制与扩展。
• 会话隔离：同一份 HarnessAgent 支持多次调用，通过 RuntimeContext.sessionId 实现不同会话间的完全隔离。
• 跨会话记忆：MEMORY.md 由 CompactionMiddleware 自动维护，为 Agent 提供持久化的上下文记忆能力。

下一章我们将探讨“中断与恢复”场景——用户聊到一半关闭浏览器，二十分钟后返回，如何让 Agent 无缝衔接，继续之前的对话。