Harness宏观架构：基于 PPAF 思维 & REPL 思维，完成 Lead-Agent和Sub-Agent深度拆解

📝

这道面试题及参考答案,会收入《尼恩Java面试宝典PDF》V170版本,请找尼恩领取

原文链接：https://mp.weixin.qq.com/s/nZY5qWD7d8Qb4HQfyIQYEQ

这道面试题及参考答案,会收入《尼恩Java面试宝典PDF》V170版本,请找尼恩领取。

FSAC未来超级架构师

架构师总动员
实现架构转型，再无中年危机

尼恩说在前面

在45岁老架构师尼恩的读者交流群（50+人）里，最近不少小伙伴拿到了阿里、滴滴、极兔、有赞、希音、百度、字节、网易、美团这些一线大厂的面试入场券，恭喜各位！

前两天就有个小伙伴面腾讯，问到 **“ 听说过Harness Agent 吗？你们怎么实现 Harness Agent 的？ ”**的场景题，小伙伴没有一点概念，导致面试挂了。

小伙伴没有看过系统化的答案，回答也不全面 ，so，面试官不满意，面试挂了。

小伙伴找尼恩复盘，求助尼恩。

通过这个文章，这里尼恩给大家做一下系统化、体系化的梳理，写一个系列的文章组成尼恩编著《Harness 架构与源码学习圣经》深入剖析 Harness AI 平台级架构的架构思维与核心源码，使得大家可以充分展示一下大家雄厚的 “技术肌肉”，让面试官爱到 “不能自已、口水直流”。

同时，也一并把这个题目以及参考答案，收入咱们的《尼恩Java面试宝典PDF》V176版本，供后面的小伙伴参考，提升大家的 3高架构、设计、开发水平。

尼恩编著《Harness 架构与源码学习圣经》

第一章：什么是 Harness架构？2026年AI核心范式解析： Harness架构与Agent工程化

具体文章： 54k+Star 爆火！AI 框架新王者 Harness Agent 来了！尼恩来一次Harness穿透式解读

第二章： Harness架构与 LangChain、LangGraph 三者联动的底层逻辑

具体文章： Harness架构与 LangChain、LangGraph 三者联动的底层逻辑

第三章： DeerFlow 源码 14层Middleware 源码解析，又一个 “洋葱责任链模式” 架构思维的经典案例

具体文章： DeerFlow 架构：14层Middleware 架构深度解析，又一个 “洋葱责任链模式” 架构思维的经典案例

第四章：【Design Patterns 】LangChain 超底层四大设计模式，架构师的必备内功，毒打面试官

第四章：【Design Patterns 】LangChain 超底层四大设计模式，架构师的必备内功，毒打面试官

第5章： Harness宏观架构：基于 PPAF & REPL 思维，完成 Lead-Agent和Sub-Agent深度拆解

本文

第6章：深度解析字节跳动DeerFlow 2.0：基于LangGraph的生产级Super Agent驾驭层实现

具体文章：尼恩还在写，下周发布

第7章：Harness架构： Lead Agent 与 Sub-Agent 配合机制与使用决策指南

具体文章：尼恩还在写，下周发布

第8章：Harness架构核心一：断点续跑机制的架构设计与底层源码分析 .

具体文章：尼恩还在写，下周发布

第9章：Harness架构核心二： XXX

具体文章：尼恩还在写，后续发布

估计有 10章以上，具体请关注技术自由圈。

DeerFlow 2.0：Lead Agent 与 Sub-Agent 配合机制与使用决策指南

在 DeerFlow 2.0 主从架构中，Lead Agent 是全局调度中枢，Sub-Agent 是专项执行单元。

两者的配合遵循 “统筹—执行—汇总” 的闭环逻辑，而是否启用 Sub-Agent 核心取决于任务复杂度、执行风险、资源开销与上下文隔离需求。

DeerFlow 2.0 主从架构是 PPAF 智能体执行范式（感知-规划-行动-反思）的工程化落地。

Lead Agent 与 Sub-Agent 分别承担 PPAF 不同环节的核心职责，同时依托“造、驭、相、育”四步工程化支撑体系，实现智能体协作的稳定、高效与可迭代。

Harness 对应“造缰、驭马、相马、育马”四步支撑法，每一步都对应 PPAF 的核心环节，精准解决“工程落地难”的问题：

造缰（Making the Reins）：给智能体“套上缰绳”，定义清晰的接口、协议和约束。比如规定智能体能接收什么格式的输入、能调用哪些工具、输出什么格式的结果，避免智能体“越界”，支撑 PPAF 的“感知”环节（确保采集的信息规范、安全）。
驭马（Riding the Horse）：驾驭智能体按规划执行，实现策略、调度与执行控制。比如智能体规划好要调用 3 个子代理，“驭马”就负责安排哪个先执行、哪个后执行，执行过程中遇到问题如何处理，支撑 PPAF 的“规划”和“行动”环节。
相马（Evaluating the Horse）：观察和评估智能体的表现，建立监控、度量体系。比如实时查看智能体的执行状态（是否卡住、是否报错）、Token 使用量、任务完成率，支撑 PPAF 的“反思”环节（通过评估结果发现问题、修正策略）。
育马（Breeding the Horse）：让智能体持续进化，构建记忆、训练、迭代体系。比如把每次任务的复盘经验存入记忆，定期优化模型和策略，让智能体越用越精准，支撑 PPAF 的“反思”和“长期感知”环节。

下面从协作原理、配合流程、使用场景（必须用 / 不建议用 / 可不用）、决策判断标准、工程化支撑、源码示例六方面完整说明。

基础知识（1）：PPAF 智能体执行范式

PPAF 智能体执行范式与 REPL 容器对接工程，是Harness 平台层（包括 DeerFlow 2.0）主从代理架构实现工程化落地的核心架构思维支撑。

二者深度融合，既保障智能体的自主决策能力，又实现执行过程的可控、可观测与可迭代。

PPAF智能体执行范式，主要包括4个环节： Perception感知、Planning规划、Action行动、Feedback/Reflection反思。

PPAF智能体执行范式，是智能体执行任务的标准工程闭环框架，构建了“感知→规划→行动→反思”的完整循环。

感知作为基础起点，通过各类接口采集用户指令、系统状态等全量信息；
规划作为核心大脑，由LLM主导任务拆解、路径规划与资源分配；
行动作为落地载体，通过调用工具、执行代码等方式实现交互落地；
反思作为优化闭环，通过结果校验、偏差修正与经验沉淀，推动智能体持续进化。

PPAF智能体执行范式，可以完整对应到 Harness 平台层对应的是 “造缰、驭马、相马、育马”四步法支撑体系，分别为感知、规划与行动、反思、反思与记忆环节提供边界约束、调度控制、评估观测与迭代优化能力。

基础知识（1）： REPL 循环容器

REPL 循环容器，包括四环节：Read(读取) -Eval(评估) -Print(打印) -Loop(循环 ) 。

REPL 循环容器，是PPAF 实现工程化落地实现.

REPL 循环容器本质是: 一个带有严格边界控制、智能工具路由与确定性反馈机制的管控容器。

REPL 循环容器核心: 是一个包裹住大语言模型（LLM）这个非确定性的“智能大脑”，将LLM 灵活的推理能力，与确定性的工程执行体系进行无缝衔接。

REPL 循环容器核心: 不确定性的大语言模型（LLM） + 确定性的API调用。

REPL 循环容器与 PPAF 智能体执行范式的关系是什么呢？

REPL 循环容器，是 PPAF 落地层面的设计思维与模式，
PPAF 是天上飞的指导思想，REPL 循环容器地上跑的落地规范，
REPL 循环容器让PPAF 的“感知→规划→行动→反思”闭环能够稳定、可控地落地。

DeerFlow 2.0 是 REPL 循环容器的一个具体的落地， DeerFlow 2.0 中的REPL容器经过工程化适配，深度融入“造、驭、相、育”四步法支撑体系。

REPL 循环容器，其核心逻辑与PPAF各环节的耦合的细节的如下：

（1） Read（读取）环节

Read（读取）环节是REPL容器对应 PPAF感知环节的核心入口，主要由上下文管理器（Context Manager）负责执行。

该环节的核心任务是完成“信息标准化”，将外部世界的零散信息与内部记忆进行整合、清洗与结构化处理，最终转化为LLM能够精准理解的Prompt格式。

外部世界的零散信息包括用户指令、外部API返回的结构化数据、系统内部监控指标。内部记忆包括历史对话记录、过往执行经验。

这一过程完美契合“造缰”工程化支撑的核心目标——为感知环节提供清晰、稳定的输入通道，确保PPAF感知环节采集的信息全面、准确、结构化，为后续规划环节奠定基础。

（2） Eval（评估/执行）环节

Eval（评估/执行）环节是REPL容器对应 PPAF规划与行动环节的核心载体，由调用拦截器（Call Interceptor）与工具执行器协同完成。

当LLM基于Read环节的结构化Prompt，生成规划意图（如任务拆解方案、工具调用指令等）时，调用拦截器会实时捕获这一意图，首先对意图的合理性、安全性进行校验（贴合“造缰”的边界约束要求），随后根据规划意图的类型，将其精准路由至对应的工具执行器。

在工具执行过程中，REPL容器会对执行全流程进行严密监控，包括执行超时控制、资源配额限制、异常捕获与熔断处理，这既体现了“驭马”工程化支撑的调度控制能力，也通过过程监控为“相马”环节的评估提供了实时数据支撑，确保PPAF行动环节的执行精准、安全、高效。

（3) Print（打印/反馈）环节

是REPL容器对应 PPAF反思环节的关键纽带，由反馈汇编器（Feedback Assembler）负责实现。

当工具执行完成后，无论执行成功（返回结构化数据）还是失败（返回异常信息），反馈汇编器都会及时捕获这些执行结果，将其组装成标准化、结构化的“观测结果”，并重新注入到系统上下文中，供LLM进行下一轮的反思与规划。

这一过程既为PPAF反思环节提供了客观、全面的反馈数据，也契合“相马”工程化支撑的评估需求，让LLM能够清晰掌握行动执行的实际情况，为偏差修正、策略调整提供依据。

(4) Loop（循环）环节

是驱动PPAF闭环持续运转的核心动力，也是REPL容器的核心特性。

Read-Eval-Print三个环节并非一次性执行，而是在REPL容器的控制下持续循环推进：LLM基于Print环节的反馈结果进行反思，调整规划策略，随后触发新一轮的Read环节（读取更新后的上下文与规划意图）、Eval环节（执行新的行动指令）、Print环节（反馈新的执行结果），直至智能体达成任务目标、触发终止条件（如任务完成、执行失败超时）.

整个循环过程完美复刻了PPAF“感知→规划→行动→反思”的持续迭代逻辑，也让“育马”工程化支撑的迭代优化能力得以落地: 每一次循环中的经验与偏差，都会被系统记录并沉淀为记忆，用于后续任务的优化。

为何将 REPL 称为循环容器？

在 Harness 平台（DeerFlow 2.0）的语境下，将 REPL 称为“ 循环容器”，并不是指它仅仅是一个简单的代码运行环境，而是借用了计算机科学中“容器”的深层含义——边界控制、环境隔离与生命周期管理。

尼恩提示：原文1w字以上，超过平台限制，此处省略 1000字，具体请参考免费pdf。

完整版本，请参考尼恩免费百度网盘免费pdf ，点赞收藏本文后，找尼恩获取

PPAF、REPL 与“Harness 四步法”思维的对照关系

PPAF 提供了智能体运作的逻辑蓝图。
REPL 提供了工程化落地的容器标准。
“四步法” 则是 Harness 平台在 REPL 容器内部署的具体管控策略，确保了智能体既有自主决策的灵活性，又有工程执行的稳定性。
*PPAF 环节REPL 容器环节核心组件/动作***对应“四步法”**工程化价值
感知

Read (读取)

上下文管理器信息标准化

造缰 (边界约束)

确保输入清晰、稳定，为智能体套上“缰绳”，防止信息噪声干扰。

规划 & 行动

Eval (评估/执行)

调用拦截器工具执行器

驭马 (调度控制)

在行动前进行安全校验与路由，在执行中进行资源与超时控制，确保“驾驭”风险。

反思

Print (打印/反馈)

反馈汇编器观测结果注入

相马 (评估观测)

将执行结果转化为客观的“观测数据”，用于评估行动质量，识别“良马”与策略优劣。

闭环迭代

Loop (循环)

循环控制记忆沉淀

育马 (迭代优化)

通过不断的循环执行，将经验沉淀为记忆，实现智能体的持续进化与“培育”。

1. Harness 造缰：为感知（Perception）与读取（Read）设定边界

对应关系： PPAF 的感知 →→ REPL 的 Read。

如何运作：

“造缰”的核心在于边界约束。在 REPL 的 Read 环节，上下文管理器（Context Manager）不仅仅是读取数据，更是在“清洗”和“标准化”数据。它将外部零散的用户指令、API 数据转化为 LLM 能精准理解的 Prompt。

价值：

就像给马套上缰绳一样，这一步确保了智能体接收到的信息是结构化、无噪声的，防止 LLM 因为输入混乱而产生幻觉或错误理解，为后续的规划打下坚实基础。

2. Harness 驭马：管控规划（Planning）与行动（Action）及评估（Eval）

对应关系： PPAF 的规划/行动 →→ REPL 的 Eval。

如何运作：

“驭马”的核心在于调度控制。当 LLM 在 Eval 环节生成意图后，调用拦截器（Call Interceptor）会立即介入。它不仅要路由工具，更要进行安全校验（意图是否合理？）和过程监控（是否超时？资源是否超标？）。

价值：

这一步将 LLM 的“非确定性推理”关进了“确定性执行”的笼子里。它确保了智能体的行动是安全的、可控的，不会因为错误的规划导致系统崩溃或无限循环。

3. Harness 相马：通过反馈（Feedback）与打印（Print）进行评估对应关系：PPAF 的反思→→ REPL 的Print。如何运作：“相马”的核心在于评估观测。Print 环节通过反馈汇编器（Feedback Assembler）将工具执行的结果（无论是成功数据还是异常报错）封装成标准化的“观测结果”。价值：这相当于伯乐在观察马的奔跑姿态。系统通过 Print 环节获得客观的执行反馈，LLM 才能据此判断刚才的行动是否正确，从而进行有效的反思。没有这个环节，智能体就是“盲人摸象”，无法感知行动后果。

4. Harness 育马：驱动闭环（Loop）与持续进化

对应关系： PPAF 的持续迭代 →→ REPL 的 Loop。

如何运作： “育马”的核心在于迭代优化。Loop 环节不是简单的重复，而是带着“记忆”的循环。每一次 Read-Eval-Print 产生的经验和偏差都会被记录。

价值： 通过不断的循环，智能体能够基于历史反馈调整策略。这种机制让系统具备了成长性，每一次任务的执行都在“培育”智能体，使其在未来处理类似任务时更加高效。

DeerFlow 源码中，Lead Agent 与 Sub-Agent 如何配合？

DeerFlow 2.0 主从代理的协作逻辑，完全贴合 PPAF（Perception 感知、Planning 规划、Action 行动、Feedback/Reflection 反思）智能体执行闭环模型，其中 Lead Agent 主导“感知、规划、反思”三大核心环节，Sub-Agent 专注于“行动”环节的专项落地，两者通过严格解耦实现高效协同，同时依托“造、驭、相、育”工程化体系，确保协作的边界可控、调度有序、可观测可迭代。

Lead Agent（主代理）： PPAF 闭环的“大脑中枢”，承载“造缰、驭马、相马、育马”核心职责

不执行具体工具 / 代码 / 操作，只专注于全局决策与闭环管控，是 PPAF 模型中“感知、规划、反思”环节的核心载体，同时承担“造、驭、相、育”四步工程化支撑的核心职责，具体如下：

核心职责（对应PPAF闭环）：

感知（Perception）：精准解析用户意图、采集任务相关的全量信息（包括用户指令、历史对话、系统状态等），对应“造缰”工程维度的接口标准化输入，确保感知的全面性与准确性；
规划（Planning）：对复杂任务进行拆解、筛选适配的 Sub-Agent、规划执行路径（同步/异步）、分配资源，对应“驭马”工程维度的策略与调度控制，确保规划的合理性与高效性；
反思（Feedback/Reflection）：验收 Sub-Agent 的执行结果、消解执行过程中的冲突、修正执行偏差，同时将执行经验与偏差信息纳入记忆体系，对应“相马”（评估观测）与“育马”（迭代优化）工程维度，实现闭环迭代；
全局管控：持有完整全局状态、全量工具权限、最高调度权，对接 LangGraph 图执行，控制整个 PPAF 闭环的流程走向与终止条件，确保全局可控。

工程化定位：

作为 Harness 工程化体系的核心载体，承担 REPL 容器的“Read（读取）、Eval（评估）、Print（反馈）、Loop（循环）”全局管控职责，将 LLM 的非确定性推理能力，接入到确定性的工程执行体系中。

Sub-Agent（子代理）： PPAF 闭环的“执行终端”，依托工程化体系实现安全高效行动

具备专项能力、最小权限、沙箱隔离特性，专注于 PPAF 模型中“行动”环节的专项落地，是“驭马”（执行控制）与“造缰”（边界约束）工程维度的具体体现，具体如下：

核心职责（对应PPAF闭环）：

行动（Action）：接收 Lead Agent 分配的子任务，在沙箱环境中独立执行（调用专项工具、执行代码、处理专项任务），并以结构化形式返回执行结果，不干预全局 PPAF 闭环流程；
边界约束：上下文完全隔离、工具权限受限（仅持有完成子任务所需的最小权限）、独立超时/终止条件，对应“造缰”工程维度的安全边界与接口约束，避免执行过程对全局系统造成影响。

工程化定位：作为 REPL 容器中“Action”环节的具体执行者，被 Lead Agent 调度管控，执行完成后自动销毁，无状态残留，既降低资源开销，也符合“造缰”工程维度的安全隔离要求，同时其执行状态可被“相马”体系实时观测。

Lead Agent 与 Sub-Agent 标准协作流程（结合 PPAF与REPL容器逻辑）

DeerFlow 2.0 主从代理的标准协作流程，是 PPAF 闭环与 Harness REPL 容器逻辑的完整落地，形成“感知→规划→行动→反思”的生产级闭环，每一步均对应工程化支撑体系的具体要求

尼恩提示：原文1w字以上，超过平台限制，此处省略 1000字，具体请参考免费pdf。

完整版本，请参考尼恩免费百度网盘免费pdf ，点赞收藏本文后，找尼恩获取

Lead Agent 与 Sub-Agent 三种典型协作模式

基于 PPAF 闭环逻辑与“驭马”工程的调度能力，DeerFlow 2.0 内置三种典型协作模式，分别适配不同任务特性，实现效率、质量与灵活性的平衡，每种模式均对应完整的 PPAF 闭环

尼恩提示：原文1w字以上，超过平台限制，此处省略 1000字，具体请参考免费pdf。

完整版本，请参考尼恩免费百度网盘免费pdf ，点赞收藏本文后，找尼恩获取

DeerFlow 什么时候必须用 Sub-Agent ？

当任务无法通过 Lead Agent 单独完成 PPAF 闭环，或单独完成会导致闭环断裂、安全风险、效率低下时，必须启用 Sub-Agent。

本质是通过 Sub-Agent 强化“行动”环节的专项能力，同时依托“造、驭、相、育”工程化体系，解决 Lead Agent 单独执行的痛点

尼恩提示：原文1w字以上，超过平台限制，此处省略 1000字，具体请参考免费pdf。

完整版本，请参考尼恩免费百度网盘免费pdf ，点赞收藏本文后，找尼恩获取

DeerFlow 什么时候不用 Sub-Agent？

当任务可通过 Lead Agent 单独完成完整 PPAF 闭环，且启用 Sub-Agent 会增加工程复杂度、降低效率、浪费资源时，不建议启用。

核心是避免“过度设计”，确保 PPAF 闭环的简洁高效，同时降低“造、驭、相、育”工程化体系的不必要开销，具体场景如下：

1. 简单任务（≤2 步、<30 秒）

**典型场景：**天气查询、短文本问答、翻译、简单信息查询；

原因：

子代理创建 / 销毁 / 通信开销 > 执行收益，启用 Sub-Agent 会导致 PPAF 闭环冗余（额外增加调度、通信环节），降低执行效率；
架构冗余、效率降低，无需动用“驭马”“造缰”等工程化能力，Lead Agent 可单独完成“感知→规划→行动→反思”全闭环，且执行高效。

2. 直接问答、无工具调用

**典型场景：**常识问答、概念解释、简短建议；

原因：Lead 可直接通过 LLM 完成“感知→规划→行动→反思”全闭环，无需分解调度，启用 Sub-Agent 属于多余环节，同时增加“造缰”工程的接口调用开销，无实际价值。

3. 强实时、低延迟（<1 秒）

**典型场景：**即时对话、流式响应、高频交互；

原因：子代理调度 + 执行延迟 > 需求阈值，会导致 PPAF 闭环的“行动”环节延迟，影响用户体验；Lead Agent 单独执行可减少调度延迟，确保“感知→行动”的快速响应，满足实时需求。

4. 资源极受限环境（低内存 / 低 Token 限额）

**典型场景：**多 Agent 并发占用更多内存 / Token，成本翻倍，且“造、驭、相、育”工程化体系的运行也需要一定资源支撑，在资源受限场景下，会导致 PPAF 闭环卡顿甚至崩溃；Lead Agent 单独执行可最小化资源占用，确保闭环正常运行。

5. 任务高度一体化、不可拆分

**典型场景：**单句创作、简短代码片段、单一函数调用；

原因：无法拆解为独立子任务，拆分反而破坏逻辑完整性，导致 PPAF 闭环的“规划”环节不合理、“行动”环节碎片化；Lead Agent 单独执行可确保任务逻辑的连贯性，完成完整闭环，无需额外调度 Sub-Agent。

DeerFlow 快速决策表：快速判断什么时候用 Sub-Agent？

*判断维度***用 Sub-Agent（贴合PPAF/工程化需求）**不用 Sub-Agent（贴合PPAF/工程化需求）
步骤数

≥3 步、多阶段、长链路，需拆分实现完整PPAF闭环

≤2 步、单次完成，Lead可单独完成PPAF闭环

执行时长

1 分钟、后台运行，需“相马”工程观测，“驭马”工程调度

<30 秒、即时返回，Lead单独执行无延迟，无需额外调度

工具 / 技能

专用工具、高危操作、多技能，需“造缰”工程隔离，专项行动支撑

无工具、纯生成、通用能力，Lead可单独完成“行动”环节

安全要求

沙箱、权限隔离、高危操作，需“造缰”工程边界约束，“相马”工程审计

无敏感操作、只读 / 无执行，无需安全隔离，Lead单独执行无风险

上下文

10 轮、长记忆、需压缩，需“育马”工程记忆体系支撑，避免闭环断裂

≤5 轮、短对话、无膨胀，Lead可单独管理上下文，闭环高效

并发 / 异步

多任务、批量、后台执行，需“驭马”工程并发调度，“造缰”工程资源隔离

单任务、同步、即时响应，Lead单独执行可满足需求，无需并发调度

可观测性

生产级、审计、调试、可恢复，需“相马”工程观测，“育马”工程迭代

原型、测试、非关键场景，无需复杂观测与迭代，Lead单独执行即可

复杂度

高、易混乱、需模块化，需拆分实现PPAF闭环，依托工程化体系管控

低、清晰、无分支，Lead可单独完成PPAF闭环，无需模块化拆分

四、DeerFlow 源码介绍（结合 PPAF与REPL容器逻辑）

DeerFlow 源码中 Lead Agent 承担 Read、Eval、Print、Loop 管控职责，Sub-Agent 承担 Action 执行职责，同时融入“造、驭、相、育”工程化细节（配置加载、权限控制、状态监控、结果反馈）。

尼恩提示：原文1w字以上，超过平台限制，此处省略 1000字，具体请参考免费pdf。

完整版本，请参考尼恩免费百度网盘免费pdf ，点赞收藏本文后，找尼恩获取

五、总结（结合PPAF与工程化体系，提炼核心价值）

DeerFlow 2.0 主从代理架构的核心，是将 PPAF 智能体执行闭环模型与“造、驭、相、育”工程化支撑体系深度融合，实现智能协作的“决策可控、执行高效、安全可靠、可迭代进化”，具体可总结为：

Lead Agent = 大脑 + 总指挥 + PPAF 闭环中枢 + REPL 容器管控：只做决策、不做执行，主导“感知、规划、反思”三大环节，同时承担“造、驭、相、育”四步工程化支撑的核心职责，确保全局可控、闭环完整；
Sub-Agent = 专项工人 + 沙箱隔离 + PPAF 行动终端：最小权限、独立执行、用完即毁，专注于“行动”环节的专项落地，依托“造缰”工程的边界约束与“相马”工程的观测能力，确保执行安全、精准；
使用原则：简单任务直接走 Lead，通过 Lead 单独完成 PPAF 闭环，最大化效率、最小化资源开销；复杂 / 专项 / 安全 / 长时任务必须上 Sub-Agent，通过主从协作完善 PPAF 闭环，依托工程化体系解决单一 Agent 执行的痛点；
架构价值：主从分工明确，完美契合 PPAF 闭环与“造、驭、相、育”工程化体系，使智能体协作具备鲁棒性强、安全可控、可扩展、适配生产的特点，同时实现 Agent 能力的持续迭代进化，真正将 LLM 的推理能力转化为确定性的工程执行能力。