Sprout — 会自己生长的 Multi-Agent 任务树
MIT 开源框架，独立设计：大任务被 token 上限卡住时，让 Agent 自己分裂成任务树；同题从 25 分提升到 100 分。
做成什么
MIT 开源 · 24 个单元测试覆盖核心模块
状态
受限 token 预算下：单 Agent 25 分 vs Sprout 100 分
对照实验
突破单次 LLM 调用的 token 预算瓶颈
核心价值
问题
预设角色的 Multi-Agent 编排（固定的 researcher / writer / reviewer）适应不了任务的真实形状；单 Agent 又被单次 LLM 调用的 token 与注意力瓶颈卡死——需要让分工结构从任务本身长出来。
做法
核心不是让 AI 更快，而是让大任务不被一次调用的长度上限卡死。Sprout 用树形递归架构：analyze() 先判断要不要拆，execute() 再执行；父节点为每个子任务生成方法论并注入子 Agent 的 system prompt，让角色从任务中涌现；慢分支超过兄弟节点约 2.5× 时取消重拆；再用 max_depth / max_children / max_total_nodes / max_total_tokens 四重上限防止任务树失控。
AI 在这个项目里的角色
框架本身就是 Multi-Agent 工程：分裂决策、straggler 检测、结果汇聚、安全边界全部独立设计——回答「Multi-Agent 到底解决什么问题」的一手实验。
为什么做它
主流 Multi-Agent 编排是「预设角色」：先定好 researcher / writer / reviewer，再把任务塞进去。但任务的真实形状千差万别——预设结构经常不合身。Sprout 反过来：结构不预设，让每个 Agent 拿到任务后自己决定要不要分裂、怎么分裂，任务树递归生长，深度由任务决定。
四个核心设计
1. 两阶段 Worker。 analyze() 用轻量调用先判断「要不要拆」，execute() 再做实际工作。分析与执行分离，分裂决策更准，也更省 token。
2. Approach 注入。 父节点分裂时为每个子任务生成方法论与关注点，注入子 Agent 的 system prompt——子 Agent 的「角色」从任务中涌现，而非人工预设。
3. Straggler 处理。 某个分支耗时显著异常（例如 2.5× 于兄弟节点）就取消并重新拆分。节点做完就死，结果向上汇聚到父节点。
4. 安全边界。 max_depth · max_children · max_total_nodes · max_total_tokens 四重上限防止树爆炸；24 个单元测试覆盖核心模块。
对照实验
受限 token 预算下同一任务：单 Agent 25 分，Sprout 100 分。结论：Sprout 的核心价值不是并行加速，而是突破单次 LLM 调用的 token 预算瓶颈——每个节点都有完整的上下文预算去做自己那一小块事。
链接
- 源码：github.com/hlbbbbbbb/sprout（MIT）