候选名单从哪来
主专家只能委托给上下文里的专家名单（roster）。这个名单有两个来源： 来源一：白名单（自动注入） 在个性化设置里把委托策略设为白名单，并挑出具体专家。最多 10 个。 来源二：@ 提及（任何策略下都生效） 在输入框里 @ 一个专家，它会被并进名单头部——即便策略是none、即便它不在白名单里。显式提及被视为比开关更强的意图。
无论哪条来源，专家进入名单都必须同时满足：
不满足的会被静默过滤——白名单里填了 5 个只解析出 3 个，对话里不会报错，只是那 2 个不在名单里。名单构建失败也不阻塞对话，只是当次没有委托能力。
@ 两个人以上 = 强制委托
这是行为上的一个硬拐点：- @ 一个专家：只是建议。模型可能委托，也可能自己做——单次提及常常只是引用。
- @ 两个及以上：注入强制指令。模型必须对每一个被提及的专家各调用一次委托，不得自己代做、不得跳过任何一个，最后综合所有结果。
如果你在里面也 @ 了当前专家，那一部分归它自己直接执行——它不在候选名单里，也不需要委托调用。
默认后台执行
委托默认是后台的：工具立刻返回一个任务句柄，主专家继续干别的或者先回复你，被委托方的结果完成后自动注入回来。 只有在「这一轮没有结果就没法往下走」时，模型才会切成同步等待。 执行预算固定 900 秒（15 分钟），服务端与运行时两侧一致，不可延长——传更长的超时只会改变本地等待时长，不会给被委托方更多时间。 超时后你会看到明确的信号：委托 vs. 多任务子智能体
两者都是「分出去做」，但本质不同：
两者都受同一条约束：被派出去的一方拿不到委托与多任务工具（L1 保留），所以链条不会无限递归。被委托方也不能改主对话的计划文档。
成本是叠加的
省钱的两个实操点：- 白名单只放真正会用的。名单本身要占系统提示词的篇幅，10 个专家的简介每轮都在上下文里。
- 委托描述写完整。被委托方看不到你的对话历史，描述不全会导致它反复试错——那比多写两句贵得多。
名单里的简介从哪来
候选专家在提示词里显示的一句话简介，取值顺序是：创作者写的委托简介 → 专家描述 → 空串。 对创作者来说这是个要在意的字段：它决定了别的专家会不会在正确的时机想到你。「擅长把杂乱数据整理成图表并给出统计结论」比「数据分析专家」有用得多。失败与对策
常见问题
委托会污染主对话的上下文吗？
委托会污染主对话的上下文吗？
不会。被委托方在独立会话里跑，只看得到主专家传过去的任务描述，看不到你的对话历史。回来的是结构化摘要，不是它的完整过程。
能完全关掉委托吗？
能完全关掉委托吗？
能。把委托策略设为
none 且不 @ 任何专家，主专家就拿不到候选名单，也就不会发起委托。被委托的专家用它自己的记忆吗？
被委托的专家用它自己的记忆吗？
是的，它带着自己的技能和记忆执行——这正是委托的价值。它不会读到你与主专家的对话记忆。
委托完成后会留下痕迹吗？
委托完成后会留下痕迹吗？
会。完成的委托（专家、任务摘要、结果、耗时）会以一条记忆写入你的记忆库，尽力而为、失败不影响对话。
继续阅读
个性化设置
委托策略、白名单与多任务开关
子智能体与委托
同一专家内部的并行分工
配置你的专家
创作者侧：可委托开关与委托简介
计费公式
token_split 的计算方式