不同智能体的上下文如何保持一致
提问
让多个智能体共享同一份可读写的上下文文件,而不是各自复制一份;只加载当前任务需要的材料,并让程序负责确定性的步骤。
先分清哪些上下文该共享,哪些该隔离
立正提到,Cursor 这类工具的上下文是按项目、按文件夹隔离的,每个 project 有自己的上下文1。这提示多智能体协作时,不必把所有信息都塞进每个智能体的窗口。更实际的做法是:把价格、权益、事实、来源边界这类当前决策必须遵守的内容作为“active contract”共享;旧案例、写作原则、视觉参考只作“reference”,需要时才读2。立正还指出,上下文互相竞争时,模型通常会取平均,给得越多不一定越好2。所以共享的应是约束和主线,不是全部历史。
把中间结果留在文件里,而不是留在对话里
立正转述的工程判断是:该让模型理解的信息进 context,该由程序确定执行的步骤走程序3。他举的例子是,工具已返回结构化数据,渲染界面本可由普通程序完成,再让模型转述一遍既占上下文又增加出错机会3。对应到多智能体,一个智能体产出的中间结果可以写成 Markdown 文件,另一个智能体按需读取,而不是靠对话逐句传递。立正自己也建议把上下文沉淀成 Markdown,并强调 skill 应给工具、结果要求和边界,而不是教 AI 做事4。
多开智能体前,先判断任务能否真正分解
结合提问者的处境立正观察到,模型遇到复杂任务时容易把“更努力”翻译成“再开几个 subagent”,但这些 subagent 往往来自同一模型、继承相似上下文,也容易犯相关性很高的错误5。五个相似的智能体不等于五种独立判断,每多一个分支就多一份上下文和一次协调5。因此,如果你想让多个智能体保持一致,先问这件事能否被真正拆开;能拆的,用共享文件对齐输入和输出格式;不能拆的,用一个智能体加按需读取的资料,反而更稳。这是 AI 基于上述判断的应用建议。
现有片段没有给出多智能体共享上下文的具体实现方案或冲突解决机制;上述做法是从单智能体的上下文管理经验推演而来,需要按你的任务验证。
回到5份原文
说明上下文按项目隔离,以及统一入口和统一上下文的设计。
区分 active contract 与 reference,并解释上下文过多会取平均。
给出“该进 context 的进 context、该走程序的走程序”的工程判断。
可回到原文核对这部分判断
解释多开 subagent 为何不自动带来独立判断。