不同智能体的上下文如何保持一致

提问

AI根据立正公开的文章和视频整理,不是他本人回复

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

怎样判断一份材料该放进共享约束,还是只作按需读取的参考?

追问

AI根据立正公开的文章和视频整理,不是他本人回复

判断标准是:这份材料是否每次任务都要遵守、且写错会改变执行边界。若是,就放进共享约束;若只是某些问题才需要查的背景,就按需读取。

先问它约束行为,还是提供背景

材料里的观点

共享约束应放那些会改变执行方式的内容:目标、服务对象、不能越过的边界、判断标准。按需读取的材料则是解释、案例、历史记录,只在具体问题出现时才需要。立正在讨论团队知识层时提到,只留下“要做什么”,执行者可以很快完成,却不知道是否还在解决最初的问题;留下目标、对象和理由,执行者才有依据追问任务本身还对不对⁠1。这正说明约束层要放什么:不是所有资料,而是会改变“该不该这样做”的那部分。

确定性规则进约束,模糊判断留给检索

立正把任务分成三类:程序做确定性筛查,AI 处理规则不够用的模糊判断,人做最终判断⁠2。套到材料归置上:格式、字段、硬性流程这类能被明确规则检验的内容,适合写进共享约束,让每次执行都自动遵守;需要看上下文、比对历史案例才能理解的材料,更适合按需读取,避免把大量细节塞进每次都要加载的约束里。他还提到,让模型理解的信息进上下文,该由程序确定执行的步骤走程序⁠3。这是 AI 根据上述分工做的归类推演,不是原文直接给出的归置清单。

一个可操作的检验办法

结合提问者的处境

对每份材料问两个问题:如果这份材料被漏掉,执行结果会不会违反目标或边界?如果它被写错,会不会让后续工作沿着错误方向高效推进?两个答案都是“会”,就放进共享约束;只是“有时需要参考”,就留在按需读取层。立正建议把记忆作为独立工程层解耦,原始材料留在模型之外,建立索引,让模型按需要调用⁠4。这对应一种做法:约束层保持短而稳定,参考材料保留原文和结构,需要时再检索补读。可以先挑一份你正在犹豫的材料,按上面两个问题判断一次,再看实际执行中是否出现“不知道为什么要这样做”的偏差。

提供的片段讨论的是上下文工程、任务分工和团队知识留存,没有直接给出“共享约束 vs 按需读取”的材料分类标准;上面的判断框架是 AI 根据这些原则做的应用推演。

回到4份原文