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。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
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
AI推演立正观察到,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。
出处
- 1为什么OpenClaw一定会凉,但我仍然推荐你去试一试?
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。
- 269 个版本,99 次 commit后,我做好了Stay Superlinear的主页
区分 active contract 与 reference,并解释上下文过多会取平均。
- 3通过Jev,辨清AI新技术的叙事陷阱:谁替你决定了什么叫“厉害”?
给出“该进 context 的进 context、该走程序的走程序”的工程判断。
- 4杨天楠:看似体面的工作,实则都是在表演?
可回到原文核对这部分判断
- 5More agents不等于more intelligence|我让AI更努力,它给我写出了311GB的平庸
解释多开 subagent 为何不自动带来独立判断。
追问2026年11月2日
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?
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
AI推演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。
出处
- 1你赚哪份钱,决定了产品该怎么做|切问·立正02
说明只留“做什么”会丢失目标和理由,支持约束层应放改变执行判断的内容。
- 2不要一上来就让 AI 判断一百万条数据|AI与人协作的任务光谱
给出程序、AI、人三类任务的分工,可用于区分确定性规则与模糊判断材料。
- 3通过Jev,辨清AI新技术的叙事陷阱:谁替你决定了什么叫“厉害”?
提到该让模型理解的信息进上下文、确定性步骤走程序,可作归置原则的背景。
- 4从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
提出把记忆解耦、原始材料留在模型外按需调用,支持参考层与约束层分开。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 我想了解下,目前如何管理ai agent,可以提升团队效率
推广卡点多半不在工具本身,而在大家觉得这是在把自己的经验交出去。把 agent 定位成替团队省掉重复搬运,而不是替代人,接受度会高很多。
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。