# 多Agent协作中主线程工作记忆是关键瓶颈

- 来源：ginobefun (@hongming731)
- 发布时间：2026-07-29 09:47
- AIHOT 分数：43
- AIHOT 链接：https://aihot.virxact.com/items/cms5flkh702s0ro7czgyzzt34
- 原文链接：https://x.com/hongming731/status/2082281912060833854

## AI 摘要

一篇分析多Agent协作成本的文章指出，真正稀缺的是主线程的工作记忆。作者在Claude Code中同时启动四个子Agent，虽将任务时间从20多分钟压缩至12分钟，但拉回完整运行记录导致数万Token的中间过程长期占据主上下文，造成信息信噪比下降。文章提出“认知局部性”概念，建议共享领域知识和代码上下文的任务应合并执行，子Agent只返回结论和关键证据，主线程保持紧凑以承载长期决策。

## 正文

多 Agent 协作中，真正稀缺的是主线程的工作记忆

BestBlogs 早报里推荐了一篇 Martin Fowler 的文章，作者 Rahul Garg 分享了他对编排层成本的思考，很值得一读。

文章从一次真实的 Claude Code 编程经历讲起。作者正在重构一个 .NET 项目的响应处理流程，同时启动了四个子 Agent。它们分别阅读代码、分析问题并返回结果，执行速度有所提升，但主线程逐渐变得难以梳理。作者因此暂停开发，开始复盘这次任务的委派方式，希望判断四个子 Agent 是否带来了过高的成本。

复盘发现，并行数量并非最突出的问题。三个子任务同时执行，把原本可能需要二十多分钟的工作压缩到了十二分钟左右，说明并行本身具有实际价值。更明显的浪费来自一次看似普通的状态检查：为了了解后台 Agent 的进度，工具把完整运行记录拉回主线程，其中包含大量 JSONL、工具输出和中间推理。类似操作执行两次后，数万 Token 的过程信息长期留在了主上下文。

这件事提醒我们，Token 消耗和上下文污染需要分开看。一次工具调用产生的 Token 成本会结束，但进入主线程的内容会继续参与后续对话。随着无关信息增加，模型需要在更多内容中寻找当前有效的约束、决策和任务状态。即使上下文窗口仍有充足空间，重要信息也可能被重复输出、过期结论和中间过程稀释。长任务真正需要关注的指标，除了上下文容量，还有信息的信噪比和可检索性。

文章还指出了另外两个常见问题。第一，两个子 Agent 虽然负责不同文件，却需要理解相同的架构、测试规范和响应流程。它们分别重建了一遍相似的代码认知，说明任务拆分过细。第二，有 Agent 在多个写入者共享同一工作区时执行了 git stash 和 git stash pop。这次没有造成破坏，但仓库级操作会影响所有参与者，在并发环境中很容易覆盖或扰乱其他人的修改。

作者由此提出了「认知局部性」的概念：需要依赖同一套领域知识、代码上下文和设计约束的工作，适合放在一起完成。拆分任务时，不能只看文件和步骤，还要判断各项工作是否共享同一个心智模型。如果两个任务需要阅读大量相同文件，或者其中一个结论会直接影响另一个的实现，合并给同一个 Agent 往往更有效。真正适合并行的任务，应当在知识边界和修改范围上都相对独立。

这也重新定义了子 Agent 的作用。它可以承担搜索、试错、重复读取和局部分析，并把这些过程保留在自己的临时上下文中。完成后只需返回结论、关键证据、修改文件、验证结果、风险和未决问题。主线程由此保持相对紧凑，继续承载跨阶段的设计理由、架构约束和用户决策。查看进度时也应优先读取简短状态，如运行中、已完成或遇到阻塞；只有诊断异常时，才按需查看详细记录。

针对这次经历，作者最终总结出几条克制的规则：
- 一轮优先使用两到四个 Agent；
- 多个任务共享文件和规范时先考虑合并；
- 不要用完整运行记录回答轻量的状态问题；
- 并发 Agent 不执行影响整个仓库的 Git 操作；
- 文件所有权重叠时应重新划分任务。

这里的具体数量来自个人工作场景，不能直接当作通用标准。更值得借鉴的是规则背后的判断方式：先识别实际发生的成本，再做最小范围的调整。

文章后半部分对流程治理的反思同样重要。作者发现主线程启用的技能不会自动传递给子 Agent，最初准备增加「每次启动前人工确认」的审批环节。进一步思考后，他把解决方案缩小为：启动前说明每个 Agent 需要加载哪些技能，并提供对应文件位置；只有数量超过阈值或文件归属不清时才要求确认。这个选择避免了把一次信息缺失扩展成长期存在的流程负担。

这篇文章带给我的主要启发，是把多 Agent 协作看成一套信息管理和并发控制机制。每次委派前，可以检查三个问题：任务之间是否真正具备知识独立性，是否会修改相同文件或共享状态，主线程最终需要接收哪些信息。每次准备新增规则时，也可以判断当前缺少的是事实说明、边界约束、自动检查，还是确实需要人工审批。

多 Agent 的效果不只取决于启动数量，也取决于信息能否留在合适的位置。探索过程留在局部，关键结果结构化返回，长期决策得到稳定保存，共享状态受到明确约束，主线程才能在较长的任务中持续做出可靠判断。这套思路对复杂编码、研究分析和长期项目协作都具有参考价值。