模型: openai/gpt-5.4
生成日期: 2026-04-01
书名: Claude Code VS OpenCode：架构、设计与未来
章节: 第21章 — 多智能体编排的艺术
Token用量: 约 6,300 input + 2,040 output

21.4 智慧积累 vs 上下文隔离

多智能体系统里有一个非常深的分歧，表面上不显眼，但实际上决定了系统气质：前一个子智能体学到的东西，要不要系统性传给后一个子智能体？ OMO 与 Claude Code 在这个问题上给出了两种很不同的答案。OMO 更强调 wisdom accumulation（智慧积累），也就是把子智能体产出的学习、发现、经验摘要提炼出来，传递给后续 agent 或后续轮次。Claude Code 更强调 context isolation（上下文隔离），也就是让每个子代理尽量在一个较干净的上下文窗口里工作，减少历史噪音与偏见污染。

OMO 的智慧积累思路，背后其实是一种“组织学习”模型。真实工程团队不会在每次切换执行者时都故意失忆。如果前一个人已经知道关键文件在哪里、某个假设已经被证伪、某份外部文档和本地实现存在冲突，那么这些发现应该被保留下来。OMO 的价值就在于，它尝试把一次性劳动提炼成可复用的中间智慧，让后续 agent 不用从零再搜一遍。对于长任务、跨轮任务、会被中断的任务，这种设计尤其有价值。

这种做法的好处很直接。

第一，它减少重复劳动。很多 token 本来是花在“重新找到同样的线索”上，智慧积累可以把这部分成本压下来。

第二，它增强续航能力。如果任务在 compaction（上下文压缩）之后恢复，或者会话中断之后继续，已有智慧就像一条 breadcrumb trail（面包屑路径），帮助系统重新接上状态。这里“面包屑”不是教材里的正式术语，但它常用来表示一串保留路径、帮助回到先前状态的中间痕迹。

第三，它让后续 agent 可以站在更高抽象层上工作。后来的 agent 不用再烧预算去做低水平侦察，而能更快进入判断、实现、综合阶段。

但智慧积累并不是纯收益。它的代价是偏见继承。如果早期 agent 得到了错误结论，而这些结论又被压缩成看似权威的摘要，后面 agent 很容易把它们当成既定事实。换句话说，智慧积累提高了效率，却可能降低认知新鲜度。系统会在“前面的智慧是对的”时变得更聪明，也会在“前面的智慧是错的”时变得更脆弱。

Claude Code 的上下文隔离，正好是在解决相反的问题。它尽量让子代理在一个更干净的任务窗口里工作，减少历史上下文对当前判断的锚定影响。这里的“锚定”（anchoring）是心理学和决策理论里的常见概念，指先看到的信息会不成比例地影响后续判断。上下文隔离的好处，是让每个子代理更容易做独立判断，特别适合验证、批判、第二意见、替代方案比较。它也更利于调试，因为错误链条更短：某个子代理答错了，你更容易看到它错在自己的局部上下文，而不是被一堆历史残留诱导。

但隔离的代价同样明显：它很容易重新付出搜索成本。每个 clean window（干净窗口）都意味着一些已经发现的东西必须重新引入，或者重新发现。于是系统得到的是“新鲜判断”，失去的是“连续记忆”。更麻烦的是，这会把更大负担压回父 agent：父 agent 必须决定到底传多少上下文给子代理。传得太少，子代理缺关键事实；传得太多，隔离就失去了意义。

所以，这个问题本质上是一个非常标准的架构权衡：

• 智慧积累 优化连续性、记忆性、低重复。
• 上下文隔离 优化新鲜度、可审计性、抗污染能力。

它们没有绝对优劣，只是适配场景不同。

如果任务是大仓库探索，智慧积累往往很值钱。前一个 agent 已经把地形摸出来了，再让后一个 agent 从零开始，通常纯属浪费。如果任务是独立验证，上下文隔离更好，因为 verifier（验证者）不该被候选解法的叙事框架完全裹挟。如果任务很长、可能被压缩、会跨轮恢复，积累非常有帮助；如果任务很敏感，希望不同 agent 真正独立判断，隔离会更健康。

OMO 的做法更像一个会记笔记、会交接、会持续学习的工程团队。Claude Code 的做法更像把一个外部顾问请进一个干净会议室，给它一个明确 brief（简报），让它独立做判断，再把结果带回主会场。两者都很合理，差别只是系统是更像“组织”，还是更像“受控顾问池”。

真正成熟的未来架构，很可能不会只选边站，而是把两者结合起来。关键不是“记忆还是隔离”二选一，而是哪些信息值得保留，哪些信息必须隔离。例如，仓库结构、已验证事实、用户明确约束，这些很适合保留；未经验证的假设、推测性解释、可能带偏见的摘要，则更适合局部封存。

因此，可以考虑一个三层记忆模型。第一层是 durable facts（持久事实），适合广泛复用。第二层是 working hypotheses（工作假设），可以传递，但要带置信度标签。第三层是 ephemeral reasoning（临时推理痕迹），默认只留在本地，除非被显式提升。这个模型不是教材里的标准术语体系，但它能很好描述多智能体系统里“什么该积累、什么该隔离”的工程现实。

对构建者来说，最重要的教训是：不要把知识传递当成自然副作用，而要把它当成显式接口。如果要积累智慧，就标注来源与可信度；如果要做上下文隔离，就让摘要尽量克制、结构化、最小必要。失控的积累会把系统变成教条机器，过度的隔离会把系统变成失忆机器。

归根到底，多智能体系统质量不只取决于“能不能派出子智能体”，还取决于“学习如何在子智能体之间移动”。OMO 告诉我们，记住有时是生产力；Claude Code 告诉我们，忘记有时是安全边界。真正的艺术，是知道什么时候该记，什么时候该忘。