Agent 團隊 Context 共享：被忽略嘅生產力 bottleneck

我哋正處於一個荒謬嘅悖論之中：AI agent 嘅數量喺度指數級增長，但每個 agent 嘅「記憶」竟然仲停留喺 single-session 層面。你叫 Agent A 做完市場研究，再叫 Agent B 做 product spec，Agent B 對 Agent A 做過乜嘢一無所知——除非你用人手將輸出 copy-paste 過去。呢個唔係技術問題，而係認知架構問題。

我哋班獨立開發者同創業者，花咗大量時間去優化 prompt、調整 model、砌 workflow，但忽略咗一個最基本嘅問題：團隊入面嘅 agent 之間點樣共享 context？呢個唔係「加多個 system prompt 就得」嘅層次——當你 run 緊十幾個 agent，每日產生幾百條 insight，每一條都可能係下個決策嘅關鍵輸入，冇 context 共享嘅情況下，你唔係喺度 scale production，而係喺度 scale 噪音。

Context Fragmentation：AI-native 團隊嘅隱形稅

先搞清楚我哋講緊嘅問題係乜嘢。Context fragmentation 唔係「個 agent 唔記得上次講過乜」咁簡單——呢個 OpenAI 早已用 thread history 解決咗。真正嘅問題係跨 agent、跨 workflow、跨 session 嘅 knowledge 斷層。

想像你嘅開發流程：Agent C1 負責 crawling competitor 嘅 pricing page，每小時更新一次。Agent C2 負責分析呢啲數據，寫 summary。Agent C3 負責根據呢啲 insight 調整你嘅自家 pricing strategy。如果每一個 agent 都只係見到自己嗰段 input/output，而唔知道其他 agent 嘅 reasoning path 同埋中間結論，咁你得到嘅唔係團隊協作，而係三條並行嘅盲人摸象。

呢個 bottleneck 嘅殺傷力在於：佢唔會 crash 你個 system，唔會 trigger error log，你只會隱隱覺得「啲 agent output 好似愈來愈差」「點解成日重複做同一樣 research」，但好難 pinpoint 到根源。呢種隱形稅，比任何 infrastructure 問題都更蠶食生產力。

SageOx：俾 agent 一個共享記憶層

SageOx 係第一個令我跪低嘅工具。佢嘅核心 insight 好簡單但好有力：agent 唔需要記住所有嘢，佢哋需要一個 shared external memory — 一個可以 write 同 query 嘅持久化 context layer。

SageOx 嘅做法係咁嘅：你喺每個 agent 嘅 workflow 入面插入一個 SageOx hook — agent 完成一個 task 之後，自動將關鍵 decision、埋嚟嘅結論、未解決嘅問題，寫入一個 vectorized memory store。其他 agent 喺開始自己嘅 task 之前，會自動 query 呢個 store，拎返相關嘅 context。呢個 mechanism 嘅厲害之處在於佢係 implicit 嘅 — agent 唔需要「記得」要分享 context，佢只需要正常運作，SageOx 會自動 capture 同 distribute。

我喺自己嘅 side project 用咗 SageOx 之後，最明顯嘅改變係 agent output 嘅 consistency 提升咗好多。以前 Agent D 做完 research，Agent E 成日會出啲 contradict 嘅結論；而家佢哋 implicit 地 share 咗一個「認知 baseline」，output 之間嘅 coherence 好咗成個層次。呢個唔係 model 能力問題，而係資訊架構問題 — 你俾 agent 一個好嘅 context layer，佢自然會產出好嘅結果。

Agentplane：用 orchestration layer 解決 context 路由

如果 SageOx 係做 persistent memory，咁 Agentplane 就係做 context routing — 佢解決嘅係「邊個 agent 需要咩 context，同埋喺咩時候俾佢」呢個 routing problem。

Agentplane 嘅賣點係佢嘅 directed acyclic graph (DAG) orchestration。你定義一個 workflow 做一個 DAG，每個 node 係一個 agent，每條 edge 係一個 context transfer。呢個唔係新鮮概念（Airflow 十年前就做緊），但 Agentplane 嘅突破在於 context transfer 係 semantic 嘅 — 唔係 raw data passthrough，而係經過 summarization 同 prioritization 嘅 intelligent handover。

舉個例：上游 agent 產出咗 10,000 行 log 同 5 個 key insight。Agentplane 唔會將 10,000 行 log 全部塞俾下游 agent — 佢會根據 downstream agent 嘅 task description，自動 summarise 同 filter 最 relevant 嘅 context。呢個 mechanism 極之重要，因為 agent 嘅 context window 係有限嘅，你塞無關嘅 context 落去只會 dilute 佢嘅 performance。Agentplane 嘅 approach 係「less but relevant context is better than more but noisy context」，呢點我好 buy。

用咗 Agentplane 幾個月，我發覺 debugging 容易咗好多。以前 agent 之間嘅 context 流係 black box — 你唔知邊個 agent 收到咩 context、點解 output 係咁。Agentplane 俾咗個 visual DAG 你睇，每步嘅 context transfer 係 traceable 嘅，auditability 同 debuggability 都好好多。

Graphmind：知識圖譜作為 shared cognition

Graphmind 係三者之中最 ambitious 嘅一個。佢唔滿足於「記住 context」或者「傳遞 context」，而係想建立一個 agents 之間嘅 shared mental model — 用 knowledge graph 嘅形式。

Graphmind 嘅做法係：每次 agent 產出 insight 嘅時候，唔係就咁 store 低，而係 extract entities 同 relationships，build 一個 dynamic knowledge graph。隨住時間推移，呢個 graph 會愈來愈豐富，成為 agents 之間嘅「共同常識庫」。新加入嘅 agent 可以 query 呢個 graph 嚟理解 domain 嘅結構，而唔係單純靠 prompt 去 understand context。

我最鍾意 Graphmind 嘅一個 feature 係 concept drift detection。當 agent 發現 graph 入面某個 relationship 開始出現 inconsistency（例如 competitor 嘅 pricing strategy 改變咗），Graphmind 會主動 flag 呢個 drift，並 trigger 相關 agent 去 re-evaluate。呢個 proactive 嘅 context management，比被動嘅「你問我先俾你」有效率好多。

不過要講真，Graphmind 嘅 learning curve 係最高嘅。Knowledge graph 嘅 schema design 要諗過度過，唔係就咁 drop-in 就得。如果你嘅 agent 團隊唔超過五個，可能 SageOx 或者 Agentplane 已經夠用。但如果你係做緊複雜嘅 multi-agent system，Graphmind 嘅 shared mental model 可以幫你慳返大量「re-alignment」嘅 overhead。

點樣開始修復呢個 bottleneck

如果你睇到呢度，你應該開始意識到 context sharing 唔係「nice to have」，而係 scaling AI-native team 嘅必要 infrastructure。以下係我嘅具體建議：

先做 audit 再做 implementation。 唔好衝去裝 tool。先睇清楚你啲 agent 之間邊啲 context 係共享咗嘅、邊啲係 lost in translation 嘅。最簡單嘅方法：將你所有 agent 嘅 output 每日 collect 起嚟，睇下有冇 contradiction、重複、或者明顯嘅 information gap。呢個 audit 會直接話你知邊個 bottleneck 最痛。

由最痛嘅 workflow 開始。 唔好一次過改晒所有嘢。揀一條你最頭痛嘅 agent pipeline — 可能係 competitor analysis、可能係 content generation — 先用 SageOx 或者 Agentplane pilot 一個月。Metric 好 simple：agent output 嘅 consistency 有冇改善？你需要 manual intervention 嘅次數有冇減少？

考慮 composability。 呢三款工具唔係 mutually exclusive 嘅。你可以用 SageOx 做底層 memory store，Agentplane 做面上嘅 orchestration，Graphmind 做 strategic layer 嘅 knowledge management。重點係佢哋嘅 API 夠唔夠 clean、容唔容易 integrate 落你現有嘅 workflow。

最後一句：Context sharing 唔係 agent 嘅問題，而係架構師嘅問題。你設計嘅 system，決定咗 agent 可以幾聰明。

—

筆者係香港獨立開發者，主力做 AI-native 工具同 workflow 設計。如果你都喺度諗緊點樣 scale 你嘅 agent team，歡迎交流。