多智能体堆得越多越烧钱？上下文才是真瓶颈

说个可能会得罪人的观点：多智能体系统存在严重的上下文问题。它们在白白浪费 token。

所有人都在争相打造拥有更多智能体的 AI 软件工厂：规划智能体、编码智能体、QA 智能体、PR 审查智能体。听起来很厉害。但增加智能体数量并不会自动让系统变得更高效。

问题就在这里。很多时候，每个智能体都会从上一步获取大量上下文。完整的对话记录、工具输出、代码历史、推理过程，以及与它实际任务毫无关系的信息。

我们在花钱让模型反复处理另一个智能体已经处理过的信息。这不是智能编排。这是在烧钱。

我认为更好的方法要简单得多：
> 在每次交接时清理上下文。
> 结构化输出。
> 给下一个节点恰好完成其任务所需的信息。

1. 规划智能体生成一份规格说明。
2. 编码智能体获取相关需求和代码库上下文。
3. QA 智能体获取变更内容和测试标准。
4. PR 审查智能体识别实际问题，然后由另一个执行步骤修复问题并重新运行检查。

不需要把整个对话贯穿到每个节点。也不需要每次智能体发现问题时都让开发人员介入。

对于低复杂度和中等复杂度的任务，系统应该尽可能自主运行。工程师应该专注于架构、新领域和复杂的产品决策，而不是在常规修复中照看智能体。

AI 原生软件开发的真正瓶颈不再是生成代码。而是可靠且高效地编排整个工作流。

目标不是简单地拥有更多智能体。而是用更少的 token、更少的人工干预，完成更多的工作。这就是上下文工程比智能体数量更重要的地方。