内容提要
文章介绍基于ACP的Agent Trace,将Agent执行过程结构化为可分析、可复用的工程数据,并通过Feature Explorer归因到具体功能。针对多Agent看板中角色切换需重复补课的冷启动问题,提出Task-Adaptive Harness,按任务阶段和角色预整理上下文,遵循任务决定上下文、证据优先于摘要、约束前置的原则,使协作历史能被后续Agent有效承接。
延伸解读
从记录到复用:Trace 的工程价值跃迁
文章指出,Agent Trace 的价值不止于记录 AI 做了什么,而在于让协作历史成为可分析、可复用的数据资产。通过将执行过程结构化为 session JSONL,记录工具调用、文件读取、上下文访问等,Trace 能被聚合、归因到功能,并用于下一次任务启动。这标志着 Trace 从日志升级为工程信号,为后续的上下文预整理提供了数据基础。
多 Agent 协作的冷启动痛点与 Harness 的应对
在 Kanban 驱动的多 Agent 协作中,同一张卡片每换一个角色(如 Dev、Review、Plan)都需要重复补课,导致效率浪费。Task-Adaptive Harness 在任务启动前,根据当前阶段和角色,从看板状态、历史会话等中挑选有用线索,预整理上下文。其核心是让下一位 Agent 不必从零开始,而是直接承接前序工作,减少无效定位。
三条原则:任务决定上下文、证据优先、约束前置
Task-Adaptive Harness 遵循三条原则:上下文由任务决定而非历史堆积,系统从任务出发反向收缩所需功能、文件和会话;判断基于证据而非摘要,优先恢复可验证的文件、会话和失败记录,证据不足时明确降级;约束在执行前生效而非事后解释,规则和历史在任务启动时就介入工具选择、权限和行为边界。这些原则共同提升了协作的可控性和效率。
Q&A
Agent Trace 是什么?它记录哪些内容?
Agent Trace 是基于 ACP 协议的一种记录机制,它将 Agent 执行过程结构化为 session JSONL 格式,记录工具调用、文件读取、上下文访问、提示词片段、任务切换、失败信号和用户接管等关键行为,使执行过程成为可分析、可复用的工程数据。
Feature Explorer 的作用是什么?
Feature Explorer 将 Trace 归因到具体功能、需求、文件和代码路径上,关注 session 能否重新归因到 feature,从而把时间顺序的历史记录变成有工程含义的信号,是 Trace Learning 的雏形。
多 Agent 看板中角色切换时面临什么问题?
同一张卡片每换一个 specialist 都需要重复补课:Dev 要重新找入口文件,Review 要重新理解改动边界,plan 角色要重新猜功能范围。即使系统留下了会话、trace 和文件变更,下一位 Agent 仍可能从原始状态开始,造成冷启动浪费。
Task-Adaptive Harness 是什么?它如何工作?
Task-Adaptive Harness 是一种围绕当前任务临时组装执行边界的机制。它在任务开始前,根据卡片所处阶段(规划、实现或 review),从看板状态、历史会话、即时分析结果和已有摘要中挑选对当前角色有用的线索,收缩出本次真正需要的上下文、工具和规则,避免下一位 Agent 做无效定位。
Task-Adaptive Harness 遵循哪些核心原则?
三条原则:1)上下文应由任务决定,不应由历史堆积决定;2)判断应建立在证据上,不应建立在摘要上,证据不足时应明确降级;3)约束应在执行前生效,不应在执行后解释。
不同角色(plan、Dev、review)需要的上下文有什么不同?
plan 更需要知道功能意图、拆解方向和相关功能;Dev 更关心入口文件、相关模块、接口和之前是否有人踩过坑;review 则需要尽快看清改动边界、风险点和验证路径。
从 Trace 到 Task-Adaptive Harness 这条演进线最终要解决什么问题?
这条线表面在补系统能力,实际在回答协作中的老问题:前面的人做过的事,如何真正被后面的人接住。目标是让多 Agent 协作系统学会不让每一次开始都真的从头开始,把方向、边界和经验留下来。