智能体上下文管理与工作流优化

一个多智能体工作流使用Fable 5进行规划,Codex负责执行,并通过上下文压缩降低成本。Linear的结构化问题跟踪作为上下文层,而Replit的内部事实层确保共享上下文,从而提供可靠的智能体回答。 • 工作流:Fable 5生成技术计划文档;确认后,在提示缓存仍处于活动状态时,发出/compact命令以节省上下文。 • 文档交给Codex(GPT‑5.6 Sol xhigh);对于复杂任务,添加/goal命令,使Codex无需重复的continue命令即可完成工作。 • Codex完成后,Fable 5验证结果,任何反馈都会发送回同一个Codex会话以进行进一步优化。 • Opus 5作为替代方案进行了测试,但与GPT‑5.6 Sol相比,发现其稳定性较差且令牌持久性较低。 • Linear的价值在于消除人类与智能体之间手动、碎片化的上下文处理;其免费层允许最多250个问题。 • Replit分享称,其内部事实层为智能体提供共享上下文,使回答更可靠,并将AI转变为基础设施。 • 日期:工作流分享于2026‑08‑03;Linear和Replit的帖子分别发布于2026‑08‑03和2026‑08‑04。
Key insights
基于文档的交接与上下文压缩实现高效多智能体执行
用户dotey描述的工作流使用Fable 5生成技术计划文档,然后在缓存仍处于活动状态时使用/compact命令降低上下文成本,再将计划交给Codex执行。对于复杂任务,使用/goal命令让Codex自主运行。验证由Fable 5完成,反馈被送回同一个Codex会话,避免上下文丢失。由于稳定性和令牌使用方面的优势,这种方法优于使用Opus 5。
Linear作为智能体-人类协作的结构化上下文层
用户howie_serious强调,Linear在智能体范式中的价值在于上下文管理,消除了人类与智能体之间组织、翻译上下文的繁琐手动工作。作者在Linear上创建了一个专门的研究列表,并指出免费层提供250个问题,便于亲身体验。
Replit的内部事实层为更可靠的智能体回答提供共享上下文
Replit表示,当智能体从共享上下文(“事实层”)开始时,更多人能获得可靠答案,AI成为基础设施。一篇内部博客文章详细介绍了这一事实层如何驱动Replit的团队工作。