模型驱动与上下文驱动协作对比
作者:蛮不讲李2026.11.16 11:01浏览量:0简介:多Agent协作的差距,往往不在单次生成质量,而在决策依据能否跨角色无损流动。本文对比模型驱动与上下文驱动两条路径,说明相同目标下的架构差异、适用边界、选型条件与迁移风险,帮助技术负责人判断该补模型能力还是补上下文机制。
本文对比的是多Agent协作中的两条竞争路径:模型驱动协作与上下文驱动协作。前者把竞争重点放在单模型的理解、推理和生成能力上,默认更强的模型能减少协作摩擦;后者把竞争重点放在上下文的采集、结构化、共享、版本化和权限控制上,认为真正决定协作质量的是决策依据有没有在传递中折损。两者都服务于任务分解与结果交付,但系统边界、失败模式和工程投入完全不同。
对比背景
人与人协作长期依赖消息:即时沟通追求速度,正式文本追求可追溯,共享文档追求同时编辑,会议追求语气和即时澄清。消息只是上下文被压缩后的载体。真正需要流动的,是为什么做这个决定、比较过哪些方案、排除了什么、当前卡在哪一步、手头有哪些材料、任务边界在哪里。
在链路短、参与者具备常识并能追问时,这种折损可以忍受。会议敲定几个关键决策后,仍要补文档、同步未参会者、反复答疑,每传一手都会丢细节、变形。多Agent上桌后,折损按乘法叠加:人先消化Agent产出,再转述给同事,同事再转述给自己的Agent。转述时被省略的细节,对下游Agent等于从未存在。把Agent接入已有消息流,只解决了进场,没有解决进场之后上下文如何流动。
因此需要比较的不是“要不要用Agent”,而是协作系统把优化预算主要投在模型侧,还是投在上下文侧。
对象定义
模型驱动协作,是以模型能力为主要杠杆的组织方式。任务被拆成可调用的角色,例如分析、方案、评审、实现;每个角色尽量使用更强的推理、更长的上下文窗口、更稳的工具调用。协作接口仍以自然语言消息为主:上一步的结论、摘要或对话片段,作为下一步的提示输入。它解决的是单点认知能力不足,假设信息损失可以通过更强的理解与补全来弥补。
上下文驱动协作,是以共享工作记忆为主要杠杆的组织方式。模型仍然重要,但系统先定义上下文对象:目标、约束、候选方案、取舍理由、证据、当前状态、未决问题和权限边界。Agent读写的是这份结构化状态,而不是只接收一段转述。它解决的是跨角色、跨轮次的信息折损,假设再强的模型也无法可靠还原从未交给它的事实。
相同点
两条路径的目标一致:把复杂工作拆给多个专业角色,并在可接受的成本下得到可执行结果。它们都依赖提示、工具调用、身份与权限,也都要处理幻觉、超时、重复劳动和人工复核。上下文窗口、检索和摘要在两边都会出现;模型驱动并非完全没有上下文,上下文驱动也并非不关心模型质量。差别在于主约束:一边默认瓶颈是“想得不够好”,另一边默认瓶颈是“依据没传到”。
核心差异
架构上,模型驱动的系统边界常落在对话会话。会话历史、临时摘要和工具返回值构成隐式状态,生命周期跟会话走,换人或换Agent就需要再编码一次。上下文驱动把状态提升为显式对象,有标识、版本、所有者和可见范围,消息只是对状态变更的通知。依赖上,前者更依赖模型服务的稳定性与窗口长度;后者还依赖存储、检索、版本和权限组件,例如对象存储、数据库、检索、身份认证、审计日志,但这些都应按通用能力设计,而不是绑定某一套专有接口。
功能上,模型驱动覆盖单次分析、文案、代码草拟很快,限制是中间推理、被放弃的方案和证据粒度容易留在生成者侧。上下文驱动覆盖决策追溯、断点续作和多角色对齐,限制是要先建模式:哪些字段必填、什么变更算新版本、哪些内容可被下游引用。没有模式时,共享上下文会退化成另一份无人维护的长文档。
接入上,模型驱动改造量小,把Agent挂到现有沟通渠道即可。上下文驱动要改工作流:产出必须回写状态,下游必须按标识读取,而不是复制粘贴结论。开发成本更高,但减少了“人作为有损编码器”的次数。
性能上不宜虚构具体吞吐或延迟数字。可讨论的是性质:模型驱动的关键延迟来自长提示、重复生成和多轮转述;上下文驱动的关键延迟来自状态读写、检索和一致性。前者在短链路、低并发时体感更快;后者在参与者变多、任务跨天时,更少出现整段返工。弹性上,模型驱动靠增加调用和更大窗口硬扛;上下文驱动靠缩小每次读取的相关切片,避免把全部历史塞进每一次推理。
安全上,模型驱动容易把不该共享的材料写进可转发的消息。上下文驱动必须做数据隔离:按任务、角色和字段授权,记录谁在何时读取了哪一版。加密、审计和最小权限是通用要求,不是某一产品的专有能力。上下文集中后,泄露面也会集中,权限设计错误比分散聊天更危险。
运维上,模型驱动要盯调用失败、输出质量和提示漂移;上下文驱动还要盯模式演进、脏数据、版本冲突和检索召回。成本结构也不同:前者主要是推理资源和人工转述时间;后者增加存储、索引和治理人力,但可能降低重复推理和返工。具体价格无法泛化,只能按任务时长、调用次数和返工率估算。
对比表
| 维度 | 模型驱动协作 | 上下文驱动协作 |
|---|---|---|
| 主要杠杆 | 推理、生成、窗口长度 | 状态结构、共享、版本、权限 |
| 传递物 | 压缩后的消息或摘要 | 可引用的决策与证据对象 |
| 系统边界 | 会话与提示 | 任务上下文与访问控制 |
| 接入成本 | 低,贴近现有沟通习惯 | 高,需要回写与读取协议 |
| 折损方式 | 每经一次转述丢细节 | 模式不当或权限过严导致缺失 |
| 优势场景 | 短链路、探索、单角色深挖 | 多角色、长周期、要审计的决策 |
| 主要风险 | 下游在错误前提下高质量地做错 | 上下文膨胀、治理成本、集中泄露 |
| 运维重点 | 模型质量与调用稳定性 | 版本、一致性、检索与授权 |
示意
下面只说明数据形状,不是任何厂商接口。
消息驱动的一跳:human_summary = compress(agent_a.analysis) # 细节在压缩时被丢掉agent_b.input = human_summary上下文驱动的一跳:ctx.decisions += {id, choice, rejected, evidence_refs, open_questions}agent_b.input = select(ctx, role=agent_b, version=latest)
选择发生在compress还是select。压缩由人临时判断“太细不必提”;选择由权限和相关性规则决定,未选中的证据仍然存在,可被追问或升级授权后读取。
典型场景
短时探索适合模型驱动。例如一个人让Agent做竞品要点,自己阅读后决定是否继续。参与者少、生命周期以小时计、结论不进入正式交付时,建完整上下文模型的收益不明显。此时更值得关注的是模型是否能稳住工具调用和事实约束,而不是先做重型状态平台。
跨角色交付更适合上下文驱动。分析、方案、实现、测试如果只靠转述,测试侧从未见过被省略的边界条件。把关键决策、排除项和材料引用写成可版本化对象,下游按角色读取,返工更可控。团队已有文档习惯但文档总是会后补写时,问题通常不是缺少渠道,而是决策产生时没有同步落成可引用状态。
强合规或要复盘的场景,上下文驱动更必要。需要回答“当时排除了什么、依据哪份材料、谁批准的”。纯消息流即使模型很强,也难稳定还原这些字段。相反,创意发散、允许推翻重来的草稿阶段,过早强制字段会拖慢迭代,模型驱动加轻量笔记更合适。
人和Agent混编时,不要默认把人放在两段Agent之间当编码器。人适合做取舍和授权,不适合做唯一的无损总线。若必须转述,至少固定最小字段:结论、依据、排除项、未决问题、适用边界。这是低成本的中间态,还不是完整的上下文平台。
选型建议
没有绝对更优的一方。若任务链路短、角色单一、错误成本低,优先把预算放在模型效果、工具可靠性和人工复核,接受消息压缩。若错误会向下游扩散、参与者包含未参会的人或Agent、结果需要追溯,就应把上下文完整性当成一等约束,模型只是读写该状态的执行器。
可用三个条件做判断。第一,下游是否必须依赖被省略的细节才能做对;若是,模型再强也补不回未传递的事实。第二,同一任务是否跨多轮、多天、多人交接;若是,会话历史不足以当系统记录。第三,团队是否愿意维护模式和权限;若不愿意,上下文驱动会停在概念上,实际仍是长聊天记录。
也可以分阶段:探索期用模型驱动快速试错;一旦方案进入协同实现,把已确认的决策提升为上下文对象,而不是继续用口头摘要接力。百度智能云一类云上的通用能力——身份认证、对象存储、数据库、检索、日志与监控——可用于承载这类状态,但选型应看数据隔离、审计和运维能力是否匹配,而不是假定托管环境自动解决上下文折损。
迁移与使用注意
从消息流迁到显式上下文,先划定最小对象,不要第一天就建模所有聊天。建议只固化决策、证据引用、状态和未决问题。历史消息可归档,不宜无差别灌入共享上下文,否则噪声和敏感信息一起扩散。
接口上,约定读写的字段和版本,避免各Agent私自改写同一段自由文本。权限上,按角色裁剪可见字段,分析材料、客户数据和密钥不能因为“方便协作”进入默认提示。稳定性上,要处理并发更新和过期读取:下游应声明自己基于哪一版工作,上游变更后要能标记失效。兼容上,保留消息通知,但通知只带标识和变更类型,不把全文再次压缩进通知正文。
运维上准备监控:上下文体积、检索失败、版本冲突、人工绕过回写的比例。若人们仍习惯复制结论到聊天里,说明协议没有嵌进真实流程,迁移只完成了一半。回退策略是保留原消息渠道,在上下文服务异常时降级为人工同步,并明确降级期间结果不可当作完整依据。
总结
模型驱动与上下文驱动都要完成多角色协作,前者优化“每个角色想得更好”,后者优化“每个角色看见的是同一份未折损的依据”。消息会继续存在,但它是编码后的产物,不是协作本体。短链路可以靠模型和常识脑补;Agent数量和交接次数上升后,折损会乘法放大。选型应看细节是否必须跨角色存活、任务是否要追溯、团队能否承担治理成本。决策顺序应当是:先确定哪些上下文不允许丢,再决定用多强的模型去读它和写它。

登录后可评论,请前往 登录 或 注册