logo

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。

  1. 消息驱动的一跳:
  2. human_summary = compress(agent_a.analysis) # 细节在压缩时被丢掉
  3. agent_b.input = human_summary
  4. 上下文驱动的一跳:
  5. ctx.decisions += {id, choice, rejected, evidence_refs, open_questions}
  6. 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。

发表评论

活动