探讨大型项目中利用Agent Skill实现多轮对话接续

背景

在大型 AI 项目（如 WAM 项目）的研发过程中，涉及大量的代码实现、模型训练、监督学习以及数据处理工作。由于实验规模庞大、数据量巨大，即使是使用支持 1M 上下文窗口的模型，开发者在管理多个对话窗口时，仍面临严重的“上下文记忆缺失”问题。

具体痛点在于：

1. 对话碎片化：需要频繁开启新对话以应对长上下文限制或任务隔离。
2. 信息断层：新对话往往无法自动继承前几个对话中的关键细节和决策逻辑。
3. 现有方案局限：目前常用的 handoff（任务移交）、项目整体实验方案文档、todo 表等静态文档方式，难以保证信息的实时同步和完整传递，导致新对话容易遗漏前期细节。

此外，社区中曾提及利用“吸引子”（Attractor）理论进行对话接续，但该方案被认为偏理论化，距离实际工程落地尚有距离。

核心内容

该分享探讨了在大型 AI 辅助开发工作流中，如何实现跨对话的任务接续与上下文保持。核心场景是实验室正在进行的 WAM 项目，该项目高度依赖 Claude 和 Codex 进行辅助，涵盖代码生成、模型训练监督及数据处理等环节。

作者指出，尽管现代大模型拥有巨大的上下文窗口（如 1M tokens），但在实际多轮、多任务的复杂项目中，单纯依赖“长窗口”并不能解决所有问题。主要挑战在于：

• 任务切换成本：当实验和处理的数据量极大时，单个对话容易变得臃肿，且不同实验阶段需要隔离，迫使开发者开启新对话。
• 记忆衰减与遗漏：在新对话中，模型无法自动“回忆”起前几个对话中确定的细微调整、失败原因或特定约束条件。
• 现有手动管理的不足：目前采用的 handoff 机制、静态文档（实验方案、TODO 表）作为上下文载体，存在信息滞后、格式不统一、难以被模型精准解析等问题，导致新对话中出现的细节遗漏。

作者寻求一种更优的 Skill 或工作流方案，以实现“完整的对话接续”，即新对话能无缝继承旧对话的状态、上下文和决策依据，而不仅仅依赖人工整理文档。

关键要点

• 大型项目上下文管理的瓶颈：即使使用 1M 上下文模型，在涉及大量实验和数据处理时，对话间的任务接续依然困难，存在显著的上下文记忆缺失风险。
• 现有解决方案的局限性：
  • handoff 机制：在复杂任务中易丢失细节。
  • 静态文档（实验方案、TODO 表）：信息更新不同步，模型解析效率低，易导致新对话遗漏前期关键细节。
• 理论方案的落地困境：知乎专栏提到的“吸引子”（Attractor）方法虽在理论上可行，但工程实现难度大，距离实际应用仍有差距。
• 核心需求：亟需一种能够自动化、结构化地传递对话状态和上下文信息的 Skill 或工作流，以实现真正的“完整接续”，避免人工整理文档带来的信息损耗。

意义与影响

该问题揭示了当前 AI 辅助开发工作流中的一个关键痛点：上下文管理的自动化与结构化不足。随着 AI 在复杂项目中的应用加深，开发者不再仅仅是“提问-回答”，而是进行多轮、多任务、长周期的协同工作。

• 对开发效率的影响：上下文缺失导致重复沟通、错误复现和决策回溯成本增加，直接降低大型项目的开发效率。
• 对工作流设计的启示：传统的“文档+手动移交”模式已难以满足复杂 AI 协作需求，亟需更智能的上下文管理工具或 Skill，例如：
  • 自动化的状态快照与恢复机制。
  • 结构化的上下文注入框架（如将关键决策、代码变更、实验参数自动提取并注入新对话）。
  • 基于向量数据库或知识图谱的长期记忆系统，以弥补模型短期记忆的不足。
• 推动工具链演进：此问题促使开发者思考如何更好地整合 LLM 的上下文能力与外部知识管理工具，构建更健壮、可追溯的 AI 辅助开发工作流，为未来更复杂的 AI Agent 协作奠定基础。