Conductor：保持AI主会话干净并实现分支可控的工具

背景

在科研（论文发表）与工程（项目开发）并行的工作流中，开发者往往面临 AI 辅助编程或研究时的上下文管理困境。传统的单一 Session 模式存在显著缺陷：随着对话深入，主 Session 会被大量的需求讨论、实现细节、失败尝试、冗长解释以及代码审查记录所“污染”。这种上下文污染导致两个主要问题：

1. 逻辑迷失：用户难以在混杂的信息中理清项目核心逻辑，特别是在科研中涉及环境配置、参数调优等容易陷入局部最优的环节时，AI 的过度尝试会进一步加剧上下文噪音。
2. 不可控性：虽然 Sub-agent（子代理）模式试图解决分工问题，但由于其不可见性导致人为难以干预，且需要用户自行设计复杂的交互逻辑，门槛过高。

此外，项目初期往往源于一个模糊的想法，缺乏全局视角。因此，需要一个能够汇聚所有 Session 上下文、用于自由探索和问题解答的“污染区”，同时需要一个能够生成高质量、去噪过程文档的机制，以保留有价值的经验和流程，剔除试错噪音。

核心内容

针对上述痛点，作者开发了名为 conductor 的工具。该工具的核心设计理念是将当前的主对话转化为一个永远保持干净的 master session（主会话），并通过结构化的分支管理来隔离探索性任务。其工作流程如下：

1. 主会话（Master Session）的净化与定位

master session 仅保留全局目标、关键决策、分支地图（Branch Map）以及经过批准的子 Session 摘要。它不承载具体的实现细节或试错过程，旨在帮助用户理清项目逻辑和撰写过程文档。

2. 需求澄清与依赖分析

当需求不明确时，用户可结合 grill-me 或 grill-me-docs 进行追问，直至逻辑清晰。随后，conductor 执行依赖分析，判断任务间的并行与串行关系。

3. 分支卡片（Branch Card）机制

conductor 不会随意开启新的 Session，而是先生成 branch card。每张卡片明确定义：

• 分支的目标与原因
• 允许带入的上下文
• 预期产物
• 完成标准与返回条件（Return Condition）

只有在用户确认卡片内容后，才会正式开启真正的 branch session。

4. 分支会话（Branch Session）的隔离交互

进入 branch session 后，该会话仅继承自身的 branch brief 和已批准的 master session 上下文，彻底隔离其他 Session 的杂乱历史。

• 交互优势：解决了 Sub-agent 不可见、不可交互的问题。用户可以在分支内实时纠偏，所有细节和试错过程均保留在分支内，确保主会话持续干净。

5. 受控合并与去噪总结

分支任务完成后，不会自动合并，而是先建议完成。

• 去噪压缩：系统会对分支内容进行总结，剔除过度污染和无效信息，仅压缩保留经验和正确流程。
• 人工决策：master session 会询问用户是否合并。用户可根据项目完整性判断（例如：科研中复现 Paper 的环境配置分支可不合并，但核心实验必须合并以保留细节）决定是否将子任务并入主线。

6. 持久化与集成

若使用 Treills，conductor 会将 master、branch、依赖关系、状态及产物路径持久化为 parent/child tasks、branchmap 和 metadata，支持后续的回看、回退和继续推进。

关键要点

• 主会话隔离：master session 仅保留高层逻辑（目标、决策、地图、摘要），彻底隔离实现细节和试错噪音。
• 结构化分支：通过 branch card 预先定义任务边界、上下文和验收标准，确保分支开启的严谨性。
• 可交互的子任务：branch session 允许用户实时交互和纠偏，弥补了传统不可见 Sub-agent 的缺陷。
• 智能去噪与人工审核：合并前自动压缩有效经验并剔除噪音，最终合并动作由用户根据项目完整性手动确认。
• 专用污染区：保留一个拥有所有 Session 上下文的独立 Session，用于自由提问、讨论和“污染”，避免干扰主线逻辑。
• 生态兼容：兼容 grill-me / grill-me-docs 用于需求澄清，并支持 Treills 进行任务状态的持久化管理。

意义与影响

conductor 提供了一种应对复杂 AI 辅助工作流的系统化解决方案，其核心价值在于重新定义了人机协作中的“上下文管理”范式：

1. 提升信噪比：通过物理隔离和逻辑分层，确保了主工作流的清晰度，使用户能够专注于战略层面的逻辑梳理，而非陷入战术层面的细节泥潭。
2. 增强可控性：将黑盒式的 Sub-agent 转化为可视、可交互、可定义的 branch session，赋予了用户对 AI 执行过程的精细控制权。
3. 知识沉淀优化：自动化的去噪总结机制解决了传统 AI 对话记录中“试错噪音”过大、难以复用价值信息的问题，使得过程文档更具可读性和参考价值。
4. 适应混合工作流：该工具兼顾了科研的探索性（允许分支隔离试错）和工程的严谨性（强调依赖分析和受控合并），为需要同时处理多重任务目标的开发者提供了标准化的操作框架。