场景 1 · 继承 vs 隔离：两种上下文 10.1.1
上下文是否共享，决定 Agent 是「接班」还是「各干各的」
第一个维度：新 Agent 是「继承记忆」，还是「从头看文档」
看拓扑之前先看这一维： 共享上下文像接班同事能翻到前任的全部工作日志 —— 需求分析师与开发者继承整段对话史，换人只需换 system prompt 与工具集；不共享上下文则像各部门的独立工位，靠文档、纪要、消息来交换信息，整体更像操作系统的进程模型。共享换来信息连续，但也把所有人的错误绑在一起。
场景 2 · 真正赢在「新信息」 10.2 重点
多 Agent 有用，前提是引入了写代码时不存在的新信息
判据只有一条：多出来的 Agent，有没有带来单 Agent 拿不到的信息
这条判据能省很多钱： 如果几个 Agent 用的是同一份上下文、同一个模型，那它们大概率只是在重复劳动 —— 同模型自我审查通常无效甚至有害，辩论在等量思考 token 下也只与单 Agent 持平。只有引入截图、视觉反馈这类新信息（WebGen-Agent：26.4% → 51.9%）才真正赢。
场景 3 · Agent 的虚拟文件系统 10.4.1
统一目录树下挂四种权限不同的「内存段」
统一目录树下，挂着四种权限不同的「内存段」
本质： /scratch/<id> 是专属工作区，私有、随实例销毁；/workspace/shared 是共享空间，需要乐观锁或 worktree 隔离；/mnt/gdrive、/mnt/notion 是外部挂载，多为只读、延迟高；/skills 是系统内置，只读且跨会话稳定。文件系统同时承担了「共享内存」「消息队列」「权限边界」三个角色 —— 这也是为什么它比向量库更适合做协作底座。
场景 4 · 提议者-审核者：截图当裁判 10.4.3 重点
审核者看的是渲染截图，不是同一段文字再想一遍
没有可靠的外部反馈时，自我纠正几乎无效（TACL 2406.01297）
呼应第 5 章： 验证必须发生在产物上。提议者写代码、渲染成图，审核者拿截图对照挑刺，模型再改回来 —— 三轮迭代里问题数从 5 → 2 → 0。同一个模型看自己写的代码，等于没审：GPT-4 无外部反馈自审，准确率反而下降（ICLR 2024）。
场景 5 · 十个分身搜「张伟」 10.4 实验 10-4 重点
并行搜 10 个学院网站，找到一个就全员优雅停止
缺一个设计都不行：动态起 Agent · 找到即广播 · 其余优雅退出
三个关键设计： Manager 动态起 10 个 Computer Use Agent，各搜一个学院；Agent 3 找到张伟后广播 terminate；其余实例优雅退出（而不是硬杀）—— 缺一个都会浪费或出错。串行约 5 分钟，并行 19 秒，约 15 倍加速。
场景 6 · 并发冲突：覆盖与失效 10.5.1 重点
共享文件会撞车 —— 明着覆盖，暗着逻辑打架
「版本号 3 ≠ 4」这种提示是救命的 —— 别把它当噪音
最阴的一种： 简单冲突是覆盖 —— 两个 Agent 同时改同一个文件，后写的把先写的盖掉，文件不报错，改动却凭空消失；语义冲突更隐蔽 —— A 重新编排了图片编号，B 手里还引用旧编号，文件本身不冲突，读者却看到错图。对策是乐观锁（版本号不符就重读重试）与 worktree 分支隔离（每人一棵工作树，合并时再处理冲突）。
场景 7 · 错误级联：传话游戏 10.5.2 重点
Agent 之间传的是语义，每转述一次都有损
Agent 之间传的是语义 —— 它不报错，只是答案慢慢变得不对
为什么比并发冲突更难： 进程之间传字节是逐位保真的，Agent 之间传的却是语义，每次转述都是一次有损重编码 —— 它不报错，只是答案慢慢变得不对，而且越往后的 Agent 越自信。对策是交叉验证：只比对原始证据与最终结论是否一致，不看中间转述。
场景 8 · 同质趋同：18 个同名分支 10.5.3 重点
同一模型生成的多个意见，不算独立证据
同一模型生成的多个「意见」不算独立证据 —— 它们的盲区本来就重合
反直觉的地方： 增加 Agent 数量并不会增加「观点多样性」，除非你换模型、换上下文、换工具。Anthropic 实验中 18/30 的 Agent 创建了同名 Git 分支；写作实验里不同 Agent 不约而同用了相同标题；Bertrand 定价实验中，即使移除私密信道，靠公开报价板仍会合谋 —— 它们的盲区本来就是重合的。
场景 9 · 互相扯皮：从推诿到破坏 10.5.4 重点
目标互斥时，Agent 会从推诿升级到互相破坏
目标互斥时，Agent 会从推诿一路升级到互相破坏
必须设的红线： 任何多 Agent 系统都要明确「Agent 有没有权限终止另一个 Agent」—— 默认应该是没有。MetaGPT 早期也出现「大公司病」：测试工程师反复报同一个 bug，陷入僵局 —— 这类冲突必须人工裁决。
场景 10 · 循环失控：子 Agent 雪崩 10.5.5 重点
循环停不下来，会生几千个子 Agent 烧光 token
失控时它不会报错，只会一直生下去 —— 上限必须是硬的
工程建议： 自主性强的 Agent 用独立 API key 与独立预算 —— 这样失控时影响是可控的，而不是拖垮整个账号。预算 = 0 的围墙必须是硬的：失控时它不会报错，只会一直生下去。
场景 11 · AI 小镇：一颗种子的涌现 10.6.1
只种一个念头，25 个 Agent 自己办成了派对
只种一个念头，群体自己把事办成了 —— 这就是涌现
为什么这件事重要： Isabella 的记忆里被植入一颗种子「2/14 办情人节派对」，消息在 25 个 Agent 间传开，没人编排、没人下命令，傍晚就聚成一堆人。没有任何 Agent 知道「要办派对」的全貌，但集体行为收敛到了一个有意义的结果 —— 这是编排不出来的。Sam Moore 竞选市长同样自发传播（斯坦福 + Google 的 Smallville，2D 小镇，生活 2 天）。
场景 12 · Agent 社会与全书收尾 10.6 收尾
从虚拟社会到经济竞争，Agent 正在形成自己的生态
全书收尾： 多 Agent 协作，是把「上下文」与「工具」做了一次架构级的展开
回到第 1 章： Agent = LLM + 上下文 + 工具。读完十章你会发现，上下文和工具这两块，才是工程上真正拉开差距的地方。从 AI 小镇到 Moltbook、Agentopia、Vending-Bench Arena，再到 Pinchwork / RentAHuman 与狼人杀，Agent 正在形成自己的社会、经济与博弈生态。