当你在Claude、ChatGPT和Cursor 之间运行多个代理时,每个代理都从头开始,除非你手动将上下文粘贴到每个会话中。
OzBrain通过曝光通过"模型背景协议(MCP)"(Model Context Protocol (MCP))读取和书写代理人的共享知识底部来解决了这个问题.
系统引导上下文 所以特工只看他们需要什么 团队避免向每一个新的特工案例解释同样的事实 Show HN的帖子画了85分和50个评论,因为问题是真的:当上下文生活在孤立的聊天历史或分散的文档中时,制作多代理工作流程会崩溃.
OzBrain的架构将知识视为一流资源,具有明确的范围界定,索引编制和冲突解决.
存储层和范围边界OzBrain将知识组织到大脑中,要么是个人的,要么是共享的.
每个大脑拥有结构化的知识单元,通过MCP连接器代理查询.
系统在写作时间决定范围:个人脑存储用户特定偏好,写作风格,以及私人项目状态.
共享大脑掌握着整个团队的事实,如客户的接触,项目决定,以及开通的线索等.
当一个特工给OzBrain写信时,它会指定目标大脑.
MCP连接器执行访问控制:代理可以从用户加入的任何大脑读取,但写权限取决于大脑的共享政策.
这可以防止个人背景意外地渗入团队记忆.
存储层标记每个知识单元都有元数据:创建时间戳,最后一次更新,以及新鲜度指标(新鲜,老化, stale).
特工们使用这些标记来决定是信任被存储的事实还是重新平息来源.
索引策略和查询行走OzBrain不会将整个知识图加载到每个提示.
相反,它维持一个路径索引,将专题映射到知识单位.
当代理查询"客户联系人"时,索引会将指针返回相关单位而不会在不相关的工程状态下拉出.
路由索引使用简单的关键词和主题模型:每个知识单位都声明其主题(如"客户/Meridian","voice","Project/q3-launch"等).
该索引从主题到单位ID建立反向检索.
代理通过 MCP 连接器发送一个话题查询,该连接器返回一个排名排列的单位ID列表.
代理只抓取排名最高的单位,将提示保留在象征性预算之下.
这种方法以精度交易速度.
索引不使用嵌入或语义搜索,因此代理必须知道正确的主题标签.
在实践中,这之所以可行,是因为团队很早就建立了命名惯例(如"客户","项目","首选"等).
多个代理撰写时解决冲突 当两个特工更新同一个知识单位时,OzBrane使用有冲突旗的上-写-胜.
系统不会自动合并更改.
取而代之:A特工写出"项目/q3-发射"的新版本,其状态"被延迟".
B探员在30秒后写出一个与状态相冲突的版本"上道".
OzBrain将Agent B的版本保存为当前状态,但将单位标为"相冲突".
下一个读作"Projects/q3-launch"的代理人会看到冲突旗并可以向用户表面显示.
这是蓄意取舍。
自动合并需要语义上理解冲突,而OzBrain并没有尝试.
冲突旗确保矛盾不会通过团队共享的记忆默默地传播.
冲突策略精度失败模式 Last-write-wins Low Instant Silent overwrites 手册合并了高分钟用户疲劳OzBraine (lag + LWW) 中即时需要代理或用户检查旗下失败模式和Staleness共享内存引入了一个新的失败模式: stale上下文.
如果一个知识单位说"客户更喜欢电子邮件",但客户端上周切换到Slack,代理商会做出错误的假设,直到有人更新该单位.
OzBrain用新鲜度标签来缓解这种情况.
当代理读取标有"老"的单位时,它可以促使用户确认 t