1. 多智能体跑长会话为什么总在“交接”这一步丢记忆1.1 Manus 复盘里那四个坑正好是 Agent 编排的原罪跑多智能体长会话任务时最常崩的不是单次调用而是 Agent 之间的记忆接力。Manus 团队在复盘多智能体协作时列过很具体的痛点子任务 A 拆解目标子任务 B 执行可 B 拿不到 A 的完整上下文最后产出与主线需求错位。要在这种长会话场景里让多个 Agent 共用一个 KeyTaoToken 可以作为统一 API 通道先接上官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 上创建 Key 后后续的共享记忆方案才有落点。我自己在长会话任务里同样撞上过——第一个 Agent 在 40 分钟前确认的约束第二个 Agent 完全没看见。这些问题不能全赖模型。单模型对话里你至少还有完整的历史消息可以回溯多智能体任务里每个 Agent 通常只拿到当前这一步的提示词和有限的输入文件前面几轮的结论不会自动传到下一步。Manus 原文把这种情况归纳为“上下文碎片化”子任务之间没有共享同一份总体指令和相关事实。你让 Agent A 去调研技术选型让 Agent B 去写实施方案如果 B 读不到 A 的最终推荐它就会按自己的直觉重新选一套前后矛盾几乎是必然的。1.2 窗口再大也只是短期记忆共享机制才能解决一致性问题有人会想把上下文窗口调大不就行了原文专门回应过这种想法窗口太小会漏信息窗口太大又会引入无关噪音甚至出现“大海捞针”问题模型对开头和结尾的信息记得住中间的关键细节反而被淹没。在多智能体场景里更大的窗口还意味着更高的延迟和更多的 token 消耗。每个 Agent 都塞一份全量历史成本会成倍上涨真正要解决的问题不是“单次能看多少”而是“跨 Agent 之间如何共享必要的事实”。所以与其在单个工具里反复切换模型 Key不如先把通道统一再按上下文工程思路搭一个共享记忆层。多智能体协作不是简单地把几个模型叠在一起而是要给它们一个公共的“工作台”所有 Agent 读同一份事实写同一份结论谁也不会因为会话结束而失忆。下一步先解决通道问题让所有 Agent 都走同一把 Key。2. 配通 TaoToken官网拿 Key把 Claude Code / Codex 指到 Base URL2.1 打开官网注册创建 API Key配置通道这一步可操作的就三件事注册、创建 Key、确认模型 ID。原来在别的平台“申请密钥”的动作如今统一改到 TaoToken 完成。打开官网后注册登录进控制台的 API Keys 页面创建一把新 Key创建完立刻复制保存。注意官网落地页和接口地址是两回事不要混用用途地址注册、创建 Key、模型广场、看用量https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end填进工具的 Base URLhttps://taotoken.net/api 末尾不要加 /v1Key 在整篇文章里统一写作YOUR_API_KEY实际使用时用官网复制出来的真实字符串替换它前后不要留空格。模型 ID 不用背以官网模型广场当时列表为准建议先打开模型广场确认有哪些可选模型再决定长会话任务用哪个。2.2 Claude Code改 settings.json 的 env如果你用 Claude Code 当执行工具它支持用环境变量覆盖 API 地址和鉴权信息。修改~/.claude/settings.json加入下面这段{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_AUTH_TOKEN: YOUR_API_KEY, ANTHROPIC_MODEL: your-model-id } }ANTHROPIC_BASE_URL填接口地址不是官网地址。ANTHROPIC_AUTH_TOKEN换成你的YOUR_API_KEY。ANTHROPIC_MODEL先保留占位符运行前打开模型广场把your-model-id换成当时列表里存在的模型 ID。保存后重启 Claude Code再发一条最简单的测试消息验证通道是否连通。2.3 Codex在 config.toml 里自定义 provider如果你的主力工具是 Codex配置方式完全不一样不要把 Claude Code 的ANTHROPIC_*环境变量直接套过来。Codex 通过~/.codex/config.toml管理自定义模型供应商model_provider taotoken model your-model-id [model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY先在当前 shell 导出环境变量TAOTOKEN_API_KEY值是你的YOUR_API_KEY再启动 Codex。base_url同样是https://taotoken.net/api不带 /v1。model那行先保留占位符以模型广场实际列表为准。配好后Codex 发起的请求都会走这把 Key多 Agent 任务里无论开多少会话认证用的都是同一把。3. 照着 Manus 的上下文工程给多 Agent 加一层共享记忆3.1 短期记忆用“对话摘要 实体提取”控制上下文体量Manus 原文给的第一个武器是对话摘要与实体提取。听起来玄落地很简单每个 Agent 跑完不让原始输出直接进入下一个 Agent 的上下文而是先由整理环节生成一份简洁摘要再和最近几轮消息一起传下去。实体提取更进一步把用户偏好、关键参数、既定约束抽成结构化字段比如“约束不使用外部 API”“目标支持千人并发”。这些字段存在固定的记忆条目里随任务流转。实际做的时候我会让每个阶段结束后生成一份SUMMARY.md放在任务目录里。结构不用复杂够用就行## 已确认的目标 - 为内部工具选型消息队列 ## 已确定的约束 - 不使用外部 API - 日志只存本地 ## 历史决策 - 排除了 Kafka运维成本偏高 - 暂定 RabbitMQ待压力测试确认 ## 当前待办 - 阶段二基于 RabbitMQ 写实施方案 ## 关键实体 - 项目名msgq-poc - 目标用户内部 200 人这套做法的本质是“会议纪要机制”。多 Agent 协作里不需要每个人都记住会议上的每一句话但每个人接手前必须读一遍纪要和最终决定。3.2 长期记忆用检索方式注入相关历史而不是全量塞提示词当历史超过单次上下文容量Manus 的做法是把信息变成“外脑”也就是 RAG。多 Agent 任务里不是每个阶段都要看全部历史而是启动新阶段前检索与当前步骤相关的片段把检索结果注入系统提示。这样既避免了上下文窗口被塞满也压住了 token 开销。轻量实现可以先不引入向量数据库。把SUMMARY.md按条目拆分每条末尾加一个关键词标签启动阶段任务时用关键词过滤出相关条目拼进提示词。等历史积累到一定规模再换语义检索。原文里有一句话很关键上下文工程本质是信息检索问题。检索结果不相关模型再强也会跑偏检索做得准长会话任务里每个 Agent 拿到的都是自己真正需要的那一页。3.3 上下文共享同读一个文件同认一份事实Manus 原文的核心主张是“共享上下文并共享完整的 Agent 跟踪贯穿整个系统”而不是给每个子任务写一套独立提示词。翻译成可落地操作就是任务目录下维护一个共享记忆文件每个 Agent 启动时先读它结束时把自己的结论更新进去。下一个 Agent 启动时读到的就是包含最新决策的版本前面 Agent 的产出不会因为会话结束而消失。task/ ├── context/ │ └── shared_context.md ├── phase1_research/ ├── phase2_plan/ └── prompts/ ├── phase1.md └── phase2.md这种设计把“多 Agent 之间的记忆”从模型内部移到了文件系统里好处是透明、可审计、可回滚。哪个 Agent 把结论写错了打开文件就能看到哪一步决策导致任务错位也能追溯到具体条目。对长会话任务来说这比依赖单个模型用自然语言记住一切可靠得多。3.4 反思与修复让一个 reviewer Agent 检查一致性最后一道工序是复盘。原文提到“反思”和“上下文修复”让 Agent 自我检查已完成的工作检测上下文中的不一致并纠正。多 Agent 任务里我会在整条链路跑完后让一个 reviewer Agent 拿着共享记忆文件和最终产出做对照检查重点看三项最终产出是否覆盖所有已确认目标是否违反已记录的约束是否有历史决策和最终结果互相矛盾。给它的提示词可以简单直接请比对该任务的目标、约束与最终产出。只报告事实冲突不修改代码不执行命令。逐条列出不一致之处。发现矛盾时直接修改共享记忆文件标出修正原因再触发相关阶段重跑。这里补充一个安全边界Agent 生成的代码、SQL、脚本默认不能直接碰你的生产环境或数据库。正确姿势是让 Agent 生成或解释由你在本地执行再把结果贴回对话继续迭代。共享记忆层只管文本和决策不充当业务执行通道。4. 用“调研 → 方案”两阶段任务验证共享记忆是否生效4.1 设计一个两阶段任务为了确认配置和共享记忆真的通了跑一个两阶段任务。阶段一让 Agent 调研某个主题把结论按SUMMARY.md的格式写入共享记忆文件包括目标、约束、候选方案、推荐结论。阶段二启动另一个 Agent不重复提供调研资料只让它读共享记忆文件并产出最终方案。阶段一的提示词可以这样写调研消息队列选型重点比较 RabbitMQ 与 Kafka。调研结束后把目标、约束、候选方案、推荐结论写入 context/shared_context.md不要输出额外分析。阶段二的提示词这样写只读 context/shared_context.md不读取其他资料不联网。基于文件中记录的约束与推荐结论产出最终实施方案。如果阶段二能准确引用阶段一的推荐结论说明上下文共享生效了如果它重新选了一套方案说明记忆交接有问题回去检查上一轮摘要是否写全、阶段二是否真的只读共享记忆文件。方案里如果包含可直接执行的小脚本先在本地沙箱或临时分支运行别在生产目录里直接跑。4.2 回到控制台核对这次长会话的调用两阶段跑完后回到 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 登录控制台核对这次任务产生了多少次调用、各消耗多少 token看是否和两阶段任务大致吻合。想看模型是否正常工作可以先去 TaoToken 模型对话 用同一把 Key 发一条测试消息确认模型 ID 和 Base URL 都没填错。如果发现 Key 有泄漏风险去 控制台 API Keys 重新创建并轮换。配置保存后这一步很值得做。长会话任务最怕的不是第一次调用失败而是跑了半小时后发现 Key 配错、模型 ID 过期所有阶段的调用全部无效。提前在对话页验证一把钥匙能省下后面一整轮的排查时间。5. 长会话排障401、多余 /v1 与上下文截断5.1 401 Authentication Error如果工具返回 401先确认两件事。第一YOUR_API_KEY是否真的替换成了官网创建的 Key不要把那串占位符原样留在配置里。第二复制 Key 时是否带了多余空格。有些终端在复制长字符串时会顺手带上换行符粘贴进settings.json或config.toml后很难察觉。这类报错和模型本身没关系属于最基础的鉴权问题。在官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 的 API Keys 页面重新复制一次覆盖原值重启工具再试。注意官网控制台只负责发 Key 和看用量不要把控制台地址填进base_url。5.2 填了 /v1 或把官网当成接口配置里常见的第二个错是把 Base URL 写成https://taotoken.net/api/v1或者干脆填成官网地址。TaoToken 的接口地址是固定的https://taotoken.net/api末尾不要加 /v1。官网页面是给人浏览的接口地址是给工具调用的两者不能互换。如果你在 Claude Code 或 Codex 里看到404 Not Found或Invalid URL先检查这两个位置环境变量里的ANTHROPIC_BASE_URL以及config.toml里的base_url。把地址改回https://taotoken.net/api重启工具再跑一次最小请求验证。5.3 上下文截断或关键结论丢失长会话任务跑着跑着后面的 Agent 开始忽略前面的约束通常不是模型变笨而是共享记忆文件太大Agent 在“大海捞针”。Manus 原文里专门点过这个问题信息量一大模型对开头和结尾的记忆更好中间内容容易被忽略。解决方式不是继续扩大上下文而是做减法。检查SUMMARY.md里是否堆积了太多历史决策把当前阶段不需要的条目移出共享记忆只保留与下一步直接相关的目标和约束。相关条款可以按阶段分区阶段二只加载“已确认目标”“历史决策”“当前待办”三部分其余内容留档但不进提示词。检索比硬塞更有效。6. 像维护代码一样维护共享上下文6.1 上下文即代码共享记忆文件要进版本库Manus 原文有一句话值得抄进自己的规范里停止提示开始工程。上下文构建不能靠每次临时敲一段提示词要像管理代码一样管起来。具体动作有三个第一把SUMMARY.md模板、各阶段提示词、检索关键词全部放进同一个仓库第二每次 Agent 修改共享记忆文件后用 git 提交一次diff 里能看出哪次更新覆盖了哪条决策第三任务跑偏时直接回滚到上一版共享记忆而不是从头重跑整条链路。这套做法让“记忆”变成了可追踪的文件变更记录。多 Agent 长会话任务里模型输出是不确定的但共享记忆的每一次变更都是确定的谁改的、改了什么、为什么改都能查。真正支撑长会话可靠性的不是模型本身而是这套外部记忆机制。6.2 持续评估与下一步上下文工程不是配一次就结束。跑过几个任务后可以把共享记忆文件拿回来做一次质量评估哪些条目被后续阶段频繁引用哪些条目写了却从没被用到。没用的条目删掉频繁引用的提升为“固定约束”。如果任务里涉及大量文档检索可以用 RAGAS 这类工具评估检索结果是否相关再用反馈改进关键词或分块方式。如果打算长期跑多 Agent 长会话任务可以打开 Coding Plan 看套餐是否覆盖调用量Claude Code 的完整环境变量清单见 接入文档。把上下文当代码维护后面跑多 Agent 长会话任务就不会总在交接处断片了。
