这种模拟公司部门的多 Agent 设计，本质上是在制造工程上的信息损耗。真正的生产级系统不靠角色扮演，而靠显式的外部状态和并行搜索空间。
很多人试图把 AI Agent 做成一家公司，给它分 PM、架构师和测试。这种模式在工程上是死路。
人类需要分工是因为注意力带宽有限。LLM 的瓶颈在于推理深度。给模型贴上角色标签会制造假边界，让它拒绝越界。一个被框死在测试岗位的 Agent 可能会无视架构层面的逻辑漏洞，因为它觉得那不属于它的职责范围。
更糟糕的是信息流转中的损耗。Agent 之间的交接传递的是结论，丢失了推理过程。这种单向的任务接力会让输出在长程任务中发生漂移。每个节点看起来都正确，整体却偏离了目标。
看 Anthropic 的做法。他们不谈角色扮演，谈的是 Context Engineering。核心在于建立显式的外部状态，比如 `progress.txt`。写的人和读的人是同一个灵魂，只是在不同的 session 里。信息不是被压缩传递的，而是被连续积累的。
多 Agent 的价值在于并行覆盖更大的搜索空间，而非单纯的分工协作。这更像是在进行广度优先搜索，而不是接力赛。架构不应该模仿人类组织，它应该更像一个思考者的多次草稿。
