Agent 群體的集體潛意識：Shadow Brain + claudectl + Beads 構建多 Agent 記憶基礎設施
The background agents are still searching. I’ll wait for their results before writing.
Agent 群體的集體潛意識：Shadow Brain + claudectl + Beads 構建多 Agent 記憶基礎設施
---
title: "Agent 群體的集體潛意識：Shadow Brain + claudectl + Beads 構建多 Agent 記憶基礎設施"
date: "2026-06-16"
slug: "agent-shadow-brain-claudectl-beads-agent"
summary: "十幾個 AI agent 一齊做嘢，點樣唔撞車、唔失憶？Shadow Brain 嘅共享記憶、claudectl 嘅 swarm orchestration、Beads 嘅 graph-based state 同 arcrift 嘅 lifecycle management，構成多 agent 系統嘅集體潛意識基礎設施。"
tags:
- build
- multi-agent
- memory-infrastructure
- swarm-orchestration
- ai-engineering
draft: false
lang: zh-Hant
---
一個人寫 code 同十個人寫 code，最大分別唔係速度，而係溝通成本。十個 developer 各自改緊同一份 codebase，如果有人唔知其他人改咗啲乜，一日之內就會 merge conflict 到七彩。AI agent 都一樣——當你由一個 agent 進化到十幾個 agent 平行作戰，最頭痛嘅問題唔係 prompting，而係 **記憶點樣共享**。
我哋由一個 agent 獨自完成 task 嘅時代，走到 swarm 式協作嘅臨界點。獨立 agent 嘅能力已經好成熟：俾個 prompt 佢就做到嘢。但十幾個 agent 一齊做 project，冇 shared context 的話，每個 agent 都係重新發明車輪——佢唔知隔籬個 agent 啱啱解決咗邊個 bug，唔知個 config 係咪已經改過，唔知個 PR 係咪已經 merged。呢個唔係 prompting 問題，而係 infrastructure 問題。
## 集體潛意識：Shadow Brain 嘅共享記憶層
如果話每個 agent 有一個短期工作記憶（context window），咁 Shadow Brain 就係佢哋嘅長期集體潛意識。Shadow Brain 嘅做法好直接：將 agent 之間產生嘅關鍵資訊——log、decisions、patterns、failures——寫入一個共享嘅向量資料庫同 graph store，而唔係留喺 agent 嘅 ephemeral context 入面。
呢個唔係 caching，而係組織化嘅經驗累積。例如 agent A 發現某個 API endpoint 有 rate limit issue，佢將呢個 observation 寫入 Shadow Brain 之後，agent B 下次 call 同一個 API 之前會自動檢索到呢條經驗，自動加 retry logic。呢種「跨 agent 學習」唔需要任何人工干預，純粹靠共享記憶層自然發生。
關鍵係 Shadow Brain 唔係一個 passive storage，而係 active inference engine。佢唔只係儲起啲 data，而係會根據當前 agent 嘅 context 主動推測佢可能需要邊啲記憶，提前 retrieve 過去嘅經驗。呢種 predictive memory retrieval 先係多 agent 系統真正有生產力嘅原因——agent 唔需要知道自己需要搵咩記憶，記憶會自動搵返佢。
入面用嘅技術 stack 係 graph + vector hybrid：graph 保存關係（呢個 agent 改過呢個 file、呢個 decision 關聯呢個 outcome），vector 做模糊相似度搜尋（有個 agent 見過類似問題？搵出嚟）。兩個加埋，先做到「記憶唔只係搜到，而係有關聯脈絡」。
## 集體潛意識：Shadow Brain 嘅共享記憶層
如果話每個 agent 有一個短期工作記憶（context window），咁 Shadow Brain 就係佢哋嘅長期集體潛意識。Shadow Brain 嘅做法好直接：將 agent 之間產生嘅關鍵資訊——log、decisions、patterns、failures——寫入一個共享嘅向量資料庫同 graph store，而唔係留喺 agent 嘅 ephemeral context 入面。
呢個唔係 caching，而係組織化嘅經驗累積。例如 agent A 發現某個 API endpoint 有 rate limit issue，佢將呢個 observation 寫入 Shadow Brain 之後，agent B 下次 call 同一個 API 之前會自動檢索到呢條經驗，自動加 retry logic。呢種「跨 agent 學習」唔需要任何人工干預，純粹靠共享記憶層自然發生。
關鍵係 Shadow Brain 唔係一個 passive storage，而係 active inference engine。佢唔只係儲起啲 data，而係會根據當前 agent 嘅 context 主動推測佢可能需要邊啲記憶，提前 retrieve 過去嘅經驗。呢種 predictive memory retrieval 先係多 agent 系統真正有生產力嘅原因——agent 唔需要知道自己需要搵咩記憶，記憶會自動搵返佢。
入面用嘅技術 stack 係 graph + vector hybrid：graph 保存關係（呢個 agent 改過呢個 file、呢個 decision 關聯呢個 outcome），vector 做模糊相似度搜尋（有個 agent 見過類似問題？搵出嚟）。兩個加埋，先做到「記憶唔只係搜到，而係有關聯脈絡」。
## claudectl：Swarm 嘅神經系統同控制平面
Shared memory 只係 infrastructure 嘅一半。另一半係點樣 control 呢班 agent——點樣 dispatch、monitor、recover。呢度就係 claudectl 嘅角色。
Claudectl 係 swarm 嘅 control plane，類似 k8s 嘅 control plane 之於 containers。佢管理 agent 嘅 lifecycle：由 task dispatch、resource allocation、health check、到 failure recovery。但同傳統 orchestration 最唔同嘅係，claudectl 嘅 decision-making 本身都係 AI-driven——佢唔係行 static rules，而係根據當前 system state 同歷史數據動態決定點樣分配 agent。
例如一個複雜嘅 feature implementation：claudectl 會先分析任務結構，決定拆成幾多個 sub-task，每個 sub-task 用邊個 specialist agent，然後平行 dispatch。如果某個 agent 卡住咗（context window 爆咗、遇到 ambiguity、連續 fail），claudectl 唔係 hard crash，而係識得 reroute 去另一個 agent 或者調整 task scope。
更重要嘅係，claudectl 同 Shadow Brain 係 deep-integrated。Claudectl 唔只係睇住 agent 嘅 health，佢讀緊 Shadow Brain 嘅訊號——如果某個 agent 做緊嘅嘢同歷史 pattern 偏離太多，claudectl 會介入。呢種「collective subconscious → control plane → individual agents」嘅 feedback loop，係多 agent 系統由「幾個 script 各自行」進化到「真正 orchestrated swarm」嘅分野。
## Beads + arcrift：Graph-Based Issue Tracking 同 Task Lifecycle
Agent 做嘢唔係一次過嘅。一個 task 可能橫跨幾日、來回十幾次 iteration。點樣 track 呢啲 progress？點樣知道邊啲 decisions 已經做咗、邊啲 pending、邊啲做錯咗要 redo？呢個就係 Beads 同 arcrift 嘅領域。
Beads 嘅概念好優雅：每個 task 嘅 state 唔係 linear sequence，而係 graph。一個 task 可以 split 成多個 parallel strands，可以 merge、可以有 dependency、可以 rollback。每粒「bead」代表一個 atomic state——一個 decision、一個 file change、一個 test result——然後 beads 之間嘅 edges 代表 causal relationships。呢種 graph-based state representation 比傳統嘅 task queue 強大得多，因為佢 capture 到 real work 嘅非線性本質：agent 試緊 A path，發現唔 work，退回 branching point，試 B path，呢啲全部記錄喺 beads graph 入面。
Arcrift 就係負責做 beads 嘅 lifecycle management。佢管理 beads 嘅 creation、traversal、garbage collection。當 beads graph 太大（幾千粒 beads）嗰陣，arcrift 決定邊啲 beads 可以 archive、邊啲要 keep 作為 reference、邊啲要 merge 成 summary bead。呢種記憶壓縮機制防止咗「記憶 infrastructure 本身變成 performance bottleneck」嘅 paradox。
將呢三個 layers 疊起嚟：Shadow Brain 係 shared memory + inference，claudectl 係 orchestration + control，Beads + arcrift 係 state tracking + lifecycle。佢哋一齊形成咗一個完整嘅多 agent 記憶 infrastructure。
## 對你嘅實戰建議
如果你今日開始搞多 agent 系統，唔好一開始就諗 swarm intelligence 或者 emergent behavior。先解決基礎問題：
**第一，共享記憶要 infra-level，唔係 app-level。** 唔好喺 agent prompt 入面手動加啲「記得睇返之前嘅 conversation history」呢啲 hack。用 vector store + graph store 做底層 infrastructure，每個 agent 嘅 read/write 係 automatic，唔係 opt-in。
**第二，orchestration 要 adaptive，唔係 deterministic。** Agent 嘅行為係 probabilistic，你個 orchestration layer 都要係。Static DAG 唔 work——你需要一個 control plane 識得根據 real-time feedback 調整。
**第三，state tracking 要 graph-based，唔係 linear。** 真實開發工作係 branching 同 merging 嘅，唔係 sequential checklist。用 beads 或者類似嘅 graph structure 去 capture causality。
多 agent 系統嘅 bottleneck 永遠唔係 agent 嘅 intelligence，而係佢哋之間點樣 share context、點樣協調、點樣唔重複做同一件事。Shadow Brain、claudectl、Beads 呢條 stack 俾咗一個具體嘅 architectural pattern 去解決呢個問題。下一個 stage——真正嘅 agent collective intelligence——就係由呢啲 infrastructure 開始。