把主会话变成纯粹的运行时环境能显著提升 Coding Agent 的开发效率

在尝试用 AI Agent 进行大规模代码重构或功能开发时，很多人都会遇到一个极其头疼的问题：会话跑得越久，模型就越“傻”。明明刚讨论完的逻辑，在上下文达到一定长度后，模型开始胡言乱语，甚至出现幻觉，强行覆盖掉之前的正确代码。

大多数人的习惯是将主会话（Main Session）当成“大脑”，试图让它记住整个项目的所有细节。但从工程实践来看，这其实是一个误区。主会话承载的上下文越臃肿，注意力分散就越严重。一个更高效的架构应该是：主会话彻底“傻瓜化”，仅作为运行时（Runtime）调度器；而真正的逻辑分析和代码执行，交给短生命周期的子 Agent。

这种模式的核心在于将“项目状态”从会话内存中剥离，转化为外部可读的“物理内存”。

具体来说，我们可以通过建立一个 state.md 或 todo.json 文件来充当唯一真理来源（Single Source of Truth）。在这种工作流中，主会话不再需要理解复杂的业务逻辑，它的唯一职责就是循环执行一条指令：“检查当前状态，并调用子 Agent 处理下一个待办事项”。

在这种架构下，具体的执行逻辑被拆解为四个闭环步骤：
首先是状态同步，子 Agent 在启动的瞬间，第一件事就是读取 state.md，确认当前的开发进度和上下文快照；
其次是任务执行，所有的代码修改、分析和 Debug 都在这个独立的子会话中完成，这样可以确保主会话的上下文始终保持干净，不会被海量的代码片段污染；
接着是状态回写，子 Agent 在完成任务后，必须将执行结果、新产生的 Bug 或更新后的进度实时写入 state.md，然后立即自我销毁；
最后由主会话检测到子 Agent 结束，再次触发下一次调用。

为了让这个逻辑落地，你可以尝试在 Cursor 或 Claude Code 等工具中手动模拟这种状态追踪。例如，创建一个 state.json 文件，结构定义如下：

{
  "current_goal": "实现用户登录接口",
  "completed_tasks": [
    "数据库表结构设计",
    "基础路由配置"
  ],
  "pending_tasks": [
    "JWT 鉴权逻辑实现",
    "密码加密存储"
  ],
  "broken_points": [
    "auth_service.py 第 42 行有类型错误"
  ]
}

在这种配置下，你不需要给主会话喂大量的背景资料，只需要输入一句 Check state.json and handle the next pending task，模型就会自动通过读取 JSON 文件来同步状态，启动子任务，并在完成后更新文件。

这种“短时记忆 + 外部状态”的组合方案，最直接的优势就是避开了长会话带来的 Token 浪费。在传统的长对话中，模型需要处理数万个 Token 的历史记录，这不仅增加了响应延迟，还极易导致模型在处理细节时出现偏差。而采用子 Agent 模式后，无论项目规模有多大，每个子 Agent 面对的永远是新鲜的上下文和明确的状态快照。

将主会话从“思考者”降级为“调度员”，实际上是给 AI 引入了一种类似操作系统的内存管理机制。通过将状态持久化到文件，我们把不稳定的会话内存变成了稳定的磁盘存储，从而在复杂的 Coding 场景中获得了极高的稳定性。