Agent 需要怎样的文档系统

今天的大多数文档仍然为人类阅读而优化，这很自然。但当 AI 系统和未来 Agent 要根据文档完成真实工作时，仅仅“读起来清楚”已经不够。系统必须保留 Agent 真正能够据此行动的上下文。

一个有用的起点

如果 Agent 不只是总结或补全，它需要知道目标、边界、当前状态、证据来源、允许采取的动作，以及什么才算完成。

为什么静态文档不够

静态页面可能写得很好，却不知道后来哪次会议改变了决定，也不会标明某项假设已经失效。Agent 若无法区分当前 authority 与历史材料，就可能非常自信地执行错误内容。

Agent 最需要的五样东西

1. 持久目标

任务背后的用户价值、期望结果与非目标要明确。目标应在工作跨会话和跨工具时继续存在，而不是只留在最初提示词中。

2. 明确约束

权限、范围、安全规则、不可逆动作和需要人工确认的边界必须可读。约束不能依赖人类默认知道的隐含习惯。

3. 相互连接的决定

决定应连接原因、证据和受影响对象。Agent 需要判断一条旧决定是否仍适用，而不是把所有历史句子当成同等有效。

4. 可复用工作流

稳定流程应包含触发条件、步骤、必要输入、验证和停止条件。真正的工作流不是僵硬脚本，而是帮助 Agent 在变化中保持正确判断。

5. 修正循环

用户对结果的修改是宝贵信号。系统需要区分一次性编辑与稳定偏好，并让经过确认的学习影响后续工作。

这本质上是上下文问题

模型能力不是唯一限制。上下文若不完整、过时或无法判断权威性，再强的 Agent 也会做出脆弱决定。

这会怎样改变文档策略

团队需要少一些孤立页面，多一些可追溯的当前状态；少一些最终答案，多一些目标、证据、取舍与验证；少一些复制，多一些连接。

传统文档在哪里遇到困难

传统系统主要依赖人维护结构与新鲜度。它们可以存储这些信息，却不一定能在工作变化时持续更新，也很少把修正变成未来能力。

最后的结论

Agent 需要的不只是更多文字，而是 decision-grade context：当前目标、明确边界、可信来源、连接的决定和可验证的完成状态。文档系统必须围绕这些要素演进。