什么是渐进式披露？
渐进式披露（Progressive Disclosure）是解决工具与使用者能力匹配矛盾的核心原则。其核心在于别一次性把所有信息都塞给智能体，让它按需获取、分层展开。
方向一：上下文获取——别再替 Agent'投喂'了
早期方案使用 RAG（检索增强生成），将相关片段一股脑儿塞进上下文。后来团队改为让 Cloud 自己调用'搜索代码库'的工具。模型清楚自己缺什么，搜到的内容能接上当前的推理链路。此外加入了 skills 机制：当读一个文件发现引用另一个文件时，自动递归展开。现在 Cloud 能多层嵌套搜索、精准定位。
核心启发： 搭建智能体时，别替 Agent 决定它应该看到什么。给它搜索工具、入口文件和权限，让它自己去挖掘。
方向二：拓展能力——不加工具也能扩展行动空间
每多加一个工具，模型每次推理时的决策负担会指数级上升。将文档直接塞进系统提示词会造成严重的上下文污染。最终方案是搞了一个子代理：专门用来指导工作，只有用户问相关问题时才启动。子代理有专门的搜索指令，找到答案就返回，不会把原始文档全部加载进来。
核心启发： 遇到'要不要加一个新工具'的问题时，先想想能不能用子代理、文件引用，或者让 Agent 在需要时自己发现能力。
方向三：工具的淘汰——模型变强了，旧工具就成了枷锁
早期为了弥补记性差，设计了待办清单工具，每隔五轮对话插一条系统提醒。但模型升级后，这种死板的规矩反而限制了灵活性。更强的模型不需要这种提醒，甚至认为过于苛刻。后来改用了task 工具，能设置依赖关系，多个子代理之间共享进度，模型自己也能修改任务。
核心启发： 定期审视工具库。随着模型能力增强，曾经需要的工具可能变成束缚。
给开发者和用户的实用建议
- 工具要少而精：只给核心工具，再加一个搜索或发现机制。采用'延迟加载'设计：工具里只放轻量级钩子，需要时再加载完整定义。
- 优先考虑子代理和文件引用：想扩展能力，先想能否用子代理或让 Agent 在需要时自己读文件。
- 定期审视你的工具：每季度翻一翻工具列表，确认是否必要，有无限制灵活性。
- 优化.claude.md 文件：这是你能控制的系统提示词。只放骨架核心（项目简介、技术栈、关键规则），详细规范独立到其他文件，路径留在.claude.md 中。提问时给方向和入口，让 Agent 自己去定位。
既是科学，也是艺术
给 Agent 设计工具是一门科学，也是一门艺术。没有一套公式能覆盖所有场景，要多试、多观察、多迭代。渐进式披露是目前验证下来最有效的主线：你塞得越多，Agent 反而越受限；你给得越克制，它发挥得反而越好。
