最近我在搭一个复杂的Agent系统，遇到一个看起来很技术、其实很哲学的问题。
模型的上下文窗口是100万token。听起来很大。但只要任务稍微复杂一点，你会发现它很快就满了——就像你给一个极其聪明的实习生布置工作，讲到第三份文件的时候，他已经忘了第一份文件里写了什么。
我一开始以为这是个工程问题。多做点优化，压缩一下prompt，精简一下输出，总能多塞点东西进去。
后来我意识到，这不是工程问题。这是个文明问题。
1956年，认知心理学家乔治·米勒发表了一篇著名的论文，标题很直白：《神奇的数字7±2》。他发现，人类大脑的工作记忆，一次只能处理大约7个信息单元。不是7万，不是700，是7。
这意味着什么？意味着如果没有纸笔，你连一串11位的手机号都记不牢。意味着你在心算三位数乘法的时候会频繁出错。意味着你同时听三个人说话就会崩溃。
但就是这样一个工作记忆只有个位数的物种，造出了登月火箭，建成了互联网，写出了《红楼梦》，还造出了一个能写诗的AI。
这中间，发生了什么？
答案是：我们学会了把认知外包出去。
文字的发明，是把记忆外包给了竹简和纸张。你不需要记住所有事，只需要知道去哪里查。货币的发明，是把价值判断外包给了一个数字。你不需要知道一头牛值多少斤米，只需要看价格。法律的发明，是把道德判断外包给了条文。你不需要每次都临场裁决"这件事对不对"，查法条就好。
而专业分工的出现，是最深刻的一次外包——把技能外包给了别人。你不需要知道怎么种水稻、怎么炼钢、怎么给心脏搭桥。你只需要知道一件事：该找谁。
这就是文明真正的秘密。
从智人到现代人，大脑容量几乎没有变化。我们的祖先和我们一样聪明，也一样"笨"——工作记忆都是7个左右。文明从来没有让人类的大脑变大，它做的事情是在大脑之外建了一整套系统，让你不需要把所有东西都装在脑子里。
换句话说：智能的天花板，从来不在大脑里，而在大脑之外。
理解了这一点，我们再回头看Agent的问题，就会看到一幅完全不同的图景。
一个大模型，上下文窗口100万token。你以为很多，但当你让它同时处理一个复杂项目——读十份文档、调用八个工具、维护一段多轮对话、还要记住之前做过的所有决策——100万很快就不够了。
这不是某个模型的缺陷。这是所有有限认知系统的宿命。
人类大脑的"上下文窗口"是7个信息块，GPT的是100万token。数字差了十几万倍，但本质上面对的是同一个问题：单体智能，永远有边界。
怎么办？
文明已经替我们回答过一次了：不要试图让一个大脑装下一切，让它学会外包。
这就是子Agent架构的本质。你不需要把"怎么写代码""怎么分析数据""怎么画图"这些技能全部塞进一个Agent的上下文里。你让主Agent只负责理解任务、拆解任务、分配任务，然后把具体的活交给专门的子Agent去做。
每个子Agent有自己的上下文窗口，装着自己领域的知识和记忆。主Agent不需要知道Python的语法细节，就像CEO不需要知道怎么修打印机。
这样，一个100万token的主Agent，加上100个各自有100万token的子Agent，能处理的信息量就膨胀了两个数量级。
但这不是简单的算术。这里发生了一件比"省token"重要得多的事情。
而"如何构建组织"这件事，复杂程度远远超出大多数工程师的想象。
这个区分至关重要。
当你有3个子Agent的时候，你觉得自己在搭一个工具。就像一个小作坊，老板加三个伙计，喊一声就能干活，没什么管理可言。
当你有30个子Agent的时候，你觉得自己在搭一个系统。需要做点流程设计，搞点分工。像一家初创公司，开始有了"谁负责什么"的概念。
当你有300个子Agent的时候，事情变了。主Agent的上下文光是装这300个Agent的能力描述就要占掉一大块空间。"从300个里选出最合适的那一个"本身就成了一个高难度的决策问题。你开始需要分层、分组、建索引。这已经像一家中型企业了——CEO不可能认识每一个员工，必须通过中层来传达和执行。
当你有3000个、30000个子Agent的时候呢？
你面对的不再是一个工程问题。你面对的是一个古老的、人类用了几千年才勉强搞明白的问题：
这个问题有一个学术名字，叫做组织理论——一门横跨经济学、社会学、政治学和管理学的综合学科。
说到这里，我想讲一个人的故事。
他叫赫伯特·西蒙（Herbert Simon），是一个极其罕见的"跨界天才"。他拿过图灵奖——因为他是人工智能的奠基人之一；他还拿过诺贝尔经济学奖——但获奖理由不是因为什么经济模型，而是因为他提出了一个关于人类认知的洞察。
这个洞察叫做"有限理性"（bounded rationality）。
核心意思很简单：任何决策者的认知能力都是有限的，所以不可能做出"最优"决策，只能做出"足够好"的决策。
这话听起来像废话。但它的推论极其深刻——
正因为个体的理性是有限的，所以我们需要组织。组织的本质功能不是"管人"，而是管理认知负荷的分配：让每个人只需要处理他认知带宽以内的复杂性，把超出他能力的部分交给别人，或者交给流程。
读到这里，你有没有一种似曾相识的感觉？
100万token的上下文窗口 = 有限理性。子Agent架构 = 组织。工作流 = 流程。分层嵌套 = 层级制度。
西蒙在60年前研究人类组织时回答的问题，和我们今天在Agent架构里遇到的问题，是同一个问题：当单体智能不够用的时候，该如何设计一个组织，让整体智能涌现出来？
最讽刺的是，西蒙本人同时是AI先驱和组织理论大师。他大概是人类历史上唯一一个能横跨这两个领域的人。但在他之后，这两个领域就各走各路了。AI的人去研究更大的模型、更强的算力，组织学的人去研究企业管理、制度设计。
直到今天，Agent系统的复杂度终于涨到了一个临界点——这两条路，又要交汇了。
一旦意识到Agent系统本质上是一个组织问题，很多困惑就突然有了参照系。
你会发现，你在Agent架构里遇到的每一个难题，人类组织都已经踩过一遍。
比如调度问题——1万个子Agent，该把任务派给谁？这就是人力资源管理里的"人岗匹配"。人类的解法不是让CEO记住每个人的简历，而是建了一整套系统：简历库、岗位画像、HR筛选、面试评估。Agent系统需要的也是类似的机制：能力描述就是简历，调用成功率就是绩效考核，embedding检索就是HR系统帮你初筛。
比如分层问题——主Agent管不了1万个子Agent，就像CEO管不了1万个员工。管理学里有个概念叫"管理幅度"（span of control），经验值大概是5到10个直接下属。超过这个数字，信息传递就会失真，决策质量就会下降。有趣的是，大模型在工具选择上也有类似的规律——当候选工具超过一定数量，选择准确率就开始明显下滑。所以Agent系统的分层不是设计偏好，而是认知带宽的硬约束。和人类组织一样，是物理必然。
比如固化问题——一个调用链如果反复出现并且每次都成功，还需要每次都让LLM重新决策吗？显然应该把它固化成工作流。这就是组织学里的"惯例制度化"——先是某个人偶然发现了一种好的做事方式，然后它变成了团队惯例，最后被写进了SOP。反过来，当环境变了、某个固化的流程开始频繁失败，就应该把它"解冻"回LLM动态决策。制度的僵化和灵活之间的拉锯，人类组织研究了上百年。Agent系统会再来一遍。
比如演化问题——当某个子Agent越来越强、能干越来越多的事，它应该被"升职"（承担更大职责）还是"分裂"（拆成几个更专业的Agent）？这就是企业成长过程中"事业部制还是职能制"的经典抉择。
这些问题，没有一个是靠"让模型更聪明"能解决的。
当你试图让一个Agent变得无所不能的时候，你就走上了一条注定失败的路。文明的秘密从来不是全能，而是分工。
写到这里，我本来想做个总结。但有一件事比总结更值得说。
我们正在做的这件事，如果退后几步来看，其实是一件极其宏大的事——
第一次，是人类自己。从原始部落到城邦国家，从封建帝国到现代公司，从计划经济到自由市场，从科层制到互联网平台——每一次组织形式的跃迁，都是在回答同一个问题：如何让一群认知有限的个体，协作完成超出任何单个个体能力的事情？
人类花了几万年来试错。无数组织形式诞生、繁荣、僵化、崩溃。我们到今天也不敢说自己完全搞懂了。
这一次，我们要给Agent回答同样的问题。
但有一个关键的不同：这次我们没有几万年了。技术发展的速度意味着，我们可能只有几年的时间窗口来完成"Agent社会"的基本制度设计。
这让我感到隐隐不安。
不安的原因不在技术层面——技术问题总有技术方案。不安的原因在于认知层面：我们真的理解"组织"是怎么回事吗？
人类到今天，对自己的组织形态仍然充满困惑。我们不太清楚为什么有些公司能基业长青而有些迅速死亡；不太清楚为什么有些制度能让社会繁荣而有些导致停滞；不太清楚当一个组织的规模膨胀到某个临界点之后，到底会涌现出什么——是更高的效率，还是意想不到的混乱。
现在，我们要在Agent的世界里，用几年时间，重新设计这一切。
而我们对"社会如何运作"的理解，可能比我们以为的，还要少得多。
这也许才是AI时代真正的挑战——不是造出更聪明的模型，而是学会组织它们。而要学会组织它们，我们可能得先承认一件事：在"组织"这门课上，我们自己也还是学生。