RinDig/Interpretable-Context-Methodology

解决的问题

可解释上下文方法论（ICM）解决了多智能体框架的复杂性和不透明性。与使用代码密集型编排（如CrewAI或LangChain）来管理多步骤AI工作流不同，ICM采用结构化的文件系统。这消除了更改工作流顺序、替换提示或添加阶段所需的复杂开发工作，使系统默认具备可观测性和可移植性。

工作原理

ICM用文件夹层级结构替代框架级别的编排。单个AI代理根据五层上下文加载系统，在特定时间读取特定文件：

• 第0层 (CLAUDE.md): 全局身份和位置信息。
• 第1层 (CONTEXT.md): 任务路由。
• 第2层 (Stage CONTEXT.md): 具体任务指令（“合同”）。
• 第3层 (参考材料): 品牌指南或设计系统等跨运行稳定的知识。
• 第4层 (工作成果): 前一阶段的动态输入和输出。

阶段以编号文件夹表示（如 01-research, 02-script），强制执行顺序执行。每个阶段的输出是纯文本文件，人类可在下一阶段开始前进行审查和编辑，确保“玻璃盒”式工作流。

适用人群

适用于需要在每个步骤中进行人工介入审查的顺序性、可重复的多步骤工作流的实践者，例如内容创作、研究分析和报告流程。

亮点

• 文件系统即架构： 使用文件夹编号和层级结构管理状态和顺序，而非代码。
• 人机协同： 每个中间输出都是可编辑的文本文件，便于人工干预和引导。
• 分层上下文： 仅加载当前阶段所需上下文，防止模型性能下降。
• 可观测性： 无需特殊日志工具；系统状态即磁盘上的文件本身。
• 工作区构建器： 提供专用工作区，帮助用户为任意领域快速搭建符合ICM规范的新工作流。