一句话定义：子智能体上下文隔离（Sub-agent Context Isolation），指主智能体（orchestrator）把任务拆给多个子智能体（sub-agent）时，让每个子智能体只拿到属于自己的一份独立上下文（context），彼此不共享对话历史、中间推理和工具调用记录。
打个比方。你是项目负责人，手上有个大活儿，有两种组队方式。
方式 A：拉一个大群，所有人都进去，所有讨论都在群里刷屏。张三查的资料、李四试错的弯路、王五和客户的寒暄，全堆在一起。谁想干活，先得把几百条消息翻完。
方式 B：给每人单独发一封任务邮件，写清目标、输入、交付物。大家各自在文档里干活，做完只把结果交回来。
上下文隔离就是方式 B。主智能体只负责拆任务和收结果，子智能体之间通过结构化的输入输出"交接"（hand-off），而不是靠互相偷看聊天记录。
共享上下文会出什么灾难：
- 污染与串味：A 试错的错误结论，会被 B 当成已知事实接着往下推。
- 上下文膨胀：token 消耗随智能体数量快速上升，延迟和成本跟着涨，还容易顶到AI 词典：上下文窗口">上下文窗口（context window）上限，后半程直接被截断。
- 注意力稀释：无关信息越多，模型对关键指令和约束的注意力越弱，越容易跑偏、忘掉格式要求。
- 责任不清：结果错了，分不清是谁带偏的，调试几乎无从下手。
- 并发写冲突：多个子智能体同时往一份历史里写，互相覆盖。
| 做法 | 上下文 | 适合场景 |
|---|---|---|
| 上下文隔离 | 每人一份，用完即弃 | 任务可拆分、可并行、步骤多 |
| 上下文共享 | 全员读写同一份 | 少量智能体、强耦合、需要实时互看 |
| 长期记忆 | 跨会话持久存储 | 记住用户偏好等长期信息 |
注意最后一行：记忆（memory）和隔离不是一回事。隔离管的是"这次任务的工作台"，记忆管的是"下次还记不记得"。
对从业者的意义：设计多智能体系统时，真正要花心思的是交接协议——子智能体的上下文尽量小、只装必要信息，返回结果结构化、可校验，别把整段思考过程倒回主线。子任务失败重试时，换一份干净上下文，往往比在脏上下文里继续修更有效。
对普通人的意义：带团队、用 AI 跑多步骤任务时同理。给每个执行者"最小必要信息"，比拉个大群高效得多；想清楚"谁知道什么、不需要知道什么"，本身就是一种能力。
（各家框架对子智能体的实现细节不同，具体能力以官方文档为准。）