可解釋的上下文方法論：資料夾結構作為代理建構架構
arXiv - Human-Computer InteractionJake Van Clief, David McDermott
透過檔案系統結構取代傳統框架，簡化單一 AI 代理的工作流程，降低工程負擔
AI 幫你先抓重點
AI 重點 1
資料夾階段序列化
滑鼠懸停看 AI 判斷理由
透過編號資料夾將流程拆分為明確階段，消除複雜的程式碼協調，提升可追蹤性與除錯效率，符合 AI 系統的可解釋性需求
AI 重點 2
Markdown 提示作為上下文載體
滑鼠懸停看 AI 判斷理由
將提示集中於純文字檔案，方便人類審核與即時調整，降低提示工程失誤與生成錯誤的風險，提升輸出品質
核心研究發現
- 1
Model Workspace Protocol (MWP) 以編號資料夾代表流程階段，取代多代理框架的上下文傳遞與協調
- 2
每個階段的純文字 Markdown 檔案承載提示與背景，讓人類可在每步驟檢視並調整輸出
- 3
單一 AI 代理根據正確的檔案順序執行任務，實現與多代理相同功能但結構更簡潔
- 4
本方法將 Unix pipeline、模組化拆解、多次編譯與 literate programming 的概念應用於 AI 上下文設計
- 5
MWP 以 MIT 授權開源，提供可直接使用的範例與腳本，降低實作門檻
對教育工作者的啟發
此方法可讓教育工作者以簡易的資料夾結構設計 AI 助教流程，減少程式碼編寫，提升流程透明度。教師可在每階段檢視並微調提示，確保輸出符合教學目標；開發者可利用本框架快速搭建多步驟 AI 任務，並透過本地腳本處理非 AI 部分，降低成本。此舉亦有助於培養學生的自主學習與元認知能力，因其能在流程中觀察 AI 決策與輸出，進而反思與調整。
原始文獻資訊
- 英文標題：
- Interpretable Context Methodology: Folder Structure as Agentic Architecture
- 作者：
- Jake Van Clief, David McDermott
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。