---
title: '渐进式披露(Progressive Disclosure)'
concept: 渐进式披露
aliases: [渐进式披露, progressive disclosure]
type: 概念页
sources:
  - 01-学习笔记/ai/cole-medin/2026-07-02-给LLM Wiki定的开放标准OKF来了.md
  - 01-学习笔记/ai/ai-with-avthar/2025-11-08-Claude Code 2.0 核心升级速览.md
  - 01-学习笔记/seo/bytegrad/2026-01-27-用Remotion加Claude Code提示词生成宣传视频含VPS部署.md
  - 01-学习笔记/ai/chase-ai/2026-04-01-用LightRAG给Claude Code接上Graph RAG知识库.md
  - 01-学习笔记/ai/cole-medin/2026-04-06-自进化的Claude Code记忆系统.md
  - 01-学习笔记/ai/greg-isenberg/2026-04-08-AI Agent 与 Claude Skill 工作原理.md
  - 01-学习笔记/ai/cole-medin/2026-05-21-Anthropic大型代码库Agent Harness大师课.md
  - 01-学习笔记/ai/shaw-talebi/2026-06-28-用Agent技能培训你的AI团队.md
  - 01-学习笔记/ai/nate-herk/2026-07-03-Fable5加Karpathy的LLM Wiki基本等于作弊.md
topics: [Claude Code 工作流, Claude Code 定制扩展, 模型与能力, Agent 工程, 多 Agent 协作, MCP 与工具调用, RAG 与知识系统, 建站与技术栈, 商业模式与变现]
promoted: 2026-07-07
---


> **术语判别**:中文圈已有完整对等词"渐进式披露",**中文化为主**;英文 progressive disclosure 作为别名保留,用于学术引用或对齐英文社区。

## 定义

让 agent **初始只看到"元数据"(名称 / 描述 / 索引摘要)**,判定相关后才**按需加载完整内容**(全文 / 具体文件 / 具体 skill 正文)——目的是少占 token、避免无关信息稀释注意力。这条策略在不同载体上落地成同一原理的多种实现:知识库(Karpathy LLM Wiki / OKF 的 index + entity document)、skill 加载(Claude skill 的 name+description → SKILL.md → references 三级)、代码库约定(子目录 CLAUDE.md 按位置叠加)、RAG 检索(按相似度取回相关 chunk)。

## 各信源立场对照

| 信源 | 立场/侧重 | 锚点 | 采信 |
|---|---|---|---|
| Cole·OKF | **首见**:落到知识库检索——Karpathy LLM Wiki 的 index 文件让 agent 先看摘要判断方向,再按需打开 entity document | [4:25](https://youtu.be/-d3ZbXwqy_Q?t=265) | 利益中性,推自家生态但 OKF 标准可验证 |
| AI with Avthar·Claude Code 2.0 | skill 本体即 `SKILL.md`,开头是 name + description、后续是指令/代码/资源链接;靠渐进式披露省上下文 | [16:01](https://youtu.be/JC2dR2RHcEM?t=961) · [16:21](https://youtu.be/JC2dR2RHcEM?t=981) | 利益中性,带工具倡导倾向但工作纪律属共识 |
| ByteGrad·Remotion+Claude Code | 营销视频业务里 `SKILL.md` 描述子文件、agent 按需展开对应片段,是 skill 上的渐进式披露落地 | [6:46](https://youtu.be/y-pxNV0IyTY?t=406) | 利益中性,演示推课但 skill 触发与赞助无关 |
| Chase·LightRAG + Graph RAG | RAG 的向量检索是同一思路的机器版——不把整库塞进 context,按相似度取回相关 chunk 再增强作答 | — | 利益中性,推课但开源项目主张可独立验证 |
| Cole·自进化记忆 | 不用花哨 RAG:agent 直接在 vault 里按 index 导航到对应 entity document。简单是这套策略最大的吸引力 | [5:34](https://youtu.be/Jdy4f0vNL58?t=334) | 利益中性,引流自有社群但源自 Karpathy |
| Greg·Skill 工作原理 | skill 进上下文的**只有名称与描述**,那一大段正文并不加载——这就是渐进式披露 | [3:32](https://youtu.be/S_oN3vlzpMw?t=212) | 利益中性,无付费课程/贴片核心观点属跨工具共识 |
| Cole·大型代码库 Harness | 子目录可放各自的 CLAUDE.md,根规则每次会话必加载,进到某子目录编辑就自动叠加该目录规则——也是渐进式披露:只加载当前工作切片需要的约定 | [5:08](https://youtu.be/efRIrLXoOVA?t=308) | 利益中性,Cole 推插件但 7 层框架源自官方 |
| Shaw·Agent 技能培训 | "The real power of skills is this idea of progressive disclosure":元数据描述 → `SKILL.md` → references 三级展开,是 Anthropic Agent Skills 产品设计里的原始落地形态 | [3:21](https://youtu.be/rhC1Q28E0sA?t=201) | 利益中性,评 Copilot 立场但机制可独立验证 |
| Nate Herk·Fable5 + LLM Wiki | index / log 引导 agent "先概览再深挖" 的机制是同一件事;演示五分钟搭起 OKF 之前的原始版本 | — | 与利益同向,待印证,反复展示 OS 又承认过度 |

## 分歧与共识

- **共识**:任何"先看到摘要 → 按需展开全文"的机制都属渐进式披露。它可落到知识库(Karpathy LLM Wiki / OKF 的 index + entity document)、skill 加载(Claude skill 三级展开)、代码库约定(子目录 CLAUDE.md 按位置叠加)、RAG 检索(按相似度取回 chunk)等不同载体;省 token、避免无关信息稀释注意力是统一的收益。
- **分歧 / 侧重**:
  - **简单 index vs 机器版 RAG**:Cole 自进化记忆走"agent 按 index 导航、不用向量库",Chase LightRAG 走"用 RAG 接外部知识库"。同一原理两种落地,选哪条取决于知识结构是否清晰——Cole 的立场是结构清晰就别上 RAG,简单优先。
  - **展开层级数不同**:Shaw 与 Greg 都强调 skill 三级展开(name+description → SKILL.md → references),Cole 大型代码库把它从 skill 扩到 CLAUDE.md 的"按目录位置叠加",Nate Herk 把 index/log 看作"先概览再深挖"的轻量版。
  - **收益的边界**:Chase 量化"RAG 是同一思路的机器版",但提醒 naive RAG 在离散信息连接上不够,需要 Graph RAG 兜底;Cole 自进化记忆则主张"简单 index 已经够用",反对过度工程化。

## 怎么用

- **用 skill 装偶发知识**:不要把规则、风格、领域知识塞 `CLAUDE.md`;做成 skill(`SKILL.md` + name/description + references 三级),Claude 初始只看到名称与描述、判定相关才展开(Greg·3:32、Shaw·3:21)。这一动作与 [[静态上下文与动态上下文]] 的"按需加载"是同一硬币两面。
- **知识库加 index 文件**:Karpathy 范式 + OKF 标准都用 index 摘要引导 agent 方向、按需打开 entity document(Cole·OKF·4:25、Cole·自进化·5:34)。如果知识结构清晰,简单 index 比 RAG 优先——Cole 自进化记忆 vs Chase LightRAG 显示,不上向量检索也能用。
- **代码库用子目录 CLAUDE.md 做位置感知**:根规则必加载,子目录规则按工作位置叠加,只取当前切片需要的约定(Cole·大型代码库·5:08)。
- **元数据要写到位**:无论哪一层级,元数据(name / description / index)都要写得足够明确——这是 agent "判定相关"的依据。描述不明确时,渐进式披露退化成"永远不展开"或"无关展开",前者是漏触发、后者是 token 浪费。

## 适用边界
- **离散信息连接场景朴素 RAG 不够**:Chase 明示朴素 RAG 在离散信息之间连接检索上不够,需要 Graph RAG 兜底——渐进式披露靠 RAG 落地时,"跨文档关联性"问题是其失效场景。
- **元数据写不清楚时整条策略失效**:Cole 自进化记忆 明示"结构清晰就别上 RAG、简单优先",但反过来,描述不明确时策略退化成"该调时不调"(漏触发)或"无关展开"(token 浪费)——这是渐进式披露的可靠性边界。

## 关联
- [[静态上下文与动态上下文]] — 互补:静态 / 动态上下文 是把 agent 加载方式切成两类的"上层分类",渐进式披露是其下"按需展开"的具体动作——同一个权衡的两面。