渐进式披露 (Progressive Disclosure)

概述

渐进式披露（Progressive Disclosure）是一种交互设计和信息管理策略，旨在通过分阶段、按需的方式向用户（或 AI 模型）展示信息，以避免认知过载和资源浪费。在 AI 系统设计中，该原则表现为优先提供高层摘要或元数据，仅在用户明确表达进一步兴趣时，才提供详细的底层数据。在 Claude-Mem 系统中，这一原则被具体化为“三层检索工作流”，有效解决了大语言模型上下文窗口有限和注意力稀释的核心痛点。

关键内容

理论基础与起源

渐进式披露最初源于人机交互（HCI）领域，用于简化复杂软件的界面，避免新手用户被过多的选项和功能吓退。其核心思想是：默认只显示最常用、最核心的信息，将高级或详细信息隐藏在次级界面中，待用户需要时再展开。 在 LLM 时代，这一概念被赋予了新的内涵。由于 Token 成本高昂且上下文窗口有限，“用户”不仅是人类，更是消耗资源的 AI 模型。此时的渐进式披露不仅是为了易用性，更是为了经济性和推理质量。

在 AI 检索系统中的实施

在传统的 RAG（检索增强生成）系统中，系统往往会一次性将所有检索到的文档片段全部填入 Context，这是一种“全量披露”的反面教材。相比之下，基于渐进式披露的架构（如 Claude-Mem）采用以下策略：

1. 分层信息结构

• 第一层（索引层）：仅披露元数据（标题、时间、类型、简短摘要）。这一层的信息密度极高，Token 消耗极低，足以让模型进行相关性判断和筛选。
• 第二层（上下文层）：披露局部关联信息（如时间线上的前后事件）。这一层提供了叙事连贯性，帮助模型理解孤立事件的背景，但仍保持较高的抽象度。
• 第三层（详情层）：仅对经过前两层筛选的高置信度目标，披露完整的原始内容。此时模型已经明确了关注点，全量信息的投入能产生最大的推理价值。

2. 主动筛选机制

渐进式披露不仅仅是被动地隐藏信息，更强调主动筛选。系统通过工作流设计，强迫模型参与筛选过程。模型必须先在第一层“看目录”，然后在第二层“翻章节”，最后才能在第三层“读正文”。这种互动过程利用了模型的智能进行预过滤，确保了进入最终推理阶段的信息都是高信噪比的。

核心价值

• Token 经济性：通过避免加载大量无关的详细信息，显著降低了 API 调用成本。在 Claude-Mem 的案例中，实现了约 10 倍的 Token 节省。
• 注意力聚焦：减少了上下文中的噪声，防止模型因信息过载而产生幻觉或忽略关键细节（注意力稀释效应）。
• 推理深度：模型可以将有限的上下文窗口容量集中在最相关的问题上，从而进行更深度的分析和推理，而不是浅尝辄止地处理大量碎片信息。
• 可控性：开发者可以通过控制披露的粒度和顺序，精确引导模型的思考路径，使系统行为更加可控和可预测。

与其他概念的关系

渐进式披露是上下文工程 (Context Engineering) 的核心支柱之一。它与提示词工程即架构紧密相连，后者提供了实现渐进式披露的技术手段（如工具参数约束）。同时，它也是三层渐进式检索架构的理论基础，解释了为什么要这样设计工作流。

应用场景扩展

除了记忆检索，渐进式披露还可应用于： - 长文档分析：先总结章节大意，再按需读取具体段落。 - 代码库导航：先展示文件结构和函数签名，再读取具体实现代码。 - 多轮对话管理：根据对话进展，动态注入相关的背景知识，而非一开始就灌输所有设定。

Claude Code 中的演进应用

搜索能力演进：

1. RAG 阶段（早期）
2. 向量数据库预索引整个代码库
3. 每次响应前检索相关片段并交给 Claude

4. 缺陷：Claude 被给予 上下文，而非自行查找

5. Grep 工具阶段

6. 给 Claude 一个 Grep 工具
7. Claude 可以自行搜索文件并构建上下文

8. 进步：从"被动接受"到"主动查找"

9. Agent Skills 阶段（当前）

10. Claude 可以读取 Skill 文件
11. Skill 文件可引用其他文件，支持递归读取
12. 一年演进：从"几乎无法自建上下文"到"跨多层嵌套搜索"

Claude Code Guide 智能体案例：

问题：用户对 Claude Code 本身提问（如"如何添加 MCP"）时，Claude 无法回答。

• 尝试 1：放入系统提示词 → 导致上下文腐烂，干扰主要工作
• 尝试 2：提供文档链接 → Claude 拉取大量文档，效率低
• 尝试 3（成功）：创建子智能体，在自身上下文中搜索文档，只返回答案

关键优势：无需新增工具，为 Claude 的行动空间添加能力，保持主上下文清洁。

在工具设计中的应用

渐进式披露是 Claude Code 添加新功能而不新增工具的常用技巧。核心是在需要时才加载详细信息，避免给模型增加额外的选项负担。

来源

• raw/articles/ai-tools/claude-mem/blog_05_search.md — Claude-Mem 三层检索架构
• raw/articles/ai-engineering/claude-blog/Seeing like an agent_ how we design tools in Claude Code.md — Claude Code Guide 案例、搜索能力演进

相关

• Context-Engineering — 核心支柱（implements）
• Claude-Mem 三层渐进式检索架构 — 具体实现（implements）
• 提示词工程即架构 (Prompt Engineering as Architecture) — 技术手段（implements）
• RAG (Retrieval-Augmented Generation) — 对比技术（compares_to）
• Agent-Skills — 核心机制（part_of）
• Claude-Code — 主要应用场景
• 即时上下文检索 — 相关技术（compares_to）
• 上下文腐烂 — 解决的问题（caused）
• 注意力预算 — 解决的问题（caused）