摘要： 在智能体编排中，一个普遍假设是上下文越多越好。我们通过 10 个任务、7 种上下文注入条件以及超过 2700 次运行，在多智能体软件设计上对此进行了测试，并发现了一个交叉效应：同一类工件（artifact）在某些任务上能提升设计探索（权衡覆盖范围最高提升 20 倍），而在其他任务上则会主动降低其效果（最高降低 46%）。在若干任务中，一份无关文档的表现与任何相关工件相当甚至更好。该效应的方向可由一个单一可测量变量——无上下文时的基线探索水平——预测，其 Pearson 相关系数 $r = -0.82$（$p < 0.001$）。通过操纵提示设计中的收敛压力来探究其机制，揭示了两种不同的状态：由训练数据先验驱动的收敛（自然收敛）会受到工件的干扰，而由显式指令驱动的收敛（诱导收敛）则不会。这意味着上下文注入应是有条件的，而非普适的：一次无上下文的试验是一种廉价的诊断方法，可预测知识工件对特定任务是有益还是有害。