使用 K3 進行上下文圖譜工程：將 300 個 Agent 轉化為一個互聯的知識庫

300 份答案堆在一起並不構成知識。Kimi Agent Swarm 不只是平行執行 Agent，它會把 Agent 找到的內容串聯成一張真正可用的關聯圖。

300 個 Agent 作為節點。 1 張關聯圖。 5 個即時資料源

所有人都在競相執行更多 Agent，卻幾乎沒有人追問：那些 Agent 找到的內容，後來怎麼了？

對一個研究問題派出 300 個 Agent，它們很快就會回傳結果。但預設情況下，你會得到 300 份各自獨立、散落在 300 個獨立區塊裡的答案。那是一堆資料，不是知識庫。價值從來不在個別發現裡，而在它們之間的關聯；而關聯恰恰是「一堆資料」最欠缺的東西。

想想人類分析師實際上是怎麼工作的。他們不只是蒐集事實。他們會注意到兩家公司共用同一家供應商、某條法規影響整個產業、某個單一供應商撐起了半個市場。蒐集是簡單的部分，串聯才是昂貴的部分，而真正產生洞察的正是串聯。

這就是讓 Kimi Agent Swarm 與眾不同的低調關鍵。它不只是把工作分散給多個平行 Agent，更會把 Agent 的輸出串接成一個單一的關聯結構——一張情境圖（context graph）。在圖中，每個來源都是一個節點，每一段關係都是一條邊。你不會得到 300 份答案，而是得到一個知道自己內部關聯的知識庫。

Agent 集群是肌肉，情境圖則是把這份肌肉轉化為你可以查詢、擴充、信賴的東西。

為什麼「一堆資料」會失敗

沒有邊的節點，只是一份清單

想像一個橫跨 100 家公司的研究任務。一個平面集群會交給你 100 份報告。想知道哪三家公司共用供應商、哪兩家暴露在同一條法規下、或哪一家默默依賴另一家，你得讀完 100 份報告，再把這些關聯記在腦子裡。你真正想要的工作——也就是那些關係——反而被工具跳過了。

而且規模愈大，情況只會更糟，不會變好。十個來源你可以手動串聯，一百個你做不到。一百個節點之間可能存在的關係數量動輒上千，而這正是人類放棄的臨界點：一份平面報告淪為沒人會完整閱讀的文件。更多的 Agent 若沒有結構，只會帶來更多需要篩選的內容，而不是更多需要理解的內容。

情境圖把這件事徹底翻轉。當兩個 Agent 觸及同一個實體——無論是供應商、市場還是申報文件——Kimi 就會在它們之間畫下一條邊。這些關係不再需要你手動重建，而是成為產出本身的一部分。叢集、樞紐、隱藏的依賴關係現在都一目瞭然，因為圖讓它們成為結構的一部分。

核心概念

Kimi 所謂的情境圖是什麼

兩個組成部分，而 Kimi 會在同一次執行中一次生成。

節點是 Agent 找到的東西

Agent 研究的每個實體都會成為一個節點：一間公司、一個來源、一項指標、一份文件。一個 Agent，世界的一個切片，圖中的一個節點。

邊是它們之間的關係

當兩個節點共享某個來源、市場、依賴關係或引用時，Kimi 就會將它們連接起來。這條邊承載著關係，因此這個連結是可查詢的，而不只是隱含的。

平面報告給你節點，卻丟掉了邊。這就是為什麼報告在你讀完的那一刻就失去了生命。Kimi 建立的情境圖保留了這些邊，讓你能提出原本提示詞中從未提到的問題。

運作機制

Agent 集群如何建立這張圖

這是平行化與圖結構交會的關鍵，也是 Kimi 設計真正展現價值的地方。由於最多 300 個 Agent 同時執行，這張圖不是一次長出一個節點，而是幾乎在同一時間成形，然後再自行串接起來。

順序很重要。循序執行的工具會先建立節點 1、再建立節點 2、然後尋找連結，依此類推——這不僅慢，還會讓圖偏向它最先看到的內容。Kimi 則是先平行填滿整個節點集合，再開始繪製邊，因此關聯是在完整全貌上被發現的，而不是在部分視圖上。你得到的圖反映了全部 300 個發現，而不只是最先回傳的那幾個。

一次啟動

100 家公司，一張關聯圖

這就是用一個提示詞完成全部工作的方式。請注意，你並沒有明確要求一張圖，你只是要求 Kimi 去研究並串聯，而這張圖就是它組織答案的方式。

1swarm_launch.md
2Kimi Agent Swarm
3# 一次啟動，100 個節點，即時邊線
4
5任務：盤點電動車市場。每家公司一個 Agent。
6資料來源：Yahoo Finance、世界銀行、IMF、即時股價。
7
8串聯：連結任意兩家共享
9  供應商、指數或法規風險的公司。
10
11# Kimi 派出 100 個 Agent，然後把共享的
12# 實體串接成一張情境圖。

40 分鐘後，你拿到的不是 100 份需要閱讀的報告，而是一張已串聯的地圖。三家共享電池供應商的公司，會落在一個肉眼可見的叢集裡；那家所有其他公司都依賴的企業，會以擁有最多邊的樞紐之姿出現。這些都不在提示詞裡，是圖自己浮現出來的，因為 Kimi 保留了這些關聯，而不是把它們丟棄。

向圖發問

提示詞從未提到的問題

一份平面報告只會回答你問的那個問題，其餘一概不理。Kimi 建立的情境圖則能回答你沒想到要問的問題，因為答案早已編碼在這些邊裡。你不必重新跑研究，只需要閱讀已經存在的結構。

問哪家公司是最大的單點故障來源，圖會回傳入站依賴邊最多的節點。問哪些公司會同步變動，圖會回傳密度最高的叢集。問什麼把兩家看似無關的公司連在一起，圖會沿著共享實體追蹤出兩者之間的路徑。每個答案都是一次圖運算，而不是一次新的啟動。

1graph.query · live
2query> 哪個節點是最大的單點故障來源？
3→ node #041（14 條入站依賴邊）
4query> 哪些公司會同步變動？
5→ cluster A：8 個節點，共享電池供應商
6query> #012 和 #087 之間有什麼關聯？
7→ path: #012 → IMF 申報文件 → #087
8// 圖能即時回答結構性問題，因為關係早已存在於圖中。

為什麼經得起時間考驗

圖會持續累積，報告不會

這對任何需要反覆研究的人來說，都是最關鍵的一點。一份平面報告在寫完的那一刻就結束了；下週的新問題意味著從頭再來。Kimi 建立的情境圖正好相反：它是一個你可以不斷往上蓋的基礎。

• 可查詢：問圖哪個節點連結最多，或什麼串聯了兩個實體，答案早已在結構之中。
• 可擴充：下一次啟動會把新的節點和邊加入同一張圖，而不是另起一堆。知識會持續累積。
• 可重用：關係一直都在。你今天沒想到要問的問題，明天就能得到答案，不必重新跑研究。
• 可解釋：每一條邊都可以追溯到創造它的共享來源，所以你能清楚看見兩件事為什麼有關聯。

一堆答案在你關閉它的那一刻就失去了價值；一張圖則在每一次新增時獲得價值。在一個月的研究歷程中，這個差異就是「重做工作」與「複利累積」之間的差異。

別再收集答案，開始建立一張圖。

任何人都能執行 300 個 Agent。真正的問題是：它們跑完之後，你手上剩下什麼。Kimi Agent Swarm 留給你的是串聯完整的知識庫，而不是一堆資料——這就是「做完就丟棄的研究」與「可以持續累積的研究」之間的差異。