前段时间，我在做大量的产品调研，几个 agent 轮流着用，调研和讨论过程，它们疯狂回我一堆文字和 Markdown。
因为调研过程需要很多人为的判断和介入，还没法让它全自动，毕竟资料人还是要去读，要去理解。可惜，真的累，AI 提升了效率，但算力瓶颈竟是我自己。
第一个 Agent 的输出我认真读完，画了重点。第二个的输出我扫了扫，跟第一个对照了几处差异。到第三个 Agent 的窗口打开时，我盯着那个滚动条，发现脑子已经不转了。
Agent 可以通过 subagent 去消化信息，避免上下文被污染和撑爆，但人就不一样，信息太多，我的「上下文」被严重污染，我开始忘了前面看过什么，忘了哪些判断是自己做的、哪些是 Agent 提的、哪个结论对应哪组输入。上下文一污染，判断和决策水平直接下降。
关键信息淹没在文字里。我变得容易遗漏风险，也容易直接接受结论。
深感人机交互方式变成对我的一种限制，我在思考是否有办法和 Agent 的交互方式变得可视化。
于是尝试开发了 AgentBoard，一套人与 Agent 的协作机制，现在也开源出来。
—
飞书画板的启发
在使用飞书 CLI 之后，发现它能很好地将我们讨论的，清晰画在画板上。而且效果非常好。
就那么一瞬。原本三屏长的文字，变成十几张带连线的卡片。我能「看见」结构了。不用从左到右顺着读，我可以俯瞰全貌。哪一块跟哪一块的关系是什么，哪里缺了，哪里重复，一眼就清楚。
文字在污染人的上下文，可视化在解开人的上下文。 那能不能让 Agent 直接往画布上输出，让我读图而不是读字？更关键的，能不能我改完画布，Agent 再读回去，继续往下挖？
这就是 AgentBoard 的起点。
不是每次简单问答都需要 AgentBoard。查个资料、问个术语、让 Agent 帮你写段代码，聊天框完全够用。
聊天框也有不够用的时候：前面的结论和约束不能丢、多个方案需要比较对照、结果会影响产品或其他决策。你需要的不只是一个回答，是一个能在你跟 Agent 之间持续同步的「工作界面」。
可视化背后的 DSL
要实现人与 Agent 之间的协作，就需要一套双方都能精确理解的载体。
文本聊天记录不行，太长、太碎、太容易被污染。
Markdown 是现有最常见的，标题、列表、加粗，可读性比纯文本要好，但每次修改 Agent 都要全文重读一遍，靠它自己理解哪些被修改过。而对于人，越来越长的 Markdown，也一样会加剧阅读理解的难度。
HTML 可视化，确实很好，但是 HTML 里面有大量的语法指令是渲染用的，本身变没有意义，不仅加大了 token 的浪费，而且每次渲染修改都是大工程。并且人一般不会直接去编辑 HTML。
研究飞书画板之后，它里面使用了领域专用语言 DSL。DSL 不为「显示」服务，不为「排版」服务。它只服务「这个领域里有什么、是什么、怎么关联」。
AgentBoard 的 DSL 只有三种东西：
- 节点（卡片或便签），带类型和标签——Agent 看到
tags: ["risk"]，就知道这是风险项 - 连线（箭头或直线），带方向和标签——Agent 看到
from: "product_a", to: "pricing_strategy"，就知道依赖关系 - 分组，带包含关系——Agent 看到某一组卡片属于「Phase 2」，就知道时间边界
举例，Agent 用三种方式输出同一个结论：
Markdown：
## 竞品 A
- 定价：免费增值
- 风险：可能无法支撑企业客户
HTML：
<div class="card">
<h3>竞品 A</h3>
<p>定价：免费增值</p>
</div>
DSL（AgentBoard）：
{
"id": "comp_a",
"type": "card",
"title": "竞品 A",
"body": "定价：免费增值 + 企业版 $99/月",
"tags": ["competitor"]
}
三者本质区别：
| Markdown | HTML | DSL | |
|---|---|---|---|
| 为谁设计 | 人类读写 | 浏览器渲染 | 人机共同理解 |
| 描述什么 | 排版格式 | 显示结构 | 内容含义（类型、标签、关系） |
| Agent 能理解什么 | 需要推断（容易错） | 几乎无法理解（只是标签） | 精确理解（类型、标签、关系） |
| 人改了之后 | Agent 重读全文自己猜 | 人不会直接改 HTML | Agent 精确知道哪变了 |
DSL 正好能在人和 Agent 协作的场景下，提供给双方一份共识：当前到底在讨论什么。
Markdown 负责叙述，DSL 负责状态、结构和关系，HTML/CSS 交给前端渲染层。 各司其职，不要让 Agent 跨界。
DSL 解决的，是双向的上下文污染。
- Agent 不被噪音污染：它读到的是带类型的结构化节点
- 人也不被噪音污染：你看到的是画布上的卡片和连线
我们目标也不是获得这张白板，而是将它作为上下文的数据库。这样 Agent 能读到的是一组结构化节点：类型、有标签、有关系（因果、依赖、冲突、支持）。
无需每次全部重读
通过 DSL 实现 Agent 不需要每次都读整张画布：
比如：你在调研三个竞品，白板上已经搭了 40 张卡片。每个竞品拆成定位、定价、功能、风险、证据。你改了其中一张「定价策略」卡片的正文，然后跟 Agent 说「基于我改过的定价，帮我推一下对市场的可能影响」。
如果全部重新读一遍，token 烧得心疼。
AgentBoard 的做法是「增量上下文包」。你编辑完画布、再次调用 Agent 时，发过去的不是整张图，而是：
- 你刚才改了哪些节点（完整对象：标题、正文、标签全在）
- 与被改节点相关的连线
- 邻居节点的轻量摘要（只有标题和标签，没有正文——Agent 只需要知道「旁边有什么」，不需要知道邻居卡片的完整内容）
- 整张画布的紧凑概览（所有节点标题索引 + 所有连线端点，Agent 扫一眼就知道全局结构）
同时告诉 Agent：「如果你需要某个不在增量包里的节点正文，在 questions 里告诉我，我给你补。」
只有当你明确说了「整张图重新整理」「全部重排」这种全局指令，才发完整画布。这不是省 token 的技巧，是对 Agent 注意力的管理。
图示隐含的思考方式
调研型工作不是一次性问答。你问，Agent 答，你看完改几个判断，再问——这是「问→看→改→再问」的循环。
AgentBoard 特别适合这种应用场景。如果你发现 Agent 方向偏了，你一看白板上的不是你想要的，你可以随时停止，手动改掉几张不对的卡片，再问一遍。Agent 读到的是你改过的版本，不是它之前跑偏的那版。
每次 Agent 调用和交互请求都持久化在 session 里。刷新回来，Agent 还在上一个上下文里等着你回复，不需要把刚才的需求再说一遍。我把白板当成一个 session，可持久化共享上下文。
为了防止 Agent 自己不懂装懂。我也设计了，当你给到模糊的需求时，它不知道你的意图，它会给你选项，先问你，等它拿到答案后继续。它是你的伙伴，不明白，先问明白再执行。
—
从飞书画板学到的，还有「图示的形式本身就隐含了思考方式」。 你看鱼骨图和看 2×2 矩阵，启动的是完全不同的认知模式。
想象你在比较两个产品方案。如果 Agent 把所有卡片纵向排成一列，你可能要上下翻好几次才能在脑子里对齐「方案 A 的定价」和「方案 B 的定价」。但如果 Agent 用 matrix 布局把两个方案左右排开，维度标注在旁边——你一眼就看到了对比。
目前我让它内置了 8 种思考布局：
| 布局 | 什么时候用 | 你看到的效果 |
|---|---|---|
horizontal / vertical |
线性序列、步骤、优先级 | 卡片沿一条线排列 |
dagre |
架构图、依赖关系、数据流 | 自动分层，箭头方向统一 |
mindmap |
中心主题 + 发散分支 | 枢纽节点居中，分支环绕 |
matrix |
2×2 对比、权衡、维度交叉 | 卡片按网格对齐，维度标注清晰 |
cluster |
主题分类、亲和图、访谈归纳 | 同组卡片聚在一起，未分组自动下落 |
timeline |
路线图、里程碑、用户旅程 | 卡片沿时间轴排列 |
swimlane |
角色分工、并行阶段、多团队 | 不同泳道并列，每道内横向推进 |
前期也遇到坑，就是它老是回复我流程图，但我们知道并不是所有信息，都具有流程关系。于是给它加了一条判断 Prompt ：不是所有关系都应该画箭头。
Agent 被要求先用 tags 表达语义（比如 ["risk"]、["assumption"]、["decision"]），再选布局。箭头只用在实际有方向性的地方——顺序、依赖、因果。分类、对比、证据，用分组和空间聚类，不乱画多余的箭头。
本地运行，更安全
AgentBoard 是纯浏览器应用。所有数据存在 localStorage，API key 也存 localStorage——不离开你的机器。没有注册，没有登录，没有服务端数据库。
渲染层：节点用 HTML div（方便编辑和拖拽），连线用 SVG line（沿着卡片边缘出发，z-index 低于节点，永不遮挡）。画布平移走 GPU 加速，Figma 那种跟手的手感。
三种 Agent 接入方式，设置面板里选：
- 本地 CLI（Claude Code / OpenCode / Codex CLI）：Vite 插件自动检测你有没有装这些 CLI，装了就能直接用。日常我最尝试用这个，很方便无需配置 API KEY。
- Claude API：填 Anthropic API key
- OpenAI 兼容 API：填 key 和 base URL，兼容大多数第三方
Session 管理，可通过创建白板来实现。比如「竞品分析」一个白板、「产品方案」一个白板，你可以自己重命名，顶栏下拉就能切换。
可视化，新尝试
AgentBoard 在原型阶段，但我每次依然享受它提供的可视化，真的当问题复杂需要思考时，它对梳理思路真的帮了大忙。不像过往我总在多个窗口里面，扫描一行行的文字。
没想到，有一条居然是为了减少 Agent 对我「上下文」的污染，才做了这个 AgentBoard。人不需要在文字堆里打捞关键信息。人看到结构、动手改，Agent 读回变化继续往下走。循环。
AI 在飞速进化的今天，我们确实也需要一个全新的人机协作模式，来真正帮助我们保护注意力，保持思考的效率。
我一直觉得，当 AI 能直接操作你的思考对象时，人和 AI 之间的界面应该长什么样——聊天框肯定不是答案。特别是多 Agent 协作的巨量信息，人自己反而成为瓶颈。
AgentBoard，新尝试，可能是一个方向。
全部开源出来，到 github 获取：https://github.com/AyingAI/agentboard。你也一样可以交给 Agent 去帮你安装。
欢迎你来提 issue、提 PR，都行。
感兴趣，不妨去试试。