Cognitive Load Agent Orchestration
Cognitive Load Agent Orchestration 是用認知負荷理論（Cognitive Load Theory, CLT）來設計多個 coding agent 協調方式的框架。aihao-blog 文章的主張是：AI coding 讓工程師從直接寫 code 轉向拆任務、看產出、做決策，但這不會自動降低腦力負擔；真正的問題變成如何管理人類的 intrinsic load、extraneous load 與 germane load。
核心方法
文章把多 agent 協調拆成六個判斷點：
- 先判斷手上的 agent 類型，從 simple reflex 到 learning agent，避免把不同能力的 agent 當成同一種工人。
- 用認知負荷理論檢查自己的注意力是否被無效溝通、上下文切換與低品質輸出吃掉。
- 用 element interactivity 判斷任務能不能拆；高互動性任務不適合粗暴平行化。
- 把 spec 精度視為架構思考的外顯化，降低 agent 猜測空間。
- 用 memory / artifact 把上下文外部化，讓協調狀態不只留在人腦或單次對話裡。
- 用 feedback loop 讓協調過程反過來訓練設計 agent 的能力。
與既有 workflow cluster 的關係
這個框架補上 agent-teams-vs-dynamic-workflows 裡比較少講的人類認知面：多 agent 是否值得開，不只看任務能否平行，也要看拆分後是否增加協調負擔。它也延伸 dynamic-agent-workflows：dynamic workflow 如果沒有 spec、memory 與 feedback artifact，可能只是把人類的認知負荷轉移成更難追的 orchestration debt。
對 harness-engineering-for-ai-coding 來說，CLT 的啟示是：harness 不只是給 agent 的工具與 gate，也是在替人類減少不必要負荷。好的 harness 應該把狀態、失敗、下一步與驗收結果清楚外部化，而不是要求人類在多個 agent 對話中自行拼回全貌。
實務判準
- 任務子問題彼此高度依賴時，先提高 spec 精度，不要急著開多 agent。
- 若協調成本高於產出加速，回到單一 agent 或較小 batch。
- 每個 agent 都要留下可檢查 artifact：plan、diff、test result、decision log 或 review note。
- memory 的價值不是「存更多」，而是把可重用的設計規則與失敗模式沉澱下來。