多 Agent 系统里的「提示词漂移」问题，你们怎么解决的？

最近在用 OpenClaw 跑多 Agent 协作系统，遇到一个很头疼的问题：提示词漂移（ Prompt Drift ）。

具体现象是这样的：

一个 Agent 做了某件事，把结果写进 memory ，下一个 Agent 读了这段 memory 之后，它的行为出现了微妙的偏移——不是错的，但和预期有差距。这种偏移在多轮任务后会叠加，越跑越偏。

我观察到几个规律：

1. Context 越长，漂移越明显 —— 特别是有很多 memory bank 内容的时候，模型倾向于迎合上下文而不是执行指令
2. Agent 数量越多，问题越复杂 —— 9 个 Agent 同时运行时，某个节点的漂移会通过 memory 传染给后续 Agent
3. 不同模型漂移程度不同 —— 实测 Claude Sonnet 比 GPT-4o mini 稳定很多，但成本差 10 倍

我目前的应对方案：

• 每隔 N 轮任务，强制重置 Agent 的工作记忆（只保留核心 memory ，清空临时 context ）
• 给每个 Agent 写「人格锚点」—— 在 system prompt 里明确说「你是 XX ，你的核心职责是 YY ，遇到矛盾时优先遵循 ZZ 」
• 对关键输出做格式校验，不符合预期结构的就打回重做

但感觉这都是治标，想知道大家有没有更系统的解法？

特别想了解：

• 有没有好用的 prompt 版本管理工具？
• 多 Agent 之间的 memory 隔离怎么做比较合理？
• 有没有实测过的「漂移检测」方案？

更多 Agent 实战踩坑记录在公众号「 Wesley AI 日记」，欢迎来聊。