AI 编程助手的语境下Fork是什么意思？

这个设计灵感来源于 Unix 系统的fork()系统调用，可以把它想象成：

• 你（主线程）：正在和 Codex 进行一场深入的对话，讨论一个大型项目的重构方案。

• Fork（分叉）：你希望在不打断当前对话的情况下，让 Codex 同时去后台研究三个不同的备选方案。这时，你就可以对 Codex 说“帮我分叉出三个线程，分别去调研方案A、B、C”。于是，Codex 就从当前的对话中“fork”出了三个独立的“分身”，各自去执行任务。

🤔 为什么要用 Fork，而不是让它自己处理？

这是为了应对 AI 编程助手在实际使用时面临的一个核心挑战：上下文窗口（Context Window）有限。

• 如果不用 Fork：Codex 在一个会话里处理的任务越多，对话历史就越长，很快就会把上下文窗口塞满。这会导致：

  1. 费用增加：每次请求都要带上庞大的历史记录，消耗更多 Token。

  2. 处理能力下降：AI 可能“记不住”或“忽略”早期的关键信息，影响最终结果。

  3. 速度变慢：处理大量上下文会拖慢响应速度。

• 使用 Fork 的好处：

  1. 共享上下文，快速上手：新 fork 出来的“分身”会直接继承父任务完整的对话历史和系统提示。这意味着它不需要你重新解释一遍背景，立刻就能明白要做什么，省时又省力。

  2. 并行处理，效率翻倍：多个“分身”可以同时工作，互不干扰。一个去读文档，一个去写测试，一个去检查 Bug，齐头并进。

  3. 节省成本：由于所有“分身”共享同一个“前缀”（System Prompt 和对话历史），API 提供商（如 DashScope、OpenAI）的提示缓存（Prompt Caching）机制就能生效。缓存一次，多个分身复用，能节省 80% 以上的 Token 费用。

Fork 和 Subagent（子代理）的区别

你可能会看到Subagent这个词，它和Fork不同，常见于 Claude Code 或 Qwen Code 这类工具中。