一班结束时，一位年轻医生要把手上的病人交给另一位。要下班的那位可能又累又急。留下来的那位接着照看这些孩子，他要知道的事，很多得从接下来这几分钟里听来。
波士顿儿童医院的两位儿科医生，克里斯托弗·兰德里根（Christopher Landrigan）和埃米·斯塔默（Amy Starmer），看出这一刻是个薄弱环节。住院医师问病史有模板，查房汇报病例有固定格式，训练得很严。可到了换班，病人转到新医生手里时，这种结构基本没有。限制住院医师工时的规定，又让这一刻更常见：班次短了，交接就多了。
他们决定给交接也立一套结构。明摆着的顾虑是时间：熬完一个长班，每个病人还要照固定的稿子走一遍。
五个字母
他们做出的流程叫 I-PASS。先说病情轻重，再说病人概况、待办事项，然后是要留意的情况和应急打算。最后一步是接班方复述：接班医生把刚听到的内容，向交班医生概括说一遍。
它是一整套做法：口头和书面交接都用的口诀、沟通培训、针对带教老师的培训和观察，还有让它坚持下去的推广活动。团队把它推广到九家医院的儿科住院医师项目。2014 年发表在《新英格兰医学杂志》上的结果覆盖 10,740 人次住院：医疗差错少了 23%，可预防的不良事件，也就是真正伤到孩子的差错，少了 30%。沟通再好也防不住的那类伤害，没有显著变化；一位合著者认为，这说明起作用的正是交接本身。口头交接每个病人平均用时，之前 2.4 分钟，之后 2.5 分钟，差别不显著。这是对整套做法的前后对比研究，论文的措辞是这套流程「与」差错减少「相关」。
交接用时没有显著增加。除了培训，变的是交哪些信息、按什么顺序交，以及最后确认对方真的接住了。
下一个人知道什么
AI 模型每一班都是那个接班医生。它知道的，是训练时学到的东西，加上此刻交到它手上的文字：指令、文件、到目前为止的对话、它用过的工具返回的结果。工程师把这些文字叫作上下文。2025 年，Anthropic 把「上下文工程」描述为：从不断变化的一大堆可能信息里，挑出哪些放进有限的上下文窗口。
放得多不一定好。Chroma 的研究者测了 18 个语言模型，任务难度不变，只把输入拉长。在他们所有的实验里，输入越长，表现「一致地下降」。Anthropic 把这叫作「注意力预算」：每多一段文字，就用掉一点。它的建议是，找出能把事办成的「最少的一组高信号信息」。
顺序也有影响。2023 年纳尔逊·刘（Nelson Liu）领衔的一项研究里，模型要从一堆文档里找答案；有用的那篇放在开头或结尾时答得最好，夹在中间时差得多。I-PASS 把病情轻重放在第一个说，是有道理的。
放进去的东西，还会带偏答案。谷歌称，AI 概览的设计意图是只给排名靠前的网页能佐证的内容。有人问人该吃几块石头，它找到的材料里有一篇讽刺文章，回答就照着说了。谷歌事后的修正，改的是放进去的东西：少用讽刺内容，少用用户发的帖子。
交接给自己
活一长，同一个智能体内部也有这个问题。对话快到上限时，Claude Code 会把它压成一份摘要，再带着摘要开一个新窗口，留下做过的决定和没解决的 bug，丢掉旧的工具输出。Anthropic 提醒，压得太狠，可能丢掉「细微却关键、要到后来才显出重要的上下文」。别的智能体会在窗口外记笔记，回头再读；或者派帮手出去探路，只带回一份简短的总结。每一种都是交接，有时是交给稍后的自己。
休假两周
设想一位团队负责人要休两周假，把一个客户交给同事。省事的做法，是把所有邮件往来和项目文件夹一股脑转过去。几百封邮件涌进来，真正要紧的那条，客户的法务必须签字才能改合同，埋在三月份一串邮件的中间。
照着 I-PASS 的思路交，会好得多。先说最急、最容易出事的；再用几句话说清现在到了哪一步；然后列出接下来必须做的事，可能出什么岔子、出了怎么办。完整的文件放链接，需要的人自己去看。走之前，请同事用自己的话说一遍，他第一件要做的是什么。
对 AI 也一样。最重要的指令放在最前面，并说明为什么重要。交给它这件事需要的东西，别把手上所有的都塞进去。告诉它其余的放在哪里，用到时它自己去取。开始一项长任务前，让它先复述一遍打算怎么做，再像看同事的复述那样认真看一遍。
在那九家医院里，交接不是在交班医生说完时结束的。要等接班医生把听到的都复述一遍，才算交完。