OpenClaw：一人多代理的工作流
一位獨立開發者用 OpenClaw 在 homelab 跑 8 個 orchestrator 與 35 個 persona，把寫作、研究、維運拆成平行工作流。
一個人，8 個 orchestrator，外加約 35 個 persona。聽起來很浮誇。可是一旦你看到輸出，就懂了：文章、研究摘要、伺服器警報、草稿審稿，全部同時在跑。Nick Lawson 在 2026 年 3 月的文章裡，講了他怎麼用 Towards Data Science 與 OpenClaw，把這套系統接到寫作、homelab、智慧家庭和產品工作上。
我覺得這篇最有意思的地方，不是他用了 agent。真正有料的是，他把 agent 分成兩層。上層是 orchestrator，負責判斷。下層是 persona，負責執行細碎任務。這樣做很務實。貴的推理留給需要判斷的地方，便宜又快的呼叫拿去處理重複工作。
如果你最近一直在看 agentic AI 的 demo，這種架構比較像真的工作系統。講白了，它不像玩具。它比較像一個人的營運團隊。也提醒我們，卡住的常常不是模型能力，而是工作流設計。
為什麼這套架構能跑
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
Lawson 面對的問題很典型。人只有一個腦袋。可是待辦事項有一堆。homelab 要管，寫作流程要跑，書稿要改，智慧家庭要盯，基礎設施監控也不能漏。你可以硬撐，但代價就是注意力一直被切碎。
他的解法很直接。每個領域分配一個有主權的 agent。OpenClaw 提供執行環境。像 CABAL、DAEDALUS、TACITUS、PreCog、REHOBOAM、LEGION、HAL9000、TheMatrix 這些 orchestrator，各自管一塊工作。名字很中二，方法卻很實際：排程、看信箱、交接任務、把狀態寫進檔案。
這裡有個很實用的觀察。Lawson 一開始試了快 30 個 agent，結果整個系統變得很亂。後來他縮到 8 個 orchestrator，再搭配一批可隨時生成的 persona。這個收斂很重要。它告訴我們，多不代表好。agent 太多，常常只是把混亂包裝得更精緻。
- 8 個 orchestrator 負責決策與路由
- 約 35 個 persona 處理單點任務
- 5 個 markdown 檔定義每個 agent 的身份
- 1 台 homelab 伺服器在本地跑整套系統
那 5 檔設計也很漂亮。IDENTITY.md 定義身分。SOUL.md 定義能做什麼、不能做什麼。AGENTS.md 寫工作流程。MEMORY.md 放經驗。HEARTBEAT.md 則告訴它，沒人理時要做什麼。這種做法很土，但很有效。
因為 agent 系統最常死在很無聊的地方。指令不清楚、上下文太肥、交接失敗。Lawson 的做法，是把這些失敗模式攤在文字檔裡，而不是藏在一坨程式碼裡。這點我很買單。
真正的核心是成本分層
這篇文章最值得抄的地方，是成本分層。不是每個任務都丟最強模型。也不是每個 agent 都要全知全能。Lawson 把重推理留給 orchestrator，把日常雜事交給小模型。聽起來很簡單，實作時卻常被忽略。
他描述的分法很清楚。像 Claude Opus 這種高階模型，拿來做判斷。Claude Sonnet 用在寫作。Claude Haiku 則負責格式整理。也就是說，系統不是把所有請求都當研究報告處理，而是依工作難度配模型。
“The instinct is to make everything powerful. Every task through your best model. Every agent has full context. You very quickly run up a bill that makes you reconsider your life choices.”
這句話很真。很多人做 agent 系統，第一個反應就是把最強模型、最多上下文、最多工具全部塞進去。結果不是更聰明，而是更貴。Token 一燒，帳單就開始教育你做人。
他還舉了一個 tech-editor persona 的例子。這個 persona 會讀 voice file，保留作者語氣，抓事實問題，回傳修過的稿子和註記。它沒有長期記憶，也不做策略判斷。這種設計很適合內容團隊、客服團隊，或任何想把重複工作自動化，但又不想把細節洗平的場景。
講白了，orchestration 很貴，execution 很便宜。判斷交給 orchestrator，重複交給 persona。界線要畫清楚。這比一味追求「全能 agent」實際太多。
跟其他 agent stack 比，差在哪裡
Lawson 這套不是唯一解。可是它很像一個單人操作員能長期維護的版本。你可以拿它去比 LangGraph、AutoGen、CrewAI。這幾個框架都在做 agent 協調，但重點不太一樣。
LangGraph 比較偏 graph control flow。AutoGen 偏多 agent 對話。CrewAI 偏角色分工。OpenClaw 在這篇文章裡的感覺，則像是本地操作層。它重視檔案、排程、狀態、身份。這讓系統比較容易檢查，也比較像真正在養一套工具，而不是只在 demo 裡聊天。
還有硬體面。跑在 homelab 上，經濟模型和隱私模型都不一樣。你不用每次都等雲端 dashboard，也不用把內部筆記、草稿、家庭事件全部送到外部平台。這對處理敏感資料的人，很有吸引力。
但代價也很明顯。你要自己維護。你要自己修壞掉的流程。Lawson 沒有把這件事包裝成很美的故事。他提到 workflow 會壞，時間戳會留下學習痕跡，agent roster 也一直在調整。這種誠實我反而覺得加分。
如果你想延伸看相近主題，可以參考我們整理的 multi-agent memory patterns 和 local AI workflows。這兩篇都在談本地化工作流怎麼落地。
數據比較，才看得出差異
這篇文章不是在比誰的 agent 最會聊天。它更像是在比誰的系統比較能活下來。Lawson 的調整很有意思。從接近 30 個 agent，縮到 8 個 orchestrator。這不是單純砍數量，而是把責任邊界重新畫過。
如果拿常見 agent stack 來看，你會發現方向差很多。LangGraph 常見的是流程圖式控制。AutoGen 常見的是對話式協作。CrewAI 常見的是角色導向。OpenClaw 這篇裡的重點，則是本地、檔案、排程、記憶。
我整理成幾個比較點。這樣比較直觀，也比較像工程師會真的拿來選型的方式。
- 30 個 agent 縮到 8 個 orchestrator：降低管理複雜度
- 高階模型處理判斷，小模型處理格式與例行工作：控制 Token 成本
- 5 個 markdown 檔管理身份與規則：降低程式碼耦合
- 本地 homelab 執行：隱私更好，但維運成本更高
這裡的重點不是某個框架比較神。重點是工作拆法。很多團隊一開始就想做「全自動」。結果每個 agent 都有記憶、每個 agent 都能下決策、每個 agent 都能呼叫工具。最後最先爆掉的，通常不是模型，而是維護成本。
Lawson 的做法比較像老派工程。把責任切開。把狀態寫下來。把決策和執行分離。這種方法沒有那麼炫，但真的比較能持久。
這背後其實是產業脈絡
agent 熱潮已經從 demo 走向實作。現在大家不太缺「會講話的 AI」。大家缺的是能接流程、能接資料、能接權限的系統。也就是說，真正難的不是回答問題，而是把工作接進既有軟體環境。
這也是為什麼本地化和檔案化又開始重要。很多團隊已經不想把所有東西都丟到單一雲端平台。資料治理、成本控制、可觀測性，這些都會逼你回頭看工作流本身。OpenClaw 這種設計，剛好卡在這個需求上。
另一個脈絡是個人工作室化。現在一個人可以同時寫內容、做研究、管產品、跑基礎設施。問題是人腦很難一直維持高品質切換。於是大家開始找 LLM、API、排程器、筆記系統，拼出自己的操作層。這種需求不是短期現象。它跟遠端工作、個人品牌、獨立開發都綁在一起。
所以這篇文章真正有價值的地方，不只是介紹 OpenClaw。它是在示範一種工作觀。把人力留給判斷。把機械工作交給 agent。把記憶放在檔案。把成本壓在合理區間。這才是能長期跑的系統。
我對這套做法的判斷
我覺得這套架構最值得學的，不是 agent 數量，而是分層思維。你不需要 35 個 persona 才能開始。你只要先回答三個問題：哪些工作要記憶，哪些工作只做一次，哪些工作值得用高階模型。
如果你是獨立開發者，先做一個 orchestrator 就夠了。再加 2 到 3 個 persona。像是研究、草稿整理、格式修正。先把流程跑順，再談擴張。你很快就會發現，真正的瓶頸不是模型數量，而是你有沒有把任務切對。
我的預測很簡單。接下來 12 個月，會有更多 solo builder 不再追求單一大 agent，而是改做小型 agent stack。誰能把 orchestrator、persona、記憶、成本這四件事講清楚，誰就比較有機會把 AI 工作流真的做進日常。
如果你現在就要開始，我會先問你一個問題：你手上的工作裡，哪一段該被記住，哪一段做完就該消失？