[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-openclaw-solo-builder-autonomous-agents-zh":3,"tags-openclaw-solo-builder-autonomous-agents-zh":33,"related-lang-openclaw-solo-builder-autonomous-agents-zh":47,"related-posts-openclaw-solo-builder-autonomous-agents-zh":51,"series-ai-agent-caa29533-0d01-4db5-9571-a3a25c0f5495":88},{"id":4,"title":5,"content":6,"summary":7,"source":8,"source_url":9,"author":10,"image_url":11,"keywords":12,"language":21,"translated_content":10,"views":22,"is_premium":23,"created_at":24,"updated_at":24,"cover_image":11,"published_at":25,"rewrite_status":26,"rewrite_error":10,"rewritten_from_id":27,"slug":28,"category":29,"related_article_id":30,"status":31,"google_indexed_at":32,"x_posted_at":10,"tweet_text":10,"title_rewritten_at":10,"title_original":10,"key_takeaways":10,"topic_cluster_id":10,"embedding":10,"is_canonical_seed":23},"caa29533-0d01-4db5-9571-a3a25c0f5495","OpenClaw：一人多代理的工作流","\u003Cp>一個人，8 個 orche\u003Ca href=\"\u002Fnews\u002Ftrust-wallet-ai-agents-crypto-trades-zh\">st\u003C\u002Fa>rator，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 \u003Ca href=\"https:\u002F\u002Ftowardsdatascience.com\u002F\" target=\"_blank\" rel=\"noopener\">Towards Data Science\u003C\u002Fa> 與 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenclaw\u002Fopenclaw\" target=\"_blank\" rel=\"noopener\">OpenClaw\u003C\u002Fa>，把這套系統接到寫作、homelab、智慧家庭和產品工作上。\u003C\u002Fp>\u003Cp>我覺得這篇最有意思的地方，不是他用了 \u003Ca href=\"\u002Fnews\u002Ftrm-labs-ai-agents-crypto-investigations-zh\">agen\u003C\u002Fa>t。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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>為什麼這套架構能跑\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775058259428-sjsg.png\" alt=\"OpenClaw：一人多代理的工作流\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>他的解法很直接。每個領域分配一個有主權的 agent。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenclaw\u002Fopenclaw\" target=\"_blank\" rel=\"noopener\">OpenClaw\u003C\u002Fa> 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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cul>\u003Cli>8 個 orchestrator 負責決策與路由\u003C\u002Fli>\u003Cli>約 35 個 persona 處理單點任務\u003C\u002Fli>\u003Cli>5 個 markdown 檔定義每個 agent 的身份\u003C\u002Fli>\u003Cli>1 台 homelab 伺服器在本地跑整套系統\u003C\u002Fli>\u003C\u002Ful>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>真正的核心是成本分層\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>他描述的分法很清楚。像 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\" target=\"_blank\" rel=\"noopener\">Claude Opus\u003C\u002Fa> 這種高階模型，拿來做判斷。\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\" target=\"_blank\" rel=\"noopener\">Claude Sonnet\u003C\u002Fa> 用在寫作。\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\" target=\"_blank\" rel=\"noopener\">Claude Haiku\u003C\u002Fa> 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。\u003C\u002Fp>\u003Cblockquote>“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.”\u003C\u002Fblockquote>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>跟其他 agent stack 比，差在哪裡\u003C\u002Fh2>\u003Cp>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 \u003Ca href=\"https:\u002F\u002Fwww.langchain.com\u002Flanggraph\" target=\"_blank\" rel=\"noopener\">LangGraph\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fmicrosoft.github.io\u002Fautogen\u002F\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FcrewAIInc\u002FcrewAI\" target=\"_blank\" rel=\"noopener\">CrewAI\u003C\u002Fa>。這幾個框架都在做 agent 協調，但重點不太一樣。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775058275432-9boh.png\" alt=\"OpenClaw：一人多代理的工作流\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>LangGraph 比較偏 graph control flow。AutoGen 偏多 agent 對話。CrewAI 偏角色分工。\u003Ca href=\"\u002Fnews\u002Fopenclaw-324-fixes-skills-setup-friction-zh\">Open\u003C\u002Fa>Claw 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。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.langchain.com\u002Flanggraph\" target=\"_blank\" rel=\"noopener\">LangGraph\u003C\u002Fa> 強調 graph 式流程控制\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fmicrosoft.github.io\u002Fautogen\u002F\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa> 強調多 agent 對話協作\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FcrewAIInc\u002FcrewAI\" target=\"_blank\" rel=\"noopener\">CrewAI\u003C\u002Fa> 強調角色與任務分工\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenclaw\u002Fopenclaw\" target=\"_blank\" rel=\"noopener\">OpenClaw\u003C\u002Fa> 在這篇文章裡偏向檔案化、本地化的工作層\u003C\u002Fli>\u003C\u002Ful>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>如果你想延伸看相近主題，可以參考我們整理的 \u003Ca href=\"\u002Fnews\u002Fmulti-agent-memory-patterns\" target=\"_self\">multi-agent memory patterns\u003C\u002Fa> 和 \u003Ca href=\"\u002Fnews\u002Flocal-ai-workflows\" target=\"_self\">local AI workflows\u003C\u002Fa>。這兩篇都在談本地化工作流怎麼落地。\u003C\u002Fp>\u003Ch2>數據比較，才看得出差異\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>如果拿常見 agent stack 來看，你會發現方向差很多。\u003Ca href=\"https:\u002F\u002Fwww.langchain.com\u002Flanggraph\" target=\"_blank\" rel=\"noopener\">LangGraph\u003C\u002Fa> 常見的是流程圖式控制。\u003Ca href=\"https:\u002F\u002Fmicrosoft.github.io\u002Fautogen\u002F\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa> 常見的是對話式協作。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FcrewAIInc\u002FcrewAI\" target=\"_blank\" rel=\"noopener\">CrewAI\u003C\u002Fa> 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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cul>\u003Cli>30 個 agent 縮到 8 個 orchestrator：降低管理複雜度\u003C\u002Fli>\u003Cli>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\u003C\u002Fli>\u003Cli>5 個 markdown 檔管理身份與規則：降低程式碼耦合\u003C\u002Fli>\u003Cli>本地 homelab 執行：隱私更好，但維運成本更高\u003C\u002Fli>\u003C\u002Ful>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>這背後其實是產業脈絡\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>我對這套做法的判斷\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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？\u003C\u002Fp>","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。","towardsdatascience.com","https:\u002F\u002Ftowardsdatascience.com\u002Fusing-openclaw-as-a-force-multiplier-what-one-person-can-ship-with-autonomous-agents\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775058259428-sjsg.png",[13,14,15,16,17,18,19,20],"OpenClaw","多代理系統","agentic AI","solo builder","homelab","Claude","LLM","工作流設計","zh",2,false,"2026-04-01T13:09:36.098233+00:00","2026-04-01T13:09:35.948+00:00","done","da65fd29-58b5-4ad3-a13d-3a63f47ee14c","openclaw-solo-builder-autonomous-agents-zh","ai-agent","57aa140d-d12b-4b13-acc6-e92b49d29d05","published","2026-04-09T09:00:53.456+00:00",[34,35,37,38,40,42,44,45],{"name":17,"slug":17},{"name":16,"slug":36},"solo-builder",{"name":14,"slug":14},{"name":19,"slug":39},"llm",{"name":13,"slug":41},"openclaw",{"name":18,"slug":43},"claude",{"name":20,"slug":20},{"name":15,"slug":46},"agentic-ai",{"id":30,"slug":48,"title":49,"language":50},"openclaw-solo-builder-autonomous-agents-en","OpenClaw and the New Solo Builder Stack","en",[52,58,64,70,76,82],{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":29},"e7874ed9-592f-4e06-b7b7-ab733fe779db","claude-agent-dreaming-outcomes-multiagent-zh","Claude 幫 Agent 加了做夢功能","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778868642412-7woy.png","2026-05-15T18:10:24.427608+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":29},"38406a12-f833-4c69-ae22-99c31f03dd52","switch-ai-outputs-markdown-to-html-zh","怎麼把 AI 輸出改成 HTML","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778743243861-8901.png","2026-05-14T07:20:21.545364+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":29},"c7c69fe4-97e3-4edf-a9d6-a79d0c4495b4","anthropic-cat-wu-proactive-ai-assistants-zh","Cat Wu 談 Claude 的主動式 AI","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778735455993-gnw7.png","2026-05-14T05:10:30.453046+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":29},"e1d6acda-fa49-4514-aa75-709504be9f93","how-to-run-hermes-agent-on-discord-zh","如何在 Discord 執行 Hermes Agent","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778724655796-cjul.png","2026-05-14T02:10:34.362605+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":29},"4104fa5f-d95f-45c5-9032-99416cf0365c","why-ragflow-is-the-right-open-source-rag-engine-to-self-host-zh","為什麼 RAGFlow 是最適合自架的開源 RAG 引擎","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778674262278-1630.png","2026-05-13T12:10:23.762632+00:00",{"id":83,"slug":84,"title":85,"cover_image":86,"image_url":86,"created_at":87,"category":29},"7095f05c-34f5-469f-a044-2525d2010ce9","how-to-add-temporal-rag-in-production-zh","如何在正式環境加入 Temporal RAG","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778667053844-osvs.png","2026-05-13T10:10:30.930982+00:00",[89,94,99,104,109,114,119,124,129,134],{"id":90,"slug":91,"title":92,"created_at":93},"4ae1e197-1d3d-4233-8733-eafe9cb6438b","claude-now-uses-your-pc-to-finish-tasks-zh","Claude 開始幫你操作電腦","2026-03-26T07:20:48.457387+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"5bede67f-e21c-413d-9ab8-54a3c3d26227","googles-2026-ai-agent-report-decoded-zh","Google 2026 AI Agent 報告解讀","2026-03-26T11:15:22.651956+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"2987d097-563f-46c7-b76f-b558d8ef7c2b","kimi-k25-review-stronger-still-not-legend-zh","Kimi K2.5 評測：更強，但還不是神作","2026-03-27T07:15:55.277513+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"95c9053b-e3f4-4cb5-aace-5c54f4c9e044","claude-code-controls-mac-desktop-zh","Claude Code 也能操控 Mac 了","2026-03-28T03:01:58.58121+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"dc58e153-e3a8-4c06-9b96-1aa64eabbf5f","cloudflare-100x-faster-ai-agent-sandbox-zh","Cloudflare 的 AI 沙箱跑超快","2026-03-28T03:09:44.142236+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"1c8afc56-253f-47a2-979f-1065ff072f2a","openai-backs-isara-agent-swarm-bet-zh","OpenAI 挺 Isara 的 agent swarm …","2026-03-28T03:15:27.513155+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"7379b422-576e-45df-ad5a-d57a0d9dd467","openai-plan-automated-ai-researcher-zh","OpenAI 想做自動化 AI 研究員","2026-03-28T03:17:42.090548+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"48c9889e-86df-450b-a356-e4a4b7c83c5b","harness-engineering-ai-agent-reliability-2026-zh","駕馭工程：從「馬具」到「作業系統」，AI Agent 可靠性的終極密碼","2026-03-31T06:42:53.556721+00:00",{"id":130,"slug":131,"title":132,"created_at":133},"e41546b8-ba9e-455f-9159-88d4614ad711","openai-codex-plugin-claude-code-zh","OpenAI 把 Codex 放進 Claude Code","2026-04-01T09:21:54.687617+00:00",{"id":135,"slug":136,"title":137,"created_at":138},"96d8e8c8-1edd-475d-9145-b1e7a1b02b65","mcp-explained-from-prompts-to-production-zh","MCP 怎麼把提示詞變工作流","2026-04-01T09:24:39.321274+00:00"]