我的AI原生工作流实践全记录与经验分享

同时启动四款Agent工具、并行运行数十个对话框——这套令人既依赖又头疼的工作流程，是如何一步步演变而来的？

有一阵子没更新了，想聊聊最近在探索的事情。如今每次打开电脑，都必须同步启动四个不同的Agent工具，高峰时期每个工具还会同时开启三五个对话框并行处理任务。说实话，这套工作流从零到一的搭建过程，本身就是一个值得记录的经历。

大约从去年十二月开始，OpenClaw进入了视野。今年三月它在国内走红之后，各类Agent工具如雨后春笋般涌现，Pi Agent、Hermes、OpenHuman等层出不穷。身边不少朋友开始询问如何选择、如何应用到实际工作中。加上日常授课的需要，我也得投入更多时间逐一测试，深入了解它们各自的优势劣势与适用场景。

国内外企业涌入Agent赛道的速度更是惊人。腾讯WorkBuddy、阿里悟空、字节Trae Work、OpenAI Codex，这些名字在最近半年的朋友圈里反复刷屏。为了掌握它们，我逐一试用，并尝试融入自己的工作流。日常办公偏好用Hermes，写代码喜欢Codex，而WorkBuddy经过几次快速迭代后，最近也成了常用工具列表中的一员。

第一个难题：记忆同步

同时使用多个Agent工具，首当其冲的问题就是记忆同步。

每个Agent留下的记忆只能在其自身框架内被读取，上下文彼此割裂。在这边跟它聊了一个小时的项目背景，切换到另一个工具，它完全不知道刚才讨论了什么、偏好是什么。尝试过好几个开源的Agent记忆框架，发现处理这个问题时，它们总是各有各的短板。

于是，我为自己编写了一个记忆工具，命名为KeyMemory。现在，所有在用的工具最终都会向这个工具回写一份记忆。Agent在工作过程中，也会到这个记忆库中读取我的习惯偏好、过往工作上下文等信息。

记忆积累多了以后，我为它增加了一个"梦境"功能。配置好一个大模型的API Key后，它会在每晚定时分析新增记忆与旧记忆之间的关联，判断是否存在进化、补强、桥接或迭代等关系，寻找各个观点、想法、做法之间的联系，并将它们串联起来，同时进行去重合并。如果某些记忆只是同一件事的不同表述，细节略有差异，就会被重新合并，以确保整个记忆库的健康状态。

但仅仅把记忆一条条堆砌进去还远远不够。虽然大模型能够定期推理、帮助它们建立关联，但实际命中效果依然不理想。于是，我又开发了一个以项目为核心的整理功能：当系统发现一批碎片化记忆其实指向同一个项目时，就会自动创建一个文件夹将它们收纳进去。底层支持多级文件夹，可以一层层向上嵌套。

Loop工程与多Agent协作

最近，LOOP工程变得非常热门。我第一次认识到Loop的价值，是在使用Codex的时候。Codex有一个目标模式，只需给它一个明确的目标，之后就不需要再干预了，模型会持续运行，直到目标达成。我跑过最长的一个项目持续了三十个小时，消耗了大约九亿多Token。

但最终的效果却一言难尽。

这次经历让我第一次真正理解了Loop工程的价值所在。

此前，为了帮助朋友在生产环境中落地，我已经开始搭建一个多Agent协作框架。

我自己其实也在使用这种多Agent协作框架。最初，我设置了一个默认的秘书Agent，它下面配置了日常工作中经常用到的各种专用Agent，比如负责研究、计划、写代码、写文章、审阅合同或提供法律建议的Agent。因为目前市场上的模型各有专长：GLM 5.2擅长编程，MiniMax和MIMO在Agent应用上更经济。在写作方面，除了原有的Claude Opus 4.6能带来更出色的文字质感，现在国产的月之暗面Kimi 2.6在中文写作上的表现也非常能打。

所以，我的做法不是购买一个Token套餐来处理所有工作，而是购买好几家的Token套餐。根据它们各自的擅长领域，以及我在使用中认为它们表现更好、更满意的场景，当使用不同角色的Agent时，系统会自动路由到预设分配的模型。

这种做法让我联想到一项研究。2025年三月，Yue Meng团队用二百五十个机器人做了一个实验，测试如何在密集环境中让它们高效协作而不发生冲突。他们要解决的核心问题很具体：二百五十个机器人在自动化仓库里同时穿梭时，局部协调很容易陷入死锁。他们的解决方案是让一个中央单元生成全局调度表，统一决定机器人的通行顺序。但传统的集中式方法，其运行时间会随着问题规模急剧增加。于是，他们创新性地使用了图神经网络变分自编码器（GNN-VAE）。简单来说，就是先在小规模问题上训练一个"压缩地图"，把优质解法打包进潜在空间；真正需要调度时，再从这张地图里解压出几套方案，挑选成本最低的那个。

实验结果显示，这种方法在处理二百五十个机器人的大规模问题时，不仅保持了高解决方案质量，而且速度远超其他基线方法。读到这的时候我愣了一下。这不就是我现在正在折腾的事情吗？我采用的"秘书Agent加专用Agent"架构，其实就是这种集中式协调思想的工程化实现。秘书Agent就像那个中央单元，负责全局调度和任务编排。

使用越久越觉得，效率的关键不在于每个Agent有多卖力，而在于那个秘书Agent知道什么时候该派谁上场。

日常主力：四套Agent团队

现在，这套多Agent系统已经成为我的日常主力。秘书Agent会先读取记忆库来理解我的意图，然后回头确认："老板，您真正想做的是不是这样？"达成共识后，它才开始编排手下的各个专用Agent，并为每个Agent配置好对应的技能。

真正耗费精力的是执行过程中的接力环节。秘书Agent会制定一份详细计划，明确谁做什么、需要哪些资料对齐、最终交付什么。我点头后，它们才开始执行。每完成一个阶段，秘书Agent会按照预设的评分规则进行打分——达标就交给下一个Agent，不达标就直接打回重做。

全部执行完毕后，秘书Agent会用PPT进行汇报。我审阅后如果发现问题，它会进行溯源：找出是哪个环节、哪个Agent出的错，然后把错误丢回给那个Agent去反思。如果我对内容有修改意见，它也会先让负责的Agent去修改，改完后将这条教训记录入库，确保下次不再犯同样的错误。

后来，基于这套流程，我又根据工作需要，专门组建了用于写作的Agent团队、用于科研的Agent团队，以及一个负责AI FDE项目的Agent团队。

目前，大部分日常工作都依赖于这四套团队来完成。

日常办公团队

秘书Agent统领全局，下设研究、计划、写代码、写文章、审阅合同、法律建议等专用Agent

写作团队

主力模型：Claude Opus 4.6（文字质感）+ Kimi 2.6（中文写作）

科研团队

负责文献调研、数据分析、论文撰写等科研全流程

AI FDE项目团队

负责企业AI落地的现场部署与交付验证

最近，我又将这四套团队全部导入了WorkBuddy。与在Hermes上的使用体验相比，WorkBuddy上的团队运作更加显性化，这得益于WorkBuddy本身的设计。它能清晰地看到团队中有哪些角色，以及每次任务执行时具体是哪些角色在工作。当然，WorkBuddy这个产品打包得比较紧，部署多Agent团队时的自由度不如Hermes那么高。在Hermes上，我甚至可以在每次切换Agent时，让它先出来做自我介绍，说明接下来要做什么、怎么做，包括它将调用哪个大模型。

蝴蝶效应与上下文

在使用过程中，我有了新的理解。Loop工程的关键，不一定在于约束有多好，或者Harness有多厚。要让模型不偏离轨道，真正关键的突破点其实是能够给它多完整的上下文。

因为在循环过程中你会发现，哪怕某一步只偏差百分之五，这个偏移也会在后续每一步中被不断放大。

这让人想起一个著名的数学现象。1961年冬天，美国气象学家爱德华·洛伦兹在运行天气预测模型时，为了节省时间，将初始数据0.506127简化为0.506，只保留了三位小数。他原以为这只是个微不足道的四舍五入，但几个月后重新运行程序时，他震惊地发现：两条原本几乎重合的曲线，在几个月后完全分道扬镳，预测出的天气截然不同。这个发现后来被称为"蝴蝶效应"——一只南美洲的蝴蝶扇动翅膀，可能在两周后引起德克萨斯州的一场龙卷风。

这种偏移从何而来？上下文不完整可能是一个重要原因。这件事之后，我在日常工作中特别注重上下文的采集。

被记录下来，才算、才能发生在AI里。

—— YC合伙人 Tom Blomfield

例如，使用AI录音卡，不仅用它记录与他人的会议交流，还会通过它的语音速记功能来记录一些碎片化想法，并在过程中通过文字补充、图片拍摄等方式，尽可能提供足够的上下文，包括上传相关文档。

过去，我可能只在较长的对话、会议中，或者将相对完整的文档传给Agent，让它了解项目背景。但我不能假定在一个项目或一项工作中，上下文总是整块出现的。在工作场景中，超过百分之五十的上下文都是碎片化的。比如，开完会后，和同事去吃工作餐，过程中他可能用手机展示竞品的图片或相关案例。

Loop工程实践，实际上是在与这个数学规律做斗争。在多Agent协作的长链条中，每个Agent百分之五的偏差，就像那只蝴蝶扇动的翅膀，会在后续的接力中被指数级放大。因此，上下文的完整性正是对抗这种混沌效应的关键策略，它为系统提供了更完整的初始条件。

由于工作性质，对话是创造项目上下文的主要方式之一。因此，我高频使用GetSeed录音卡，并让Agent定期检索，查看是否有新的录音产生。当它发现新的转录文本时，会提取相关文本存储到指定位置，并在此基础上总结出数条关键洞见，存入记忆库。它还会提取待办事项，同步到日程管理工具"滴答清单"，自动创建任务并归类到相应的项目文件夹。

压缩记忆系统

今年二月，Zhuoen Chen团队提出了一种认知启发框架，核心思路是"压缩记忆"。他们不再把原始token全部塞给模型，而是把长输入切成块，每块压缩成一张记忆卡片。随后，一个门控模块（可以理解为自动筛选器）只挑选相关的卡片交给推理模块处理。实验结果显示，这种方法在多跳推理测试中保持了不错的准确率，还把能处理的上下文长度从7K扩展到了1.75M tokens。这是什么概念？相当于以前一次只能读几页纸，现在能一口气读完一整本书，而且峰值显存占用降到了原来的三分之一，推理速度快了六倍。

通过AI录音卡、图片拍摄、文档上传等方式采集碎片化上下文，并让Agent定期检索和整理，实际上就是在构建一个类似的"压缩记忆系统"。其核心是将信息结构化，通过项目文件夹和记忆库，Agent能够按需调用信息，而不是一次性接收所有内容。

上下文长度

从 7K 扩展到 1.75M tokens，相当于从几页纸到一整本书

峰值显存占用

降到了原来的三分之一

推理速度

快了六倍

上周，我让秘书Agent安排一次竞品分析，它就是这样调度的：研究Agent先搜集资料，写作Agent再产出文案，最后我只需在PPT里查看结果。

桌面上的工作伴侣

就像开头提到的，同时打开四个工具、并行处理几十个对话框，光是来回切换窗口就够让人头疼，效率反而被拖累。因此，我又买了一块带屏幕的开发板，打算把它做成桌面上的工作伴侣。这样我就不必频繁切换窗口来查看进程，而是能直接从这块屏幕上看到每个Agent工具中有哪些任务正在进行，以及哪些任务需要确认。

即使安排好工作离开办公桌，当它需要介入时，也会以更明显的声音提醒，以便我及时处理。当任务完成需要审核最终结果时，它也能主动通知。当然，它还能实时显示每个Token Plan的用量情况。

接下来，我还想让它直接调用电脑上的Hermes、Codex等工具来执行任务。

拿到它没多久，刚把记忆库接进去。现在，只要记忆库里有的信息，随口一问，它都会回去检索一遍再回答。之前做过什么、接下来该干什么，它都能答上来。当桌上这块小屏幕亮起时，我第一次感觉到，那些分散在四个工具里的Agent，好像终于组成了一个团队在替我工作，而不再是四个各自为政的工具。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：我的AI原生工作流实践全记录与经验分享要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题