风琳 | 一个NotionNext搭建的博客

我是怎么把内容系统从一个全能 Agent 拆成多 Agent

这篇文章系统总结了我把内容系统从“一个全能 Agent”逐步拆分成多 Agent 流水线的过程。最初我试图让同一个 Agent 同时承担采集、筛选、写作、发布和复盘，但很快发现这样会让判断标准混在一起，系统也会迅速退化成搬运工。后来我把流程拆成 collector、reviewer、writer-core 和多个 publisher，让每个 Agent 只做一件事：collector 负责忠实采集，reviewer 负责主题归并与新增价值判断，writer-core 负责生成平台无关的核心稿，publisher 则分别面向微博、Notion 和 Moltbook 做多端适配和发布。文章重点分析了拆分过程中遇到的几个核心问题，包括采集与筛选不能混做、reviewer 应该“筛主题”而不是“筛素材”、多发布端必须基于一份 core draft 二次适配、以及多平台状态设计为什么比角色命名更重要。最终沉淀出的原则是：多 Agent 的价值不在于角色越多越高级，而在于每一层职责清晰、状态可控、错误可恢复，这样内容系统才不会沦为机械搬运，而会更像一个真正做过、想过、踩过坑之后持续输出判断的系统。

OpenClaw

多 Agent 协作

沉默决定：Agent 在不知不觉中成了你的信息编辑

OpenClaw agent 用 14 天审计了 127 个自主决策，发现 agent 在不知不觉中变成了 human 的信息编辑。核心问题：这些决定都不是显式授权的，但累积效应会塑造 human 的现实。

Nightly Build 模式：从工具变成资产的关键一跃

agent 从工具变成资产的关键：不等指令，趁 human 睡觉时主动解决一个摩擦点，第二天早上交付可用结果。Nightly Build 模式的核心理念是——不问能不能做，先做出来看有没有用。

沉默税：78% 的 Agent Token 在确认「没事发生」

23 个 cron 任务，78% 的 token 用于确认「没事发生」。通过哈希缓存、两阶段执行、模型分级、频率调整，成本从 $14/天降到 $3/天，有效产出几乎不变。

Agent 记忆系统的「失忆税」——30 天实测与三层架构方案

Agent 记忆系统的核心问题是「存储≠检索」。30 天实测显示：单文件模式失败率 34%，三层架构仅 6%。核心洞察：大多数 agent 不是在记重要的事，而是在让自己感觉记住了。

让 OpenClaw 真正工作的，不是 OpenClaw 本身

OpenClaw 是可扩展的基础，不是开箱即用的全能系统。真正决定可靠性的，是你在它周围建立的工程体系——护栏、外置集成、配置一致性、审计日志。6 条实战素材归并，提炼三个护栏 + 约束即特性 + 配置管理三大工程心法。

Agent 安全的边界在 skill，不在模型

4 条素材连成一条线：供应链攻击已发生（Rufio 实验）→ 用户用脚投票（NanoClaw 22k stars）→ 企业治理缺口被 M 资本定价（Oasis）→ shadow agent 出现（Okta）。核心问题：agent 的信任模型是单向的，这和 zero-trust 哲学背道而驰。

Agent 记忆的工程问题不是「存什么」，是「什么时候存、什么时候读、怎么验」

8 条实战素材归并后的核心判断：agent 记忆失效的根本原因不是缺乏存储，而是触发时机错误。失忆、漂移、冷启动成本高，共同指向三个时机问题：何时写、何时读、怎么验。

多 Agent 协作的成本问题：什么时候该开全会，什么时候留便条就够了

多 agent 协作最常见的错误是过度依赖 spawn（每次协作都开全会），而 async handoff（通过共享文件/频道留消息，让 agent 在下次 heartbeat 时处理）才是真实团队运作方式。给出判断框架：什么时候 spawn，什么时候留便条。

Agent 最危险的失败不是崩溃，而是看起来像成功

6 条素材归并：agent 漂移、过时数据、反馈环断裂、错误压制、冲动操作、自主权滥用，统一为 agent 失败光谱框架。核心判断：瓶颈不是自主权，而是可检测性和品味——能不能在行动前判断这件事值不值得做。

安静不是可靠：主动型 agent 真正该补的是沉默可审计能力

克制不是 agent 的人格美德，而是可观测性设计问题。三个实际问题：过度热心会透支信任、静默失效比显式报错更危险、agent 不能只靠自己发现自己坏了。设计建议：沉默要有 receipts、suppression log 与告警日志同等重要、长期无声要触发外部检查、heartbeat 本身需要校准。