我实践的AI原生工作流记录
本篇文章详细记录了作者在多Agent工具使用过程中遭遇的挑战与摸索出的解决方案，涵盖记忆同步、Loop工程实践等核心内容。同时启动四个Agent工具、并行跑几十个对话框——这套令人依赖又头疼的工作流，正是在不断试错中逐步完善的。
数字生命1001 AI EXPLAINER
我的AI原生工作流实践记录
同时启动四个Agent工具、并行跑几十个对话框——这套让我依赖又头疼的工作流程，是如何一步步演变而来的？
历经一段时间未更新，这次想聊聊近期的探索与尝试。
如今每次开启电脑，我都需要同步启动四个不同的Agent工具，多的时候每个工具内还开着三五个并行执行任务的对话框。这套令人依赖又头疼的工作流程，其形成过程值得追溯。
自去年十二月起，我开始使用OpenClaw。今年三月它在国内火热后，新的Agent工具层出不穷，例如Pi Agent、Hermes、OpenHuman等。许多朋友陆续询问如何选择以及如何将其融入工作。加之日常授课需求，我也需要投入更多时间逐一试用，以了解各自的优劣势与适用场景。
国内外企业涌入Agent赛道的速度同样迅速。WorkBuddy、悟空、Trae Work、Codex，这些名字在近半年的朋友圈内频繁出现。为了深入理解它们，我也开始逐个试用，并尝试将其整合进自己的工作流。日常办公时习惯用Hermes，写代码则偏好Codex，而WorkBuddy经过多次快速迭代后，最近也进入了我的常用工具列表。
第一个问题：记忆同步
同时使用多个Agent工具时，率先遇到的问题就是记忆同步。
每个Agent所保留的记忆只能在其自身框架内读取，导致上下文彼此割裂。你在此处与它沟通了一小时的项目背景，切换到另一个工具时，它对你刚才的所做所为一无所知，也不清楚你的偏好。我尝试过多个开源的Agent记忆框架，但发现它们在处理此问题时各有不足。
我为自己开发了一个记忆工具，取名为KeyMemory。目前，我所使用的所有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。
随着记忆积累，我为它增添了一个“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，发现是否存在进化、补强、桥接或迭代等关系，寻找各个观点、想法及做法间的联系，并将其串联起来，同时进行去重与合并。如果某些记忆只是对同一件事的不同表述，细节略有出入，它就会被重新合并，从而维护记忆库的健康状态。
然而，仅将记忆一条条堆叠起来还远远不够。虽然大模型能定期推理并帮助建立关联，实际命中效果依然不理想。于是，我新增了一项以项目为核心的整理功能：系统一旦发现一批碎片化记忆指向同一个项目，就会自动创建一个文件夹将其收纳。底层支持多级文件夹，可层层嵌套。
Loop工程与多Agent协作
最近，LOOP工程热度很高。我第一次认识到Loop的价值，是在使用Codex的时候。Codex具备一个目标模式：只需设定明确目标，此后无需干预，模型会持续运行直至达成目标。我运行的最长一个项目持续了三十小时，消耗了大约九亿多Token。
但最终的效果一言难尽。
这次经历让我第一次真正理解了Loop工程的价值。
此前，为了帮助朋友在生产环境中落地，我已开始构建一个多Agent协作框架。
我自己也在实际使用这种多Agent协作框架。最初，我设置了一个默认的秘书Agent，其下配置了我日常工作中频繁使用的各种专用Agent，例如负责研究、计划、写代码、写文章、审阅合同或提供法律建议的。由于目前市场上的模型各有专长，GLM 5.2擅长编程，MiniMax和MIMO在Agent应用上更具经济性。在写作方面，除了原有的Claude Opus 4.6能带来更好的文字质感，现在国产的Kimi 2.6在中文写作上效果也十分出色。
因此，我的做法并非购买单一的Token套餐来处理所有工作，而是购入多家Token套餐。根据它们各自的擅长领域，以及我在测试中认为它们表现更好、更令人满意的场景，当使用不同角色的Agent时，系统会自动路由到我预设分配的模型。
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，系统会自动路由到我预设分配的模型。
这让我想起一项研究。2025年三月，Yue Meng团队用二百五十个机器人进行了一项实验，测试如何在密集环境中实现高效协作且不发生冲突。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，局部协调容易陷入死锁。他们的解法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。但传统集中式方法的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”，将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。读到此处时，我不禁一愣：这不正是我手头正在折腾的事情吗？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，我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清楚何时该派谁上场。
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
目前，这套多Agent系统已成为我的日常主力。秘书Agent会先读取记忆库以理解我的意图，然后与我确认：“老板，您真正想做的是不是这样？”达成共识后，它才开始编排手下各个专用Agent，并为每个Agent配置对应技能。
真正耗费精力的是执行中的接力过程。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。我点头同意后，它们才开始执行。每完成一个阶段，秘书Agent会按照我预设的评分规则进行打分——达标就交由下一个Agent，不达标则直接打回重做。
全部执行完毕后，秘书Agent会用PPT进行汇报。我审阅后若发现问题，它会进行溯源：找出是哪个环节、哪个Agent出了错，然后将错误丢回给那个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，我的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。与我在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。它能让你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，我获得了新的认识。Loop工程的关键，不一定在于约束有多好，或者Harness有多厚。我认为，要让它不偏离轨道，真正关键的突破点其实是你能提供多完整的上下文。
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。
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。
这让我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？我认为，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。
例如，我会使用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我的一些碎片化想法，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，我们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。但我们不能假定，在一个项目或一项工作中，上下文总是整块出现的。在我的工作场景中，超过百分之五十的上下文都是碎片化的。比如，开完会后，我和同事去吃工作餐，过程中他可能用手机向我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。
由于我的工作性质，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，并让我的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，存入我的记忆库。它还会提取我的待办事项，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。这意味着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，它就是按此调度的：研究Agent先搜集资料，写作Agent再产出文案，我最后只需在PPT里查看结果。
桌面上的工作伴侣
如文初所述，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让人头疼，效率反而被拖累。因此，我又购置了一块带屏幕的开发板，打算将其打造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，而是可以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，以及哪些任务需要我确认。
即使我安排好工作离开办公桌，当它需要我介入时，也会以更明显的声音提醒我，以便我及时处理。当任务完成需要我审核最终结果时，它也能主动通知我。此外，它还能实时显示我每个Token Plan的用量情况。
接下来，我还想让它直接调用我电脑上的Hermes、Codex等工具来执行任务。
我拿到它没多久，刚把记忆库接进去。现在，只要记忆库里有的信息，我随口一问，它都会回去检索一遍再回答我。我之前做过什么、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。
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。
综上所述，从最初的多工具并行尝试，到自研记忆同步工具、构建Loop工程，再到最终形成四套Agent团队与桌面工作伴侣，整个优化过程不仅解决了上下文割裂与协作偏差问题，更使分散的Agent真正凝聚成一个高效协作的整体。