主控 + 专职 Agent：一个人的 AI 工作体系

这一个月我做的最大一件事，不是写了多少代码，而是把自己干活的方式重做了一遍——从「一个人 + 一堆工具」，改成「我 + 一支 Agent 小队」。

先说结论：多 Agent 的价值不在「模型更多」，而在「分工更清楚」。一个什么都能干的超级助手，往往什么都干不深。

一、为什么不是「换一个更强的模型」

最初的直觉是：工具不够强，那就换个更强的。实际用下来发现，问题从来不是单点能力，而是三件事：

1. 上下文会膨胀——它既要知道写代码的规矩，又要懂情报的取舍，还要管日程，信息互相污染；
2. 职责会糊——出了错，分不清是判断错了、执行错了，还是需求本来就没说清；
3. 没有验收——它说「我完成了」，你只能信，或者从头再查一遍。

把一个万能助手拆成「一个主控 + 若干专职」，上面三条同时缓解。

二、三层结构

• 主控：只做判断——识别任务、拆解、定义完成标准、派单、验收。它不亲自写代码、不亲自抓数据。
• 专职：每人只管一类活。写代码的、查情报的、做内容的，各守一摊（MECE：不重叠、不留空白）。
• 契约：主控和专职之间的接口不是聊天，是一张「交接单」——写清做什么、不做什么、怎么算完成。

中间那层「契约」是最容易被忽略、也最值钱的一层。下面单独讲。

三、派单的闭环

一个任务要跑完，至少走三步：

定义 → 下发 → 独立验收。

第一步「定义」最难：不是说我想要什么，而是先说清什么不做、做到什么程度算完、谁来验。

第三步「验收」最反直觉：验收必须由派单方自己做，回读产物，不信执行方那句「已完成」。这不是不信任，而是「自己说通过」在结构上就不成立。

四、哪些事值得交给它

我的分界线很简单：判断我留着，执行交出去，对外动作先问。

• 可复用、可验证、重复出现的活——交出去，固化下来；
• 一次性的、要权衡的、会改变外部状态的——自己来，或者至少自己拍板。

五、一个月的真实收益与翻车

收益：重复劳动被固化，同时推进的线从一条变成几条，切换成本下降。

翻车：派单时漏写「不做什么」，执行方会顺手把范围扩大；把它当成「更听话的我」，也会出事——它不会替你承担判断责任。

一句话收尾：Agent 化的门槛，不在模型，而在你能否把活说清楚。