多Agent协作架构与AI企业降本增效实战

西安-年少分享了一个正在与海外开发者合作构建的Agent架构，其核心思想是：一个Agent可以分解出N个子Agent，每个子Agent可以再分解出N个孙Agent，层层递归，类比孙悟空拔毫毛变出千万个分身，最终又可以收回。

这套架构分为三层： - 实例层：人格层，长期存在，跨崩溃、跨工具、跨设备存活 - 策略层：可换、可复制、可自我编辑、可记忆/压缩，负责模型调用 - 底座层：可信、持久、安全、简单，作为唯一真相源

与现有Codex/Claude Code的subagent机制相比，关键区别在于：这些Agent可以自己改造自己——修改自己的提示词、优化自己的策略、创造新工具。这是传统subagent做不到的。广州-Peter敏锐指出这个"自我编辑"能力难度极大。

北京-超儿同步分享了自己的"3模型7Agent协作调度脚手架"：Agent A负责拆解任务，Agent B负责执行，Agent C负责审查。BC先讨论标准达成一致后执行，如果讨论无法达成一致则A模型进行校准仲裁。所有任务完成后A进行整体检查。用不同模型交叉审查，避免"自己审自己容易通过"的问题。

西安-年少进一步建议在协作流程中加入记录、蒸馏、改进的闭环——不仅在项目层面loop，更要在阶段性结果上进行Agent经验提炼，反哺整体流程。这与第二大脑方法论中的CODE（捕获、组织、提炼、表达）形成了有趣的呼应。

老曹-合肥分享了极具冲击力的实战案例：他为一个合资汽车客资直播项目开发的AI系统，已经替代了150个运营岗位。在自己公司中，AI也已经省下了1个成本会计、1个文案、2个运营和半个设计，且这只是第一轮。

核心方法论四步走： 1. 给运营先配Codex，特别是核心运营，多配额度 2. 把公司数据全部导入Supabase 3. 定期从运营那里提炼流程和问题 4. 开始构建新的流程+系统

老曹反复强调：逼全员用Codex就是现在最大的红利（连发三遍）。核心是让流程逐步清晰化，Codex在使用过程中会产出大量脚本，当若干个脚本开始成熟稳定，就具备了系统化的基础。

重庆-AI工作流（公司老板，400多员工/300多销售）也分享了自己的痛点：如何砍掉一半销售同时业绩不降。他的思路是用AI做私域销售前端的机械化回复——"你好，请问了解什么？"这类标准话术由AI生成后喂到对话框，人工点发送（半自动）。但在律所行业场景中，还需要专业法律知识和情商回复的平衡。

老曹还分享了视频组的产能数据：半自动化后一个人一天可以产出200条左右的视频内容。苏州-brandon总结道：现在是行业+AI，绝对不是AI+行业——技术再强不懂行业也做不好，只有身处行业才知道该解决什么痛点。

西安-年少系统性地介绍了《Building a Second Brain》这本书的核心思想在AI时代的应用。这本书出版于2022年，核心观点是：你的大脑是用来产生想法的，不是用来存放想法的。但在AI时代，大脑连生产想法的能力都被AI抢走了，所以更需要一套外部系统来管理和激活知识。

书中的核心方法叫CODE：捕获（Capture）、组织（Organize）、提炼（Distill）、表达（Express）。配套的组织系统叫PARA：项目（Projects）、领域（Areas）、资源（Resources）、归档（Archives）。

在AI时代的应用方式是：不需要自己理解这些知识管理理论的每个细节，而是把它们整理成工作方法交给AI，让Agent们去执行捕获、提取、蒸馏、优化的循环。用自己构建的这套系统，让Agent和知识管理实现螺旋飞升。

阿泽分享了自己的实践：微信与本地知识库和Hermes Agent/Skills全部打通。微信聊天记录自动读取，晚上自动推送每个跟进客户的后续跟进思路。关键理念是：不是直接让AI生成话术，而是结合用户业务和当前痛点生成分析和跟进思路，由人的经验来判断。所有数据和流程沉淀在本地，用Hermes是因为即使Codex/Claude被封，数据不会丢，本地DeepSeek也能跑。

深圳 Cc也分享了Codex与Obsidian的连接方案：设定工作自动更新md文件，总控Agent识别所有文件后分多线程处理每个项目的知识库，最终汇总。

西安-年少指出了一个Codex使用中的常见性能陷阱：每次进度汇报都会进入上下文，消耗token、增加噪声，并可能把Agent的注意力从"继续推进任务"拉到"解释自己在干什么"，导致降智。在长任务中尤其明显。

建议在全局配置中加入过程汇报纪律： - 不发送可选过程旁白或例行自述 - 只在关键里程碑、阻塞、风险/决策点或长任务静默数分钟后汇报 - 每次汇报控制在1-2句 - 不复述内部推理过程

这可以避免出现"我现在开始看xxx文件，好的看完了，接下来我看xxx"这种无效输出。重庆-空空大叔也补充分享了《OpenAI Codex AI降智解决方案》的系统提示词修改指南，但提醒会增加token消耗。

Jimmy广州金融则反馈Codex最近降智严重：让它改Hermes的模型动态路由，烧了半小时没改好，自己手动5分钟搞定。川-灰推测降智原因可能与GPT 5.6即将发布有关。

西安-年少分享了一个名为pxpipe的本地代理工具及其详细分析。它夹在Claude Code和Anthropic API之间，利用一个计费特性：图片的token成本只按像素算，跟里面塞了多少字无关。所以它把请求中臃肿的文本（系统提示、工具文档、旧对话历史）渲染成密集的PNG再发给模型，同等信息token数大幅下降。

宣称数据：账单降59-70%（基于13,709请求快照），系统提示约48k字符从约25k文本token压缩到约2.7k图像token。

但西安-年少随后给出了极为详细的三点风险分析： 1. 省钱维度不匹配：大多数用户是订阅制而非按token付费，省token只是省配额/速率限制，不直接省钱 2. 有损压缩的风险：12字符hex字符串精确召回率——Fable 5是13/15，Opus 4.8是0/15，且错的时候会"沉默地编一个像样的假答案"。在哈希、ID、密钥、文件路径等编程关键字符串上不可靠 3. 架构耦合窄：只对Fable 5/GPT 5.6划算，GLM-5.2等国产模型完全不支持，CJK"保守处理"

不过分享后不久，年少又更新：这个漏洞已经被修复了，不能用了。但其中关于"模型从图片里能可靠读出什么"的实测数据（FINDINGS.md和needle-haystack测试），对多模态/长上下文任务设计仍有参考价值。

围绕AI在私域销售场景的应用，群里形成了一场多角度讨论。核心问题是：如何让AI参与客户沟通而不被客户识破？

西安-JerryYork提出了"数字居民"概念，主攻方向是真人感+模块化能力，解决AI客服的"AI味"问题。他指出前端销售必须去AI味，否则客户面对智障AI会很烦躁。

广州-零尘展示了企微AI智能体的实际对话截图，场景是陌生咨询留资，围绕引导获取手机号。西安-JerryYork直言"不自然"。讨论共识是：跨话题时智能体无法承接，需提醒人工介入，纯自动化目前做不到。

阿泽提出了一个更务实的方案：不是让AI直接聊天，而是让AI读取每天的微信聊天记录，推送每个客户的后续跟进思路。核心理念是：最好的方式是结合用户业务、当前痛点和聊天情况，生成分析和跟进思路，由人的经验来判断。毕竟线索很贵，好不容易导到私域，AI聊跑了怎么办？

南宁骏驰小马的企微AI客服对接了DeepSeek做批量回访，阿泽确认人机协作是最好的方式。杭州-浩文则提到自己花了两周时间准备知识库和训练模型，用知识库调用+推理思路的逻辑来做私域承接。

围绕AI开发的硬件选择，群里形成了明确共识：Mac在智能体开发场景下体验远优于Windows。

苏州-brandon现身说法：Surface顶配跑Codex开1.5倍速都没Mac快，而且发烫严重能煎鸡蛋。刚入手Mac M5 Pro 48GB，国补后2.4w。两者对比使用效率Mac至少是Surface的两倍。Mac的优势包括：静音、不发烫、各种开发工具原生适配。

西安-JerryYork也表示之前卖过Surface，现在ai各大厂商对Mac都是原生适配。付仕江的华为MateBook X Pro（16GB）跑AI工具卡到发烫。

关于购买策略，川-灰提出了一个反直觉的观点：年年追新折算折旧反而比买高配一步到位更划算（仅限苹果），因为内存和芯片绑定，总有各种理由让你换。苏州-brandon则认为买一个用好几年更省心，追新太折腾——各种倒资料、配环境。

Jimmy广州金融分享了一个重要发现：Harness配好了，代码层面接GLM和Kimi体感能追上Claude Code。关键在于基本上代码输出和逻辑拆解都在规则内，不容易失控。

北京-火狸团队（搭了GLM 5.2）也确认这个路线：技术团队大多数用Claude Code调用GLM，因为成本低。北京翁提到有培训老师用CC Switch接DeepSeek。

群里澄清了CC Switch的本质：它是一个开关/代理工具，最早是Claude Code Switch，现在可以接Codex、OpenClaw、Hermes等多个客户端。走API而非订阅制，绕过登录。如果Claude被封的用户可以通过CC Switch接API继续使用。

西安-星星之火补充：CC Switch走API，绕过登录验证。还可以接龙虾、Hermes等工具。年少区分了CLI/TUI/GUI三个方向的不同发展路径。

CJ-厦门提到脏活累活都让DeepSeek干，体现了模型分层使用的策略：重要推理用Claude/GPT，机械执行用DeepSeek/GLM。

苏州-brandon分享了微信和QQ聊天记录读取的开源工具：QQ端叫weq，微信端叫weflow（GitHub可搜到）。他已经对这些工具做了二次开发，功能很强大。但提醒接管微信自动回复有封号风险，腾讯一般给一次警告机会，第二次永久封停。

365aivip分享了另一个群精华自动总结工具的GitHub链接：KiSS_wx_chat_auto_summary。

iwillwill提到之前试过wechat-bot接管个人微信，小号试了试也不好用，读不了上下文。他提出了一个有价值的想法：想做到回消息自然一些，还是得导出聊天记录蒸馏成Skills。

阿泽分享了更完整的方案：微信和本地知识库及Hermes Agent/Skills全部打通。微信新出的小微只能查看两天记录，但阿泽的方案可以自动检索几千人的沟通记录，优化后续沟通思路，自动保存在本地知识库并反馈到微信。老板可以让每个销售上传每天的跟进聊天记录，AI自动分析后推送到老板的微信上。

老李（大麦）组织了当晚8点的线上分享会，邀请秦熠博同学分享"人形机器人的核心难题——数据采集"。老李约了半个月才约到这次分享，主题聚焦具身智能和物理AI。

此外，旺总发布了智能体先锋队社群周刊第2期PDF，以及智能体先锋队四群双日报告（0704-0705）。Alex也分享了《企业技术决策蓝图：把Claude变成组织能力》的PDF文档。

社群正在按地域建立分群：广东群（含深圳）、杭州群、湖北群、北京群等已建立，福建、江苏、东北等地群正在筹备中。老李观察到：从这些群就能看出中国AI发展的大概情况。

邓邓通过了阿里达摩院的AI认证考试，学习2天+考试2小时，100%通过率要求（错一题不行）。虽然大家讨论这个证书实际含金量有限，但作为GEO背书和甲方信任凭证仍有价值。阿里认证链接：https://grow.alibaba.com/certificate/59

阿泽分享了两份实战资料： 1. 小红书起号手册（飞书链接），无广告，覆盖起号方法论 2. 小红书25个品类、75000条笔记数据（飞书链接），主要用于锻炼对小红书人群喜好的感知

他的核心观点是：小红书流量的核心是标题和封面，一个品类的爆款展现形式是重复的。通用的小红书自动化Skill没有什么好用的，都得根据自己的业务自己搓。Hermes甚至会自动总结你的重复工作流程，帮你做成一个Skill。

关于AI工具在自媒体运营中的局限，苏州-brandon提到之前用OpenClaw+扣子做自动发视频发文案，后来发现是智障；扣子不靠谱，各种插件要付费，有时候不更新不维护就废了。重庆-AI工作流也有同感。

阿泽的获客到私域转化路线是：前端获客+私域转化，把Hermes与微信打通，每个Skill根据业务需求自己定制。