每天投入4小時，我打造了一支「AI Agent團隊」

當AI技術持續演進，越來越多開始思考如何將AI應用於日常工作。與其只是簡單地與AI對話，有人選擇了一條更進階的道路——構建一支專屬的AI Agent團隊。這位技術達人的做法頗具啟發性：他每天投入約4小時，成功打造了一個由主控Agent與六個專業Agent組成的協作系統，讓AI真正成為工作上的得力搭子。

本地部署與雲端的取捨

一切始於硬體設備。他在一台配備128GB記憶體的華碩筆記型電腦上，透過WSL部署了DeepSeek 70B模型。最初，他將AI接入飛書想做查詢機器人，但由於API額度迅速耗盡，轉而採用Telegram作為主要交互平台。選擇Telegram的原因頗為實際：它支援豐富的指令體系，每次對話都是獨立的執行緒（New Thread），只攜帶當前對話的上下文，大幅降低Token消耗。此外，還能調整Thinking Level，這些特性對於成本控制相當重要。

從單一Agent到專業團隊的演進

關於部署方式的選擇，本地與雲端各有優勢。本地部署的優勢在於：響應速度快、Token無需、數據留在本地確保隱私。而雲端則門檻較低、成本可控、行動辦公更靈活。最終他選擇了「本地為主、雲端兜底」的混合策略。對於剛入門的使用者，建議先從雲端開始體驗，降低學習門檻，待熟悉後再考慮本地部署。

模型選擇的成本智慧

隨著需求增加，單一Agent的問題逐漸顯現：所有任務擠在同一個Agent中，不同資訊互相干擾，產生所謂的「上下文污染」，使用體驗大打折扣。為了解決這個問題，他提出了創新的「1+6」團隊架構——一個主控Agent協調六個專業Agent，每個Agent各有獨立的Memory和Workspace，同時透過共享Memory進行協作。這種分工模式讓AI能夠處理更複雜的任務，同時保持輸出的品質和一致性。

實際應用場景與成效

為了控制成本，他摸索出了一套灵活的模型組合策略：主控Agent使用GPT-5.4以獲得更強的能力，但全線使用高級模型成本過高。他采用ZenMux Coding Plan作為主要規劃工具，当額度用完後，則降級使用Kimi的Coding Plan。核心思路類似「給火車頭加滿油」——主控Agent分配更多預算使用更好的模型，而子Agent則根據任務類型靈活適配不同模型。這種策略有效平衡了效能與成本。

如有侵权，请联系删除。