Agent 不是一岗配一个:24 个岗位就想开 24 个,是最容易犯的错。得按职能簇收成常数。

🦩 第 3 篇 · 2025 年 11 月 10 日
用 OpenClaw / Hermes 这些搭 Agent 系统时,最容易犯的一个错就是"1 个岗位配 1 个 AI"——HR 里写着 24 个岗位,就恨不得开 24 个 Agent。我一开始也被绕进去过。这篇讲我最后怎么把它收敛成几个常驻 Agent 的,以及为什么这是对的。
一句话
岗位模板可以有很多个,但能跑的 Agent 要按"职能簇"收敛成常数——24 个岗位是你要定义的"工作标准",不等于你要开 24 个能跑的人。收敛,不是吝啬,是真会搭。
核心问题:24 岗 ≠ 24 个 Agent
这句话是我踩了很久才想透的。拆开看:
- 岗位(role)= 岗位说明书:干什么、边界、和谁协作。HR 的 JD 可以写几十个,用来定义标准。
- Agent = 一个能跑的人:系统提示词 + 工具 + 记忆 + 目标。开一个就有成本(token、维护、出错面),不能雇 24 个人干 8 个人的活。
所以"24 个岗位"是母工厂的模板(定义标准),不是 24 个运行实例。真正跑的实例,要按"职能簇"收敛——数量是常数,不随业务扩张无限涨。
收敛判据(我是这么断的)
我不会一刀切,而是用几条硬判据把岗位归并:
- 职责亲和度:系统提示词 / 工具 / 记忆高度同质的岗位 → 共用一个 Agent。同质还分开跑,纯属浪费。
- 制衡隔离:裁判(质检)和运动员(生产/进化)必须分开——自己检查自己,等于没检查。哪怕要加 Agent,这两块也得拆开。
- 三权分立:拍板 / 算账 / 守门(决策、财务、合规风控)不能合并成一个大脑。让同一个 Agent 既做决定又管钱又把关,出事是必然。
- 确定性优先:纯规则能定的(派单、调度、库存、发布、接入、履约、运维)根本不调大模型,丢给规则引擎。用 Agent 干规则的活,是拿大炮轰蚊子。
- 模板不占实例:接待、接单、识别、搭售、激活这些,做成模板定义,克隆给一线用;总部不亲自一件件接客。
- 执行动作用工具,不设常驻执行 Agent:下单、发消息、打标签、履约是 service;只有异常才升级到 Agent 判断。
落地的结果(收敛成这样)
顺着上面判据,24 岗最后收敛成几类常驻 Agent + 一堆规则,而不是 24 个"数字员工":
- 总部侧:决策(拍板协调)、财务数据(算账看数)、合规风控(守门)、质检(裁判)、内容/推广(产弹药)、进化(沉淀复盘)——且质检和进化严格分开。
- 一线侧:按业务打包成客服、销售(跟单转化)、运营(内容+触达)几个实例,从模板克隆出来按业务参数装配。
- 剩下的:全是规则引擎 + cron + 异常升级,不设常驻 Agent。
数量下来了,但能力没少——因为收敛的是"重复跑的人",保留的是"模板的高覆盖"。模板库该多就多,运行实例该少就少。
对真实场景的思考
很多人以为搭 AI 系统,Agent 越多越"高级"。真相反过来:Agent 是成本中心,收敛是能力强的体现。 你判断一个 AI 系统靠不靠谱,不是看它开了多少个 Agent,而是看它能不能回答三个问题:
- 哪些岗位是"标准模板",哪些是"真在跑的人"?分清楚了吗?
- 裁判(质检)和运动员(生产)分开没有?
- 规则能干的,是不是不拿模型硬扛?
在 OpenClaw / Hermes 这种底座上,把岗位抽象成模板、实例收敛成常数、规则和 Agent 分工清楚——这套"收敛的克制",才是 AI 系统能长期跑稳、不失控的关键。
一句话总结:Agent 不是越多越好。24 个岗位是标准模板,能跑的要按"职责亲和 + 制衡隔离 + 三权分立 + 确定性优先"收敛成几个常驻 Agent + 规则引擎。会收敛,是真会搭。
延伸阅读
- 办公 Agent 想落地,先啃会议和流程两座山
- 本地生活门店的 Agent 团队,一次真实复盘
- A2A 不只是连 Agent,门店之间也要协同
- Agent 安全合规,企业绕不开的三个坎
- Agent 记忆机制:让 AI 记住你是谁
- Agent 进化机制:让 AI 自己发现问题
- Agent 质检与督导:数字员工也要考核
- Harness:让Agent能操控业务系统
- 本地生活上 Agent,最先补的三个场景不是客服
- 本体论加工作流,让 Agent 真懂业务
相关阅读
标签
双号关注
扫码关注「广说新零售」公众号 + 视频号
本地生活 AI 落地、Agent 实操、真实门店怎么跑起来。扫码关注公众号与视频号「广说新零售」,持续看可收藏的做法;有场景也可私信聊合作。

公众号

视频号
继续读
同栏目相关文章,方便对照着看。
AI落地这条路,我为什么一直走下去
不是因为它热。踩过的坑越多越确认:AI只有放进真实业务跑,才知道哪些是真需求,先看AI落地。
AI 落地和创业一样,都要算清 ROI
上项目时轰轰烈烈,上完算账发现是负的。AI 落地不是技术选型,是商业决策,先算 ROI。
AI落地效果怎么衡量:北极星加配套指标
没有指标,AI运营要么靠感觉,要么靠注水的汇报。一个北极星指标加六个配套,价值才可量化,先看AI落地。
不是急着做AI和人的分工不是谁,是先核对AI落地
员工最怕被取代。真实落地里,花时间最多的不是调模型,是处理人和AI的关系与信任,先看AI落地。
Agent 架构设计:几张卡片把系统搭清楚
系统越复杂越容易乱。每个角色先写一张卡片,职责、边界、入口、出口说清,再往代码里落。
