一個全能 AI 不如一支小團隊：AI AGENT分工與記憶分層怎麼設計

我的 AI 系統裡有三個員工：一個幕僚長負責接我的需求、判斷這件事該派給誰；一個工程師負責寫程式、除錯、部署；一個史官負責記錄每天的日誌和回顧。

這聽起來像多此一舉，不就是一個 AI 嗎，幹嘛分三個？現在的模型上下文容量很大，單一對話裡切換任務其實很順，問題在於一段長時間的工作對話會不斷累積東西：改程式時塞進來的大量檔案內容、一次次的執行結果、來回的討論。當這些堆到一定量，模型對每一件事的專注會被稀釋。這個現象叫 context rot：模型還沒到容量上限，回答品質就開始下滑，而且越來越容易被對話順序及重複最多的內容帶偏，忽略你早先交代的規則及需求。角色分工就是讓每個角色的上下文保持精簡，只裝它該裝的東西。這篇講清楚 AI 系統的第一層：角色分工層——大家都在設哪些角色、多代理和少代理怎麼選、記憶怎麼分層、有哪些現成工具。重點是搞懂「誰記得什麼、誰負責什麼」。（如果你還沒看過AGENT八大機制，可以先讀系列文不會寫程式，也能讓 AI 自己幹活：Claude Code 與 Codex 的 8 大機制。）

為什麼一個 AI 不夠用？什麼時候該分成多個角色？

當同一個 AI 要同時裝進不相干的上下文、或需要互相衝突的專長時，就該分角色。

判斷訊號有兩個。第一個是對話累積：一段長對話會塞進大量檔案內容和執行結果，如同前面說的 context rot，模型對關鍵指令的專注會被這些東西稀釋，回答品質在還沒到容量上限前就開始下降。第二個是專長衝突：寫程式要的是嚴謹、不要自作主張；寫文章要的是發散、有觀點。同一個角色很難同時做好這兩件相反的事。

AGENT就是把工作交給一個專職角色，它有自己獨立的上下文和工具權限，做完把結果交回主線。關鍵在「獨立」，工程師在改程式時累積的一堆細節，不會留在史官的記憶裡，主線對話也保持乾淨。我的三個角色連能用的工具都不一樣：工程師能執行命令、動檔案，史官只能讀資料和寫日誌，權限切開，也順便切開了風險。

另外也不要一開始就編一整隊AGENT，我發現現在模型越來越進步之後，AI自主呼叫subagent的能力越來越成熟，這些AGENT都不需要使用者設計，AI會依現有任務去很好的指揮AGENT去執行。

多AGENT和少AGENT差在哪？角色是不是越多越好？

差在工作能不能切成互不相干的方向執行，而不是AGENT數量越多越好。這件事業界剛好有一場公開的正反辯論，兩邊都拿出了自己的實測。

正方是 Anthropic。他們公開過自家多代理研究系統的成績：一個主代理指揮多個子代理平行查資料，在內部研究型任務的評測上，比單一代理的表現好了 90.2%。原因是研究這種工作天生可以平行執行；像是查三個來源彼此不相干，三個角色同時去查就是比一個角色排隊查快，而且每個角色的上下文也不會互相汙染影響結果。

反方是 Cognition（做 AI 工程師 Devin 的公司）。他們的立場直接寫在標題上：〈Don’t Build Multi-Agents〉。理由是像寫程式這種一步接一步的工作，每一步都得知道前面所有步驟發生了什麼，多個角色各做各的，彼此不知道對方改了哪裡，成品很容易互相矛盾；把脈絡集中在單一AGENT上反而更有效率。

兩邊其實沒有衝突，只是各自站在不同型態的工作上。而且值得注意的是Anthropic 自己也承認，多代理吃的運算量大約是一般對話的 15 倍。

網路上大家都設哪些 AI AGENT？該從哪個開始？

你的第一個AGENT應該來自「你每週重複做的事」。

社群整理的角色合集已經收了上百個角色定義（最大的一份是 awesome-claude-code-subagents，超過 150 個、分十類），其中最常被推薦的是這幾類：程式碼審查員（檢查改動有沒有錯誤和安全問題）、除錯員（遇到報錯專門查原因）、測試員（寫測試、跑測試）、資安查核員、文件撰寫員、研究員（去查資料、整理回來給主線用）。

一個角色一份說明書檔案，寫清楚它是誰、負責什麼、能用哪些工具、什麼情況該叫它。放在固定資料夾裡，主AGENT看到對得上的任務就自動派工，你也可以點名叫某個角色出來。

但我不建議所有配置都照搬網路上的熱門資源。你會發現我的三個員工根本不在上面那七類裡(幕僚長、工程師、史官)，因為我的系統重心是「經營一整套個人系統」，不是純寫程式。非工程師更值得先設的角色反而是：研究員（幫你查證、整理來源）、編輯（照你的寫作標準改稿，而不是照它自己的品味）、記錄員（收工時把今天做了什麼寫成日誌）。

AI 的記憶要分哪幾層？誰記得什麼？

AI的記憶結構要怎麼運作也可以自己設計，可以分三層：常駐記憶、動態記憶、任務記憶。

層	放什麼	什麼時候讀	例子
常駐記憶	不管誰來都適用的身份與規則	每個角色開工必讀	CLAUDE.md／AGENTS.md
動態記憶	會變動的偏好、教訓、專案現況	按需要載入	記憶資料夾＋主索引
任務記憶	這次任務的細節	只活在任務裡	子AGENT對話

常駐記憶是 CLAUDE.md（Codex 叫 AGENTS.md，兩者放的東西一樣、作用一樣），放不管哪個角色都適用的身份和規則。你是誰、有哪些慣例、AI權限。這是整套系統的地基，怎麼寫、為什麼要精簡，我另外寫了一整篇CLAUDE.md 怎麼寫？768 行砍到 153 行，AI 從通用助理變懂我的同事，這裡不重複。

動態記憶是可以隨時更新的檔案，會隨著你們使用習慣慢慢完善。我自己的動態記憶分四種：

1. 偏好與糾正你糾正過它的事，而且每一條都附「為什麼」和「下次怎麼做」。例如我有一條記憶是「同一個任務連續失敗三次就要停下來問我，不要悶頭換方法硬做」。
2. 專案脈絡每個進行中專案的踩坑紀錄、現況及待辦事項。隔幾天回來繼續做，AI 讀這份文件就能接手，不用我重講一遍背景。
3. 個人檔案你的目標、正在學什麼、在意什麼。AI 給的建議會貼著你的處境，而不是給「一般人」的通用答案。
4. 領域慣例某個領域你累積出來的做法標準。例如我有一份寫作標準檔，AI 幫我改任何對外文章前必須先讀它，我每次改稿的偏好也回寫進去。

動態記憶多了會有新問題：全部塞給 AI 等於自己製造 context rot。解法是加一個主索引檔：每則記憶一個小檔案，索引裡每則只佔一行，AI 開工只載入索引，需要哪則才翻開哪份。記憶累積到上百條，開工成本也不會變重。

任務記憶 能幫助AI更有效率且更準確的執行任務，這些記憶只在那個專案時使用，任務結束就消失。另外可以設計一個機制，子AGENT做完後最好把成果寫到一個外部的地方，只回傳一個輕量的參考給主AGENT，而不是把幾千字的產出整包倒回去。這是 Anthropic 自己在多AGENT系統上的做法，主AGENT的對話才不會被子AGENT的輸出撐爆。

不會寫程式，怎麼開始設計 AI 的角色分工？

從寫好一份記憶檔開始，然後忍住「馬上編一支大軍」的衝動。

我一度很興奮地想設計一套完整的多AGENT大軍：一個總指揮加五個專職角色，各自出去做事，我還認真畫了架構圖、寫了流程文。結果動手前一查才發現，Claude Code 早就內建了 Agent Teams，我想自建的那套統籌、通訊、任務協調，官方已經做好了。

所以給非工程師的起步順序很簡單：第一步，把常駐記憶檔寫好，讓 AI 先熟悉使用者的工作習慣；第二步，開始累積動態記憶，用上面那四個做法，讓糾正和教訓留下來；第三步，正常用它，直到你真的感覺到「同一個 AI 塞太多不相干的事」，這時才分出第二個專職AGENT，而且優先用工具內建的subagent、agent teams功能，別自己從零開始建立。

順帶一提，這整套方式在 Claude Code 和 Codex 都能用：Codex 現在也有原生的子AGENT、常駐記憶功能（你明講要分工時才啟動，能讓不同角色用不同的模型設定）。（如果你還沒看過AI AGENT八大機制，可以先讀系列文不會寫程式，也能讓 AI 自己幹活：Claude Code 與 Codex 的 8 大機制，幫助你全盤掌握AI AGENT。）

---

這是AI AGENT機制系列的第二篇，下一篇我會講能力與工具層：怎麼把你的一套流程封裝成 Skill、怎麼用 MCP 把你的真實工具接進 AI，讓它從「會分工」變成「有東西可以做、有工具可以用」。