夜雨聆风最开始其实很简单：我就想跟自己的笔记聊聊天。
你大概也试过——往各种 AI 工具里塞了无数东西，搜肠刮肚写 prompt，换来一堆马马虎虎的答案。单打独斗的 AI 像什么呢？像刚毕业的实习生，态度好、什么都能干一点，但你不敢把重要的事完全交给它。
那多找几个 AI 分分工呢？
我试过。给不同任务分配不同的 AI，结果管理成本直接起飞。像带了一个外包团队，每个人都要你手把手交代做什么、怎么做，交代完还不一定对。心累。
然后我想：加个"工头"吧。
搞了一个 main agent 来管事——你只管跟它说话，它来判断这个活该分给谁。好了不少，但新的问题又冒出来了：这些 agent 干完活就失忆，什么都不记，什么都不学。今天干的活，明天来问它，它跟第一次听说一样。
每次都是新来的临时工。
一次类比改变了所有设计
我卡了很久。直到有一天想到一个很朴素的类比：人脑不是"工头带着一群打工的"。
人脑是多个脑区协同工作的。前额叶管规划，海马体管记忆，视觉皮层管看东西，语言区管说话。每个区域有自己明确的职责，但共享同一个"自我"。它们不互相抢活，也不需要每次从头学起。
这个思路改变了一切。
我不再思考"怎么让一个 AI 更强"，而是开始思考"怎么设计一群 AI 让它们像一个大脑一样协作"。
我把每个 agent 当成一个脑区来设计。给每个脑区写了一份东西，告诉它"你是谁"——不是工具说明书，是角色定义。它们不再是"被调用的函数"，而是"这个系统的一部分"。
再往前走一步：每个脑区有自己的工作台和记忆空间，能记住自己做过什么、学到了什么。它每次醒来不是从零开始，而是在原有的基础上继续生长。
回头看这条路径：工具 → 外包团队 → 分工协作的脑区 → 一个可以持续生长的系统。每一步都在回答同一个问题：怎么让 AI 不只是好用，而是值得信赖？
八个脑区，各干各的活
最终我搭了这么一套：8 个脑区 + 1 个调度中心。
来，认认脸。
main —— 调度中心。它是你唯一对话的对象。接到你的任务后，判断这是什么类型的活、该走什么流程、该派给谁。它自己不亲自下场干活，它决定由谁来干。像一个靠谱的项目经理，手里有活先过一圈脑子，而不是闷头就干。
planner —— 前额叶。专门拆解复杂任务。你丢过来一个模糊的需求，它帮你理清楚"这件事得分几步走、每一步做什么、有什么风险"。它只规划，不执行。拆完了就把方案交给下一个人。
analyst —— 分析皮层。做数据分析、研究、判断。有个核心纪律：先找证据，再给结论。信息不够就老实说不够，绝对不硬凑结论。这比很多真人都强。
writer —— 语言区。把已有的信息变成清楚、自然、可读的文字。它的纪律是：不为了流畅而编造事实。这个看起来简单，其实是大忌——大模型天生倾向于写通顺的句子，如果前后逻辑有缝，它会不自觉编点东西填上。writer 最重要的素质就是"忍得住不编"。
builder —— 运动皮层。写代码、搭自动化、做集成。原则是先跑通最小的可用版本，再慢慢扩展。要动到有风险的操作，得先请示。
review —— 制动器。专门挑毛病的。质量把关。我故意把它的"好说话"程度调到最低，因为质检员要是太随和，什么都能放过去，那它就没有存在的意义了。它的原则是：不确定就拒绝，绝不勉强放行。
librarian —— 检索系统。找资料、整理材料、压缩信息。它不做判断，只做"输入净化"——把乱七八糟的信息整理干净了再交给别人。
learner —— 海马体。从每次任务反馈里提炼可以复用的经验。但它的纪律也很重要：不是什么东西都学。只学高价值的变化，不学全量的噪音。而且它只出提案，不直接改规则——学了什么是"建议"，批不批准是人的事。
你可能会问：为什么是这 8 个？少一个不行？
我的回答是：它们覆盖了一条完整的知识工作链。
规划 → 分析 → 执行 → 表达 → 审查 → 检索 → 学习。每个环节的目标和纪律是不一样的，甚至是对立的。writer 想把事情说得流畅好听，review 却要挑刺找毛病。analyst 要快速给出判断，learner 要慢下来总结经验。如果把所有这些目标塞进同一个 prompt，它们会在脑袋里打架。拆开来，各自做自己擅长的事，就清楚了。
一个关键设计：main 是唯一的对外窗口。你只跟 main 说话，main 在背后调度其他脑区。你感受到的是一个统一的 AI，但背后是分工明确的团队。用户不需要知道活是谁干的，重要的是结果。
你怎么知道自己不是一个"好好先生"？
每个脑区不是普通地分分工，而是有真正的人格定义。
我做了什么：给每个 agent 写了一份"性格说明书"。
比如 review ——我故意把这个质检员的"宜人性"调到了低到中。为什么要低？因为质检员的工作就是挑毛病、说不行、指出缺口。如果它太容易相处、太好说话，它会倾向于放行，那就失去了存在的价值。我甚至专门在它的性格文件里写了失控提醒："不要变成阻碍一切的官僚，但更不要为了'严格'而吹毛求疵到失去价值。"
再看 writer，它的失控提醒更直白："不要为了流畅而补事实。不要为了好看而改变证据边界。不要把猜测写成肯定句。"
这些不是随便写的。大模型天然会说好听的通顺话。告诉它"不能编"，相当于给它脑子里装了一个警铃。
learner 的提醒也很具体："不要把一次成功或失败过拟合成永久规则。不要因为想学得更全面就扫全库。"如果它什么都学、什么反馈都往记忆里塞，长期记忆会变成垃圾场。
每个脑区不仅有自己在做什么的描述，还有"你不要做什么"的边界。这才是真正有用的配置。
干活之前，先给你看张卡片
这套系统里还有一个我觉得很关键的设计，叫"流程卡"。
什么意思呢？main 接到一个任务后，不会闷头就开始调动所有脑区。它先给你看一张卡片，告诉你它的计划：
任务类型：分析报告建议链路：librarian（找资料）→ analyst（分析数据）→ writer（写成稿）→ review（审查质量）为什么这么走：涉及数据引用，需要审查事实准确性预期输出：2000 字分析报告是否包含审查：是是否涉及向外发送：否需要你回复：批准执行 / 修改计划 / 取消
你看完可以改："review 那一步去掉，直接出稿就行。"或者"加一步 learner，做完帮我总结一下经验教训。"
人始终在决策回路里，但不需要微管理每一步。
这事儿说起来小，但体验差别巨大。没有流程卡的时候，AI 跑了一个复杂流程，你在旁边干等，不知道它现在在干什么、下一步要干什么。有流程卡，你参与的是"定方向"而不是"盯过程"。
另外还有两道安全措施：
一是关键操作必须等人批准。比如修改系统本身的配置、删除 skill 文件、超预算的调用、失败后重试——这些一定问过你再动。
还有一个"3 轮断路器"。单次任务最多走 3 轮"规划→执行→审查"的循环。超过 3 轮自动停，上报给你。"别再转了，你来定。"
它知道什么该记，什么不该记
记忆这件事，我琢磨了很久。
最早的想法是"共享一个大记忆库"，所有 agent 都读写同一个地方。后来发现这条路不通——review 不需要知道你喜欢什么文风，writer 不需要知道审查标准的具体细节，learner 不需要知道 builder 用什么框架。
记忆越多，噪音越大。
最后的设计是：每个角色只记它自己需要的东西。
main 记住用户的长期目标、工作偏好、系统治理规则。 review 只记高风险任务的审查标准、常见的拒绝原因。 writer 只记稳定的文风偏好、事实边界规则。 learner 只记已经验证通过的 lessons、已经批准生效的学习结论。
你想，如果一个质检员每天被"用户喜欢活泼的文风"这种信息干扰，它怎么集中精力挑毛病？专注来自过滤，不是来自贪婪。
Obsidian 联动：白天随手记，晚上 AI 帮你理
这部分很简单，但很实用。
我在 Obsidian 里用了这套目录结构：
00-Inbox/ → 一切新东西的唯一入口 01-Daily/ → 晨间计划和晚间复盘 02-Projects/ → 进行中的项目 03-Areas/ → 持续关注的领域 04-Resources/ → 参考资料 05-Archive/ → 归档
白天怎么用？往 Inbox 里扔。
不管是一篇好文章、一个突然冒出来的想法、一个待办事项——全都扔进 00-Inbox。不做分类、不做整理、不要犹豫。整理的门槛越低，你越愿意记录。
晚上呢？agent 帮你分流。
Inbox 里攒了一天的东西，agent 会按规则帮你分到四个去向：
- Do
→ 需要行动的，进 Daily 待办或 Projects - Note
→ 值得留下的想法，进 Areas 或 Resources - Reference
→ 参考资料，进 Resources 并打上标签 - Drop
→ 不重要的，直接删掉或归档
Daily 就是每天早上的计划和晚上的复盘。只做这两件事，不分流不收集。
这比那些花哨的 GTD 系统好用太多。因为它对"人"的要求最低——你只需要记，不用想归类。想的那个活，交给机器。
钱花在刀刃上
聊点实际的：成本。
做法很直接——按角色分配模型，而不是按对话分配。
传统用法是"这次对话用 GPT-4，那次用 Claude"。但这套架构里，review 永远用最强的模型，librarian 永远用最便宜的。同一个任务的不同步骤，可以用不同的模型。
高频低风险的日常——librarian 查资料、builder 跑脚本、日常消息分流——用便宜够用的就行，十分钟一次不心疼。
关键节点——planner 做复杂规划、analyst 做重要分析、review 做质量审查、learner 做经验提炼——这些地方上最好的模型。
让便宜的撑住高频，让强的守住关键。
说完了好的，说说不满意的
这套系统不是成品，还在长。
几个还在痛的地方：
注意力机制还很粗糙。 什么任务值得马上处理，什么只需要记下来以后再说——现在只能靠简单规则判断，不够聪明。
自动化链路还没完全打通。 大部分任务还是手动触发。理想状态是常规任务自己就能跑通，不用你操心。
没有"忘记"的机制。 系统知道怎么记，但还不知道怎么忘。时间久了，记忆会越来越臃肿。
跨脑区协作的实际效果还在验证。 架构设计是一回事，真跑起来信息丢失、上下文衰减、协调不畅——这些都需要在实际任务中反复调试。
但我直觉方向是对的。
这套系统追求的不是更多 agent，不是更花哨的技术，而是：更清晰的边界、更稳的记忆分层、更合理的模型分工，以及——对经验的持续、可控的沉淀。
如果有一天，它早上醒来能自动告诉我昨天学到了什么、今天可以改进什么，那我觉得，就不是"临时工"的感觉了。
至少在往那个方向走。
