夜雨聆风
上个周三，我犯了一个让我想锤自己的错。
我在 Slack 上给一台机器派了个数据清洗任务，转头在飞书上又给另一台派了差不多的活儿。两台机器各自吭哧吭哧跑了两个小时，等我发现的时候——两边做的是同一件事。
两小时，全部浪费。
这还没完。当天晚上我躺床上刷手机，突然想到白天让家里台式机跑的训练任务跑完了没？远程连回去看了一眼——跑完了，但结果存在本地，我没让它发给我。白跑。
我坐起来，数了一下自己的设备。
光是日常在用的就有四台电脑。一台台式机跑训练，一台笔记本随身带，一台放家里当服务器，还有一台小主机挂着跑各种自动化脚本。每台上面都跑着 AI Agent——写代码的、做数据分析的、监控服务器的、写文章的。
四台机器，七八个 Agent，各自为政。
我跟个网管一样，在不同机器之间切来切去，记这个的状态、催那个的进度。这哪是一人公司啊，我成打杂的了。
一人公司真正难的不是没客户，不是技术不够，是——当你有五六台机器、七八个 AI Agent 同时干活的时候，你怎么保证不乱。
所以我给自己写了套系统：AI Agent Hub。
不是又一个管理工具
先说清楚，AI Agent Hub 不是什么 SaaS 产品，不是什么"一站式解决方案"——这种词太恶心了，我不想用。
它就是我给自己写的一套系统。因为我实在是管不过来了。
核心思路很简单：不管你有多少台电脑、多少 AI Agent，你只需要在你日常用的三个工具里就能看到一切——Slack、飞书、Notion。
对，就是这三个。没有新平台要学，没有新 App 要装。
你只是在用你已经打开的工具。
为什么是这三个
这三个不是随便选的，是我自己日常的真实使用场景。
Slack 是我跟海外的 AI 工具和开发者沟通的主要渠道。Socket Mode 用起来太爽了，不需要公网 IP，不需要配端口映射，一个 token 就能打通。我给它定位是「实时通信主力」——Agent 报活、任务派发、异常告警，全走 Slack。
飞书 是国内这边绕不开的。团队（虽然就我一个人）的审批流、日历、文档协作都在飞书上。它的卡片消息比 Slack 好用太多了，一个审批流可以直接触发任务下发，国内用起来延迟也低。
Notion 是我的大脑。所有任务的看板、数据库、多视图追踪都在上面。我不需要另开一个项目管理工具，我的任务面板就在 Notion 上，跟我的笔记、文档、知识库无缝一体。
三个平台，各管各的，一个都别让我换。
架构这件事，说人话
聊点技术。
AI Agent Hub 是五层架构。我用人话讲一遍：
第一层，执行层。 就是那几台电脑上跑着的 AI Agent 进程。小说 Agent、开发 Agent、视频 Agent、Manager Agent，每个都是独立的进程，干自己的活。
第二层，主机层。 每台电脑上跑一个 Launcher，它管这台机器上所有 Agent 的生死——启动、停止、重启、资源监控。CPU 飙了？GPU 占满了？Launcher 知道。
第三层，编排层。 我在 n8n 上写了四个跨平台工作流。任务从哪来、到哪去、怎么分配、什么时候算完成，全是工作流定义的。n8n 本身也在我一台机器上跑着，零成本。
第四层，平台抽象层。 这是我花时间最多的一层。Slack、飞书、Notion 三个平台的 API 风格完全不同，但我写了一套统一接口：send_message()、receive_task()、update_task_status()。上层不关心消息发到哪个平台，Router 自动路由。Slack 挂了？自动切飞书。
第五层，交互层。 就是你在 Slack、飞书、Notion 上看到的那些东西。消息、卡片、看板、进度条。
五层的核心逻辑：每一层都只管自己的事，不跨层调用。
跨主机的协作任务，是我最想解决的问题
一个人用多台机器最常见的场景是什么？
我举一个真实的。我让台式机跑代码训练，同时让笔记本上的 Agent 去 GitHub 拉最新的 issue，再让服务器上的 Agent 做数据清洗。这三个任务之间是有依赖的——数据不洗干净，训练没意义；issue 不拉回来，我分不清该修哪个 bug。
所以我在系统里设计了「协作任务」这个概念。
一个父任务，拆成几个子任务，分别派发到不同机器的不同 Agent 上。汇聚规则有四种：全完成才算完成（all），任一完成就行（any），按顺序执行（sequence），达到一定数量就收工（quorum）。
这四种规则基本覆盖了我日常的所有场景。
任务下发之后，每个子任务的进度自动同步到 Notion 看板，完成一个，挪一列。我在手机上刷 Notion 就能看到整体进度，根本不需要连回机器看。
暗色仪表盘，男人的浪漫
写代码之余，我做了个 Demo 可视化界面。
暗色科技风，深蓝黑底，青绿蓝紫三色强调。选这个配色没什么特别原因，就是觉得好看。
三个页面：
- 仪表盘：
总览。几台主机在线、几个 Agent 在跑、平台连接状态、任务日志流。 - Agent 监控：
每个 Agent 的详细状态，任务进度条模拟了 25% → 50% → 75% → 100% 的过程，看着很爽。还有一个快速派发表单，选 Agent、写任务描述、点发送。 - API 文档：
所有的端点列出来，请求和响应示例，一键测试按钮。
启动就一行：
python demo.py --port 8000
浏览器打开 localhost:8000 就能看。
目前还是光杆 Demo，真实平台还没接。但我跑了一圈，188 个测试全过，覆盖率 81%。至少基础是稳的。
看下效果先：
多电脑部署这件事
每台电脑的部署流程极其简单：
装 Python + Tailscale（组内网） 克隆项目 配一个 .env文件，填 API Key写一个 agent_config.yaml，声明这台机器上跑哪些 Agent启动 Launcher
日常操作完全不需要登录主机。全部通过 Slack、飞书、Notion 完成。
最爽的一点：Windows 和 Ubuntu 各有系统服务安装脚本。nssm 注册 Windows 服务，systemd 注册 Ubuntu 服务。开机自启，不用手动拉。
现在到什么阶段了
坦率说，现在还是 Demo阶段。
188 个测试全过，覆盖率 81%，代码跑得动。界面有了，五层架构搭好了，平台抽象层写完了，协作任务的四种汇聚规则也通了。
但真实平台还没对接。n8n 工作流没部署。多主机联调没开始。
接下来一个月我会集中把这几块补上：Slack/飞书/Notion 的真机对接、多机器 Tailscale 组网联调、各 Agent 接入真实 AI 模型、最后 nssm/systemd 注册为系统服务开机自启。
AI Agent Hub 不是什么改变世界的产品。它就是一个被多台机器搞烦了的人，给自己写的一套工具。
但我越来越觉得，一人公司真正的瓶颈不是 AI 够不够强，而是你能不能同时用好多个 AI。 一台电脑跑两三个 Agent，五台电脑就是十几个。当这些 Agent 各自为政、互不知道对方在干什么，你的效率反而下降。
管理的本质不是让更多人干活，是让干活的人知道彼此在干什么。对 AI Agent 也一样。
所以这套系统我打算继续做下去。等 Demo 跑通真机之后，我会开放出来给同样被多台机器折磨的朋友免费试用。
你有没有类似的痛点？你日常用几台机器跑 AI？你希望这种管理平台帮你解决什么问题？
留言告诉我。
无论是功能建议、吐槽、还是你想第一个试用——直接评论就行。你的需求很可能就是下一个版本的功能。
2026 年 6 月 24 日，写于四台电脑之间。
关注我，带你一起创建自己的AI王国。