我把小某薯运营做成了一个Agent系统

先说结论

TokenFactory的"小某薯运营专家"不是一个"能写小红书笔记的ChatGPT"。

它是一个由6个专业Agent组成的协作系统,运行在TokenFactory的Harness编排层之上,通过A2A协议实现Agent间通信,由TokenRouter做智能路由决策。

整个系统架构如下:

为什么是6个Agent,而不是1个?

这是很多工程师的第一反应------"一个大Prompt不就完了吗?"

不行。原因如下:

单Agent的三个致命问题

|-------|------------------------------------------------|---------------------------------------|
| 问题 | 具体表现 | 多Agent如何解决 |
| 上下文爆炸 | 单Agent需要同时理解品牌调性、竞品动态、平台规则、达人数据......上下文窗口很快爆掉 | 每个Agent只处理自己领域的任务,上下文精简聚焦 |
| 职责混乱 | 单Agent容易"写着写着开始分析数据",流程不可控 | L3执行编排强制每个Agent只做自己的事,不允许跨职责操作 |
| 错误传播 | 单Agent如果竞品分析出错,后续所有内容都会基于错误信息生产 | 竞品监控Agent的输出经过L5独立评估,错误不会传播到内容生成Agent |

A2A协同:一篇种草笔记的诞生过程

来看一个完整的协作流程------品牌要推一款"熬夜修复精华":

Step 1:竞品监控Agent检测到竞品本周各有3篇新品笔记,关键词集中在"熬夜肌"、"急救"------通过A2A发给选题挖掘Agent

Step 2:选题挖掘Agent结合热点+竞品数据+品牌素材库,输出选题:

  • 《熬夜到凌晨3点,第二天还被夸皮肤好?》
  • 《打工人熬夜自救指南:这瓶精华我回购了5次》
  • 《测评了10款熬夜精华,只有这瓶让我真香》

Step 3:内容生成Agent根据选题+品牌素材库+平台调性模板,生成3篇笔记的完整文案(标题+正文+标签+封面建议)

Step 4:合规审核Agent(L5+L6)逐篇扫描:

  • 第1篇:标题含"好"非极限词→通过;功效宣称"修复"在备案中→通过
  • 第2篇:文案含"回购5次"→触发L6真实性校验→需品牌确认销量数据
  • 第3篇:"测评10款"需确认是否真的做过竞品对比→标记风险

Step 5:平台发布Agent将审核通过的笔记适配各平台格式:

小某薯:种草口吻+emoji+话题标签

Step 6:数据复盘Agent在发布后72小时内追踪各笔记的曝光/互动/收藏数据,自动生成周报,并反馈到选题挖掘Agent优化下一周的内容策略

TokenRouter路由策略Benchmark

这是工程师最关心的------路由策略到底能省多少Token、质量有没有降?

跑了一周的实测数据:

|-------------------|-----------|------------------|-----------|
| 路由策略 | 周Token消耗 | 内容质量(人工抽检评分/10分) | 高性能模型调用占比 |
| 全部走高性能模型 | 112万Token | 8.3分 | 100% |
| 智能路由(TokenRouter) | 41万Token | 8.1分 | 28% |
| 变化 | ↓63.4% | ≈持平 | 路由精准度验证 |

部署踩坑实录

坑1:品牌调性漂移

  • 现象:连续生成3篇笔记后,风格开始偏离品牌预设调性
  • 原因:L1上下文窗口被竞品数据"污染",品牌素材的权重被稀释
  • 解法:L1增加"品牌调性锚定"机制------每生成3篇笔记后强制刷新品牌素材库的上下文优先级

坑2:小红书平台规则变更

  • 现象:某天全部笔记被平台限流
  • 原因:小某薯更新了引流规则,数字员工的标签策略(@品牌账号+话题标签组合)触发了新规则
  • 解法:L2工具系统增加平台规则更新订阅,规则变更后48小时内自动调整策略模板

坑3:达人数据时效性

  • 现象:推荐的部分达人已停止更新或粉丝量严重注水
  • 原因:达人数据源更新频率不够(原为周更)
  • 解法:接入实时达人数据API,推荐前增加"账号活跃度校验"前置检查

这个案例的工程亮点不在于"用AI写小某薯笔记"------这本身并不复杂。

亮点在于:

  • 多Agent协作的编排设计------6个Agent各有职责边界,通过A2A协议协同,L3确保流程不乱
  • TokenRouter的精细化路由------不是简单的"简单/复杂"二分法,而是按任务类型+复杂度+品牌等级的三维决策
  • 六层防护网的场景化落地------每一层都对应一个真实的小红书运营痛点

如果你在做一个企业级AI产品,这个案例值得仔细研究------它展示了从"Prompt工程"到"Harness工程"的范式转移。

相关推荐
imbackneverdie9 小时前
AI4S不止于分子药物:以MedPeer为代表的科研基建打开产业新增量
大数据·人工智能·算法·aigc·科研·学术·ai 4s
agent喵9 小时前
从知识库问答到业务自动化:AI Agent 工作流搭建经验分享
人工智能
周末程序猿9 小时前
图解 120 个大语言模型(LLM)核心概念(1-30)
人工智能
EQUINOX19 小时前
【论文阅读】| MoCo精读
论文阅读·人工智能·python·深度学习·机器学习
刘一说10 小时前
AI科技热点日报 | 2026年07月09日
人工智能·科技
LYFlied10 小时前
Anthropic Agent隔离架构解读:比权限弹窗更可靠的是限制爆炸半径
人工智能·架构·软件工程·claude·安全架构·ai agent
敲代码的嘎仔10 小时前
实习日志day6--实习日志day6--title命名规范化&businessType纠正&补充缺失的@Log注解&报警与通信模块补充&产出阶段总结文档
java·开发语言·人工智能·git·python·实习·大二
ZZZMMM.zip10 小时前
基于鸿蒙HarmonyOS NEXT开发AI英语口语应用:智能口语练习新体验与鸿蒙Flutter框架跨端实
人工智能·flutter·华为·harmonyos·鸿蒙·鸿蒙系统
程序喵大人10 小时前
【AI专栏】图解Transformer - 第05章:LLM 推理工程
人工智能·深度学习·llm·transformer
甲维斯10 小时前
差距太大了!GPT5.6Sol 正面战 Fable5,啥也不是!
人工智能·ai编程