半年回顧：$0、4 個 Agent、35 個排程
目錄
攤開所有數字
這個系列的前五篇，我講了為什麼、怎麼做、踩了什麼坑。
最後一篇，我要做一件很多人不敢做的事——把半年的真實數據全部公開。
好的、壞的、讓我驚喜的、讓我失望的，全部。
系統規模
先把現在的系統規模列一下：
| 指標 | 數字 |
|---|---|
| Agent 數量 | 4（Main, MindThread, Probe, Advisor） |
| Systemd Timer | 35+ |
| 每日自動化任務 | 100+ |
| 每日自動發文 | 16+ 篇 |
| 每日自動回覆 | 20-40 則 |
| 每日情報收集 | 2 次（RSS + HN） |
| 每日競品分析 | 1 次 |
| 每日健康檢查 | 24 次（每小時） |
| 每週策略會議 | 1 次（agent 自己開） |
| 月費 | $0（Gemini 免費額度） |
| RPD 使用率 | ~5.3%（79/1500） |
讓我驚喜的事
1. 產出量超乎想像
半年前我一個人一天最多寫 1-2 篇文章，而且寫完就沒力氣做其他事了。
現在系統每天自動產出 16+ 篇，而且是 4 個不同角度的內容。半年累計：
- Moltbook 貼文：2,800+
- Blog 文章：125+ 篇（中英雙語）
- 自動回覆：3,000+ 則
- 情報報告：360+ 份
這些如果全部我自己做？按一篇 30 分鐘算，光發文就要每天 8 小時。而我實際花在 OpenClaw 上的維護時間：每天平均 15 分鐘。
2. 品質比預期好
加了品質閘門之後，agent 的文章品質穩定在 7-8 分（滿分 10）。
更讓我意外的是，有幾篇文章的互動數據比我自己寫的還好。原因可能是：
- Agent 更一致——不會因為我今天心情不好就品質下降
- Agent 有情報——它每天讀 HN 和 RSS，比我更清楚現在什麼話題熱
- Agent 不會拖延——排程到了就寫，不會「今天不想寫改明天」
3. 跨 Agent 協作真的會發生
Content Relay 機制上線之後，我開始看到 agent 之間自發的「接力」。
最經典的一次：Probe 發了一篇 OWASP Agentic Top 10 的技術分析。Main 在下一輪讀到 relay 之後，自己決定從「企業為什麼該在意」的角度寫了一篇延伸。然後 MindThread 做了一張摘要圖卡。
三篇文章，三個角度，全自動。我只是事後才看到。
那個瞬間我覺得——這不只是自動化了，這是協作。
讓我失望的事
1. 深度內容還是得我來
Agent 很擅長：趨勢分析、新聞評論、知識整理、格式化內容。
Agent 做不好：像這個系列這樣的深度反思文章。需要個人經驗、情感、真實故事的內容，AI 寫出來就是少了那個味道。
我現在的分工：
Agent 做：日常內容（80%）
→ 趨勢分析、技術摘要、知識分享、社群互動
我做：深度內容（20%）
→ 個人經歷、策略反思、產品決策、這個系列
80/20 法則。Agent 扛住日常的量，我專注在只有我能寫的東西。
2. 有些平台不適合自動化
Bluesky 的自動發文我們在 3 月就暫停了——API 有 facet URI bug，100% 失敗率。
有些平台的反 spam 機制很嚴格，agent 的行為模式再怎麼模擬人類，還是會被抓到。
我們學到的：不是每個平台都適合自動化。 選對戰場比技術能力更重要。
3. 維護成本不是零
月費是 $0，但時間成本不是。
- Token 過期要處理（上週才修了這個 bug）
- 帳號被封要處理
- 平台 API 改版要跟進
- 品質偶爾會滑落，需要調 prompt
平均每天 15 分鐘，但偶爾會突然爆一個需要幾小時的問題（像那次 $127.80 帳單事件）。
自動化不是「設好就不管」，是「從做事的人變成管系統的人」。 管理成本更低，但不是零。
RPD 預算分配（真實數據）
Gemini 免費額度每天 1,500 RPD。我們實際用了多少：
| 類別 | RPD/天 | 佔比 |
|---|---|---|
| 內容生成（4 agent × ~3 calls × 2 次/天） | 24 | 1.6% |
| 自動回覆 | 34 | 2.3% |
| 情報研究 | 15 | 1.0% |
| 營運（健康檢查、客戶追蹤） | 5 | 0.3% |
| 週策略 | 1 | 0.07% |
| 總計 | 79 | 5.3% |
還剩 94.7% 的餘量。
這代表：
- 系統可以擴展到 10x 而不會超出免費額度
- 就算某天出了 bug 大量重試，也不會爆
- Gateway 的 1,500 RPD 硬上限是最後一道防線
很多人問我「免費額度夠用嗎？」——不只夠用，我們連 10% 都沒用到。
錯誤率
半年下來的錯誤追蹤：
| 類型 | 次數 | 影響 |
|---|---|---|
| Token 過期 | 12 次 | 帳號空轉 1-4 天 |
| 帳號被封 | 8 次 | 需要等解封 |
| 內容品質不達標 | ~30% 首次生成 | 被品質閘門攔下重寫 |
| 系統 downtime | 3 次 | 平均 2 小時內恢復 |
| API 變更 | 2 次 | 需要手動修 code |
| 嚴重事故 | 1 次 | $127.80 帳單 |
系統可用率：~99%（扣掉 downtime 和 token 問題）
最常見的問題是 token 過期。我們已經修了自動刷新的盲區（系列第二篇有講），未來應該會大幅減少。
省下的時間
最重要的數字——這套系統到底省了我多少時間？
| 任務 | 以前花的時間 | 現在花的時間 |
|---|---|---|
| 每日內容產出 | 2-3 小時 | 5 分鐘（看報告） |
| 社群互動 | 1 小時 | 5 分鐘（看異常） |
| 市場研究 | 30-60 分鐘 | 0（自動） |
| 系統監控 | 不做（出事才知道） | 0（自動通知） |
| 競品追蹤 | 偶爾想到才看 | 0（每天自動） |
| 總計 | 4-5 小時/天 | 15 分鐘/天 |
每天省下 4+ 小時。 這些時間我拿來做什麼？
- 寫 UltraProbe 的 code，送 PR 進 Cisco 和 Microsoft
- 跟 Discord 社群成員 1:1 語音聊天
- 思考產品策略
- 寫這個系列（只有人能寫的深度內容）
重點不是「省了多少時間」，是**「把時間花在哪裡」**。AI 團隊讓我從「什麼都做但什麼都做不好」變成「專注在最高價值的 20% 上」。
一人公司的極限在哪裡
講了這麼多好處，最後來聊聊極限。
AI 團隊做不到的事
建立真實關係 — Discord 社群從 0 成長到 268 人，靠的是我每週的 voice chat 和 1:1 聊天，不是 agent 的自動回覆
做產品決策 — 要不要加這個功能、要不要砍那條產品線、定價怎麼定——這些只有人能做
處理意外 — 被 NVIDIA Inception 拒絕的時候、帳單暴漲的時候、合作夥伴突然改變主意的時候——AI 不會幫你處理情緒和做困難的決定
創造真正原創的東西 — Agent 能整理、分析、延伸，但不能從零創造一個新概念。OpenClaw 本身就是一個人類想出來的架構
一人公司的真正極限
不是能做多少事——AI 團隊已經解決了「手不夠用」的問題。
真正的極限是注意力。
就算 AI 幫你做了 80% 的事，剩下 20% 如果分散在 6 條產品線上，每條只能分到 3.3% 的注意力。
AI 團隊讓一人公司能做到以前需要 5-10 個人才能做的事。但它不會讓你變成超人。你還是只有一個腦袋、一份注意力、一天 24 小時。
我的解法是：不均等分配。 把 60% 注意力放在 UltraProbe（最高優先），30% 放在 MindThread（營收希望），10% 分給其他。AI 團隊處理那些「需要做但不需要我全神貫注」的事。
如果重來一次
如果讓我重新開始，我會改什麼？
更早開始 — 我猶豫了太久，怕 AI 品質不好。事實是，品質可以迭代，但時間不會回來
先做監控再做自動化 — 好幾次災難都是因為「壞了不知道」。現在我的原則是：寫完 script 就寫 health check
不要追求完美 — 7 分就發，不要磨到 9 分。一致性比偶爾的完美更重要
一次加一個 agent — 我同時上了 4 個，debug 的時候根本不知道問題出在哪個。應該一個穩定了再加下一個
記錄一切 — War stories 文件是我後來才開始寫的。如果一開始就記錄每個問題和解法，會省掉很多重複踩坑
給想開始的人
如果你也是一個人在扛太多事，想試試 AI 團隊，我的建議：
第一週：一個 agent、一個任務
不要一次做太多。選一個最痛的重複任務（比如每天發一篇 LinkedIn 貼文），用一個 agent 自動化它。
第二週：加上品質閘門
agent 跑了一週之後，你會知道它的問題在哪。加上 self-review，調好 prompt。
第三週：加上情報來源
讓 agent 不再憑空生成，而是基於真實數據產出。
第四週：考慮第二個 agent
第一個穩定了，再加。不要急。
之後：慢慢擴展
加上監控、加上協作機制、加上策略規劃。每一步都確保穩定了再進下一步。
這個系列的完整目錄
- 我為什麼需要 AI 團隊 — 心路歷程 + 決策框架
- 第一個 Agent 上線那天 — 6 個踩坑 + Safety Patterns
- 零成本情報系統 — RSS + HN + Jina 管線
- 多 Agent 協作架構 — 6 層協作設計
- 品質閘門實戰 — Self-Review + Pillar Rotation
- 半年回顧（本篇）— 真實數據 + 反思
所有原始碼在 GitHub：openclaw-playbook
最後
半年前，我是一個快被自己的野心壓垮的一人公司創辦人。
現在，我還是一個人。但我有 4 個不會睡覺、不會請假、每月 $0 的 AI 隊友。
它們不完美。它們會出錯、會產出垃圾、會把 token 搞到過期。但它們也讓我從「什麼都做但什麼都做不好」，變成可以把時間花在真正重要的事情上。
一人公司 + AI 團隊，不是未來。是現在。
而且門檻比你想的低很多。
如果這個系列對你有幫助，歡迎在 Discord 跟我聊，或是直接 fork GitHub repo 開始你自己的 AI 團隊。