目录
本文档记录我当前使用的 Agent 架构情况，以便后续查阅、修改与调整。
1. 在 OpenClaw 上的 Agent
目前，在 OpenClaw 上共有 4 个 Agent 分别是：
| Agent ID | 飞书机器人 | 概述 |
|---|---|---|
| main | Mike | 默认主 agent，主要有三个功能： * 作为主 agent ，有非常完整的权限管理系统 * 作为管理日历的入口，日常日历会从这里添加 * 作为备忘录/记事本入口，日常的零散记录入口在这里 |
| english | Echo | 个人英语使用相关的Agent，可以自动添加单词到词表中 |
| family-magazine | Maga | 这是一个之前尝试制作个人家庭杂志的 Agent |
| openclaw-codex | Clark | 该 Agent 可以在本地执行 Codex 去完成 long-running 任务 |
这里的飞书机器人命令，故意使用了 Agent ID 的第一个字母，还比较有意思。其中，“Clark” 是 Superman 的名字，希望 Codex 能够像 Superman 一样强大。
2. 运行环境说明
为了保障安全性、隐私性，所以我的 Agent 都没有运行在本地，而是运行在一台远程的 EC2 上，然后通过 ssh 进行管理。EC2 上运行了一个 OpenClaw，其中安装了上述四个 Agent。此外，EC2 上还安装了 Codex，Codex 的运行这里使用了两种运行模式，一个是终端直接运行，通过 screen 直接在终端运行了一个 Codex 进程，此外，还通过 OpenClaw 的 Agent （openclaw-codex）可以调用 Codex 。当前的 Codex 主要在仓库 for-codex-task 上运行，仓库中的 AGENTS.md 会定义 Codex 的行为，这主要是一个调研类的 Agent。
Zex / Zhenxing
|
+---------------------------------+---------------------------------+
| | |
v v v
+----------------------+ +----------------------+ +----------------------+
| IM Entry Points | | SSH | | Web GitHub Admin |
| | | | | |
| Feishu / WeChat | | Remote shell access | | View / edit repo |
| Chat-based control | | EC2 operations | | Define Agent behavior|
+----------------------+ +----------------------+ +----------------------+
| | |
| Manage OpenClaw | Manage EC2 | View outputs
| | | Edit AGENTS.md
v v v
+-----------------------------------------------------------+ +--------------------------+
| Remote EC2 Instance | | GitHub Repository |
| | | |
| OpenClaw | | for-codex-task |
| ^ | | |
| | Feishu / WeChat management entrypoints | | Independent from EC2 |
| | | | Defines Agent behavior |
| +-- main / Mike | | via AGENTS.md |
| | +-- Master agent | | Stores / exposes |
| | +-- Permission management | | Agent running results |
| | +-- Calendar entry point | +--------------------------+
| | +-- Memo / notebook entry point | ^
| | | |
| +-- english / Echo | |
| | +-- Personal English agent | |
| | +-- Vocabulary list automation | |
| | | |
| +-- family-magazine / Maga | |
| | +-- Family magazine experiment | |
| | | |
| +-- openclaw-codex / Clark | |
| +-- Invokes Codex | |
| +-- Handles long-running tasks | |
| | |
| Codex | |
| | | |
| +-- Mode 1: Terminal process | |
| | +-- Running directly in screen | |
| | | |
| +-- Mode 2: OpenClaw Agent | |
| | +-- Invoked by openclaw-codex / Clark | |
| | | |
| +-- Working repo on EC2 | |
| | | |
| +-- for-codex-task | |
| | | |
| +-- Synced with GitHub repository -------+----------------+
| | +-- pull AGENTS.md / tasks |
| | +-- push Agent running results |
| | |
| +-- AGENTS.md |
| +-- Defines Codex behavior |
| +-- Mainly research-oriented |
+-----------------------------------------------------------+3. 改进@20260515
3.1 一个仓库所有的文件
当前，我把所有的文档都放在了一个 GitHub 仓库中，然后让 Codex 根据不同的任务类型将文件都放在这个仓库中，并通过不同的目录来进行管理。
例如，我的仓库包括了：独立新知识学习的目录（例如Iceberg）、系统方向学习目录（例如 memory、如何使用 codex等）、未分类的临时主题目录（这个目录可能是按照时间组织的）。
这种方式，当每次都是给出独立的、小型的任务的时候，是没问题的。并且管理和使用起来非常方便，一个 Agent 完成所有的工作。但是，当希望系统的、经常的在某一个主题上工作就不是很方便了。例如，我想在某个目录下（memory 主题、Iceberg主题）持续调研，这时候就不是很方便了。
所以，这里做了一个改进：将独立的、长期的主题独立出来，以独立的 Agent 运行。
3.2 长期主题使用独立的 Agent
4. Long-Running Task
现在一个 Code 的任务大概 5 分钟左右。很难一次让执行更长时间，而且，简单的当个任务让其完成更长的任务，实现的效果也不会很好。
那么，怎么设计面相与 AI 的 Long-Running Task 呢？
一个基础的策略是：
- 事先写更多的问题背景、要求
- 事先编写 review Agent 的要求，然后进入，执行 -> Review -> 修复 -> Review 的流程 从而实现 Long-Running
Lessons I learned
不要在一个大“上下文”里面做一个小事情
例如，在一个非常大的 Git 仓库下面，某次调用只是完成一个小的功能。这时候，AI 很容易因为要读取整个目录（或者结构），然后受到一些看似相关的内容，从而导致上下文被“污染”。而让 AI 的注意力被分散，结果通常是，事情可以被完成，但是需要更长时间，更多的上下文。
确定非常高的事情，可以考虑使用“程序”、“流程”完成
对于确定性非常的事情或者流程，最好让“程序”来完成，而不是 AI。这个“程序”可能是一个直接的脚本或者一个 SKILL，让 AI 调用，但是不要让 AI 来去做，AI 做的话，则会因为过分考虑各种情况，而设计（通常还会不断地改进）非常复杂的流程去完成。
不要过分追工具，而是专注于目标与任务
在最初（甚至很长时间以内），就算一般的工具能力都是超出“需求”的。例如，DeepSeek 、Qwen、Douban 都已经可以解决绝大数场景了，而不一定要使用 ChatGPT 、 opus 或者 Gemini。当你熟悉了这些工具如何完成你的任务之后，这时候就可以再尝试如何使用最 SOTA 的工具去做事情了。
把大任务分成小任务、多步骤
在当前阶段，要想让 AI 更好的去完成一个“长任务”，是需要一定设计的。其中一个办法就是：把大任务分成小任务、多步骤。然后让不同的 Agent 独立完成不同的部分。
Leave a Reply