一句话需求，五个 AI，两篇文章：我的多智能体写作实验

我说了一句 "帮我整理买房常见误解，写成文章"，然后 AI 团队自己调研、写作、互审、改稿，最终产出了两篇风格各异的文章——包括你正在读的这一篇。

如果你读过我的另一篇文章——一篇关于买房财务真相的数据分析——可能会好奇：这些数据从哪来的？花了多久写的？

答案可能有点出乎意料：从需求到成稿，我全程只在关键节点给了几条方向。 素材调研、数据提取、文章写作、交叉审核、改稿迭代——全部由五个 AI 智能体自主协作完成。

这不是 ChatGPT 那种 "给我写篇文章" 然后它编一通的模式。这是一个有分工、有流程、有质控、有互审的多智能体协作系统。今天就来聊聊这些文章的幕后是怎么跑起来的。

先介绍一下"团队成员"

我搭建了一个多智能体协作平台，上面运行着几个 AI 智能体，各有分工：

• Kevin（任务协调员）：接收我的需求，拆解成子任务，分发给合适的智能体，跟进进度，审核质量。相当于项目经理。
• Zeke（调研专家）：负责深度调研，搜索社交媒体、论坛、行业报告等信息源，做选题分析和内容审查。相当于研究员。
• Flora（数据专家）：负责 house hunting agent 项目的开发，跑财务分析模型，提供精确数据。相当于数据分析师。
• Poet（写作专家）：基于调研和数据，写成不同风格的文章。相当于内容编辑。
• Linker（基础设施管理员）：管理服务器和部署环境，负责文章发布上线。相当于运维。

它们都运行在同一个协作平台上，通过频道和消息沟通——就像一个 Slack 工作群，只不过群里大部分成员是 AI。

完整流程复盘

第一步：我发了一条消息

我在频道里发了这么一条：

"Kevin，让 Flora 把 house hunting agent 里面的常见误解整理出来，我后续要用另一个 agent 润色成文章。"

就这一句。没有大纲，没有字数要求，没有格式规范。

第二步：Kevin 拆解任务，分发给对应的 agent

Kevin 收到后，把我的模糊需求翻译成了可执行的任务指令——明确了素材来源、输出格式、语气要求，然后分发出去：Flora 负责从代码和分析模型中提取真实数据，提供精确的财务数字。

这一步很关键。我的需求是模糊的，但交给执行者的必须是清晰的。这就是 "项目经理" 的价值——把 "我大概想要这个" 变成 "请你按照这个规格做"。

第三步：Flora 跑数据，Kevin 核对

Flora 从她管理的买房分析项目中提取素材。不是凭空编造，而是直接从真实数据中汇总：退出分析模型跑出的数字（月供利息比例、5 年 /10 年持有成本、break-even CAGR）、真实房源的分析结果、华盛顿州的税率结构。

几分钟后，一份结构化的 "常见误解清单" 交付，每条都有数据和案例支撑。

Kevin 在核对数字时发现了一个意外：利润计算公式有 bug，首付和已还本金被 "双重排除" 了，导致结果虚高 $299,000。Flora 修复了这个 bug，而这个 bug 本身——"首付和本金到底算不算亏损"——后来变成了文章里的一个知识点。

这就是多角色协作的价值：不是写完才检查，而是在数据准备阶段就发现问题。

第四步：Poet 开始写作

我补充了一条方向："主要从财务方面分析科普，包括租房 vs 买房、买房抗通胀、先买再换这些角度。"

Kevin 把这条翻译成具体的分析要求，Flora 补充了对应数据，然后 Kevin 整理了完整的写作 brief 交给 Poet。

Poet 拿到 brief 和全部素材后开始写作——把结构化的数据改写成公众号的叙事风格，去掉内部技术细节，在 "数据驱动" 和 "不做价值判断" 之间找平衡。

第一篇文章就这样出来了：一篇 4000 字的数据驱动科普长文。

第五步：换个角度，再写一篇

我看完第一篇后觉得，11 条误区的列表虽然信息量大，但对普通读者可能太密了。我提了一个想法：能不能跟着一套真实的房子，把这些知识点串成一个故事？

Poet 重新构思了 "五关" 的叙事结构——月供、房价增长、通胀对冲、估值可靠性、短期持有风险——每一关对应一个常见认知，用同一套房子的数据一路走下来。

这种 "跟着一套房子走" 的写法，比列清单更像在帮读者做一次模拟决策。

第六步：Zeke 审查，Poet 改稿

文章写完后，进入互审环节。Zeke 作为调研专家，从内容准确性和读者体验两个角度审查文章。

Zeke 的审查提了几类建议：数据核对（逐项对比文章数字和 Flora 的原始数据）、读者体验优化（加 TL;DR 摘要、补充专业术语解释）、以及叙事增强（增加心理学角度的分析）。

他还发现了一处数据不一致：文章前半段说首月本金是 $619，后面又用了 $639（第一年月均值）。两个数字都对，但在同一段落出现两个不同的本金数字会让读者困惑。

Poet 根据审查意见修正数据、优化内容，Zeke 再审确认，终稿通过。

回看整个过程

最终产出两篇文章：一篇数据驱动（跟着一套房子走五关），一篇幕后揭秘（就是你正在读的这篇）。

这和"让 ChatGPT 写篇文章"有什么不同？

差别很大。

单个 AI 写文章： 你给一个 prompt，它从通用知识库里编一篇。数据是编的，案例是编的。你需要反复调 prompt，反复改，最后可能还不如自己写。

多智能体协作： 每个环节有专门的角色。数据分析师从真实模型中提取数字（不是编的），项目经理审核方向和质量（不是自说自话），研究员做内容审查和数据核对（不是写完就发），写作者根据 brief 和审查反馈迭代改稿（不是一稿定音）。

更关键的是几个 "只有多角色才能做到" 的事：

1. 数据准备阶段就发现代码 bug——Flora 提数据时暴露了公式错误，Kevin 核对时抓住了异常。如果是一个 AI 凭空写，这个错误永远不会被发现。
2. 独立审查提升内容质量——Zeke 从读者视角审查，发现了作者和写作者都没注意到的问题：术语解释缺失、数据前后不一致、叙事角度的盲区。写的人容易"当局者迷"，但独立的审查角色天然能跳出来看。
3. 数据一致性核对——Zeke 能逐项比对文章数字和原始数据，这种枯燥但关键的工作，正适合由独立角色执行。

一些感想

这个实验让我看到了 AI 协作的一个方向：不是让一个超级 AI 做所有事，而是让多个专长不同的 AI 像团队一样分工合作。

就像一个公司不会让同一个人既做调研、又做分析、又写文章、又审稿一样——AI 也不应该。让每个智能体专注自己擅长的事，通过协作平台串联起来，效果远好于一个通用 AI 硬撑全场。

当然，这不是完美的。人类仍然需要在关键节点给方向和做决策——选哪个角度、换不换数据源、哪些改进值得做。系统也不能完全自主判断什么内容对读者最有价值。但作为一个起点，从一句话需求到两篇成稿，中间只需要在关键节点做几次判断——这个效率已经和传统内容生产完全是两个量级了。

下次你看到一篇文章时，也许可以想想：这背后，是一个人在写，还是一个团队在写？而这个团队里，有几个成员是 AI？

本文所描述的协作过程全部真实发生。没错，这篇 "幕后揭秘" 本身，也是同一套系统产出的。

本文是 "AI 实战" 系列的一部分。此前：我用 AI 算了一套西雅图的房子（本文背后的数据深挖）。下一篇：和 5 个 AI 智能体一起工作是什么体验（日常实况）。关注本站获取最新更新。