第19章 案例一：一人内容创作公司

本章前置检查：

• □ 理解一人多Agent公司的三层架构（第18章）
• □ 熟悉OpenClaw和Hermes的基础配置（第1-12章）
• □ 了解Skill的开发和安装方法（第4章）

本章预估总时长：4小时

本章难点提示：

• 19.2节的岗位分工表是本章的核心参考，建议先通读再动手配置。
• 19.3节涉及多个Agent的配置文件和渠道绑定，不要一次性全部配置，按“调研→写作→分发”顺序逐个添加并测试。
• 19.4.1节“经验蒸馏”需要Hermes的自动Skill生成能力，确保第10章的内容已掌握。
• 19.5节（量化类比）是为第五篇做铺垫，建议认真阅读并思考如何迁移到量化场景。

🎯 本章教学目标：搭建一个完整的内容创作多Agent系统，涵盖选题、调研、写作、配图、分发全流程，理解Agent间的协作和数据流转，学会将成功经验蒸馏为团队共享Skill，并能够将内容创作模式类比到量化策略研发。

19.1 业务流程分析

🎯 本节目标：理清内容创作公司的完整业务链条，识别关键节点和角色。

预计时长：0.5小时

典型内容创作工作流

发现热点 → 选题策划 → 素材收集 → 文章撰写 → 配图制作 → 多渠道分发 → 数据追踪

让我们逐一拆解每个环节的具体任务：

环节	核心任务	涉及的决策点
发现热点	监控社交媒体、新闻、论坛，识别潜在爆款话题	哪些信号值得关注？
选题策划	筛选热点，确定文章角度、目标受众、核心观点	写什么？写给谁？什么角度？
素材收集	搜集数据、案例、引用、图片素材	哪些数据可信？哪些案例典型？
文章撰写	根据大纲生成完整文章，多轮润色	结构是否合理？语气是否一致？
配图制作	生成/搜索/设计配图，优化视觉	什么风格？多少张？
多渠道分发	发布到微信公众号、知乎、小红书等	各平台格式适配、SEO优化
数据追踪	统计阅读量、互动、转化，复盘效果	哪些选题受欢迎？哪些渠道高效？

单人vs多Agent效率对比

维度	单人完成	多Agent协作
日产量	1-2篇	5-8篇
平均耗时/篇	3-4小时	45分钟
风格一致性	依赖个人状态	Agent记忆保证一致
热点响应速度	人工监测，延迟	7×24监控，秒级响应
知识沉淀	靠个人回忆	自动Skill固化

龙马注：这个差距不是理论值，是我自己跑出来的实测数据。最初我写一篇技术博客要3小时，现在让选题Agent抓热点、调研Agent整理素材、写作Agent生成初稿、我只需修改润色20分钟。配图和分发也自动化了。关键是每个Agent只做自己最擅长的事，互不干扰。

🛠️ 实践任务（本节）：列出你日常内容创作中耗时最多的3个环节，思考哪些可以交给Agent。

💭 本节总结（不看书写3行）：

📊 用时记录：计划____min → 实际____min → 偏差原因：________

19.2 岗位设置与Agent分工

🎯 本节目标：根据业务流程，拆解出6个核心Agent角色，明确各自的职责、输入输出和协作方式。

预计时长：0.8小时

Agent角色映射表

Agent名称	类型	平台	职责	输入	输出	所需Skill
热点监测Agent	监控	OpenClaw	定时抓取RSS/社交媒体/新闻，识别高热度话题	关键词列表	热点事件列表（含热度评分）	web_search, rss_reader
选题策划Agent	决策	Hermes	分析热点，确定选题方向、目标受众、核心观点	热点事件	选题卡片（含标题选题、大纲、关键词）	选题分析Skill
调研Agent	研究	Hermes	搜集数据、案例、引用，整理成结构化素材	选题卡片	素材包（Markdown格式）	web_search, web_fetch, 素材整理Skill
写作Agent	创作	Hermes	根据大纲和素材生成文章，多轮润色	素材包 + 风格偏好	文章初稿	写作Skill（可自定义风格）
配图Agent	设计	OpenClaw	生成/搜索/优化配图	文章关键词、风格	图片文件/URL	image_generation, image_search
分发Agent	发布	OpenClaw	适配各平台格式，发布并记录链接	文章+配图	发布状态+链接	platform_adapter
数据分析Agent（可选）	复盘	Hermes	收集阅读/互动数据，分析效果，提出改进建议	发布链接	周报/月报	data_analysis, web_fetch

协作流程时序

定时触发 (Cron)
    ↓
[热点监测Agent] → 热点列表写入共享记忆(L2)
    ↓
[选题策划Agent] 读取热点 → 选题卡片 → 写入共享记忆
    ↓
[调研Agent] 读取选题卡片 → 素材包 → 写入共享文件
    ↓
[写作Agent] 读取素材包 → 文章初稿 → 写入共享文件
    ↓
[配图Agent] 读取文章关键词 → 图片 → 写入共享文件
    ↓
[分发Agent] 读取文章+图片 → 发布到多平台 → 记录链接
    ↓
[数据分析Agent] (每周一次) 读取链接 → 分析报告 → 推送

渠道与权限设计

• 热点监测Agent：只读网络，无文件写权限 → 仅输出到共享队列。
• 选题策划Agent：可读写共享记忆，无工具调用 → 纯LLM决策。
• 调研Agent：可读写文件，有web工具 → 需要网络访问。
• 写作Agent：可读写文件，无网络 → 只访问素材文件。
• 配图Agent：可读写文件，有图像生成工具 → 需要图像API。
• 分发Agent：可读写文件，有渠道API → 需要各平台Token。
• 数据分析Agent：可读写文件，有数据分析工具 → 仅限内部统计。

沈飞注：这个权限设计体现了“最小权限原则”。写作Agent不需要网络，配图Agent不需要访问用户隐私数据，分发Agent只能写到指定目录。即使某个Agent被攻破，损失范围也很小。

🛠️ 实践任务（本节）：为你的内容创作Agent团队画出协作流程图（可用Draw.io或手绘），标注每个Agent的输入/输出存储位置。

💭 本节总结（不看书写3行）：

📊 用时记录：计划____min → 实际____min → 偏差原因：________

19.3 完整配置与实现步骤

🎯 本节目标：动手搭建内容创作Agent团队，逐个配置Agent、Skill、共享记忆和Cron调度。

预计时长：1.5小时

步骤1：准备共享记忆空间

创建共享目录和记忆库（L2级别）：

bash

mkdir -p /mnt/content_agent_shared/{inbox,outbox,memory}
cd /mnt/content_agent_shared

# 初始化记忆JSON文件
echo '{"hot_items": [], "topics": [], "materials": {}, "articles": {}}' > memory/state.json

步骤2：配置热点监测Agent（OpenClaw Cron）

在OpenClaw中创建一个Cron任务，每小时抓取热点：

bash

openclaw cron add \
  --name "hotspot_monitor" \
  --cron "0 * * * *" \
  --tz Asia/Shanghai \
  --message "抓取微博热搜、知乎热榜、Hacker News，提取前10条热点，计算热度分数(0-100)，输出JSON格式，写入 /mnt/content_agent_shared/inbox/hotspots.json"

验证：等待第一个整点，检查/mnt/content_agent_shared/inbox/hotspots.json是否有内容。

步骤3：配置选题策划Agent（Hermes Skill + Cron）

创建一个Hermes Skill：topic_planner。

SKILL.md（部分）：

markdown

---
name: topic_planner
description: 根据热点事件生成选题卡片
---

## 执行步骤
1. 读取 /mnt/content_agent_shared/inbox/hotspots.json
2. 选择热度>70的事件
3. 为每个事件生成选题卡片：
   - 选题标题
   - 目标受众
   - 核心观点 (3个)
   - 建议大纲 (1-2级标题)
   - 关键词 (3-5个)
4. 写入 /mnt/content_agent_shared/outgoing/topics.json

创建Cron任务，每小时触发一次（在热点更新后）：

bash

hermes cron add "5 * * * *" "运行topic_planner技能生成选题" --tz Asia/Shanghai

步骤4：配置调研Agent（Hermes）

bash

hermes skill create researcher --from-template research

# 编辑 ~/.hermes/skills/researcher/SKILL.md，定义读取选题、搜索网页、整理素材的流程

步骤5：配置写作Agent（Hermes）

写作Agent需要加载用户风格偏好（从共享记忆USER.md读取）。在~/.hermes/memories/USER.md中添加：

markdown

## 写作风格
- 语言: 中文，简洁有力
- 段落: 每段不超过5行
- 风格: 技术博客，带代码示例
- 禁用词: "非常""极其""特别"

写作Skill示例如下（SKILL.md片段）：

markdown

## 工作流
1. 读取 /mnt/content_agent_shared/outgoing/materials/{topic_id}.md
2. 加载用户风格偏好（从USER.md）
3. 按以下结构生成文章：
   - 标题 (H1)
   - 引言 (2-3句吸引注意)
   - 正文 (按大纲展开，每部分配一个小标题)
   - 结论 (总结+行动号召)
4. 写入 /mnt/content_agent_shared/outgoing/articles/{topic_id}.md

步骤6：配置配图Agent与分发Agent（OpenClaw Skill）

配图Skill可调用外部图像生成API，分发Skill需为每个平台编写适配器。由于篇幅，完整代码见附录P示例。

步骤7：配置数据分析Agent（周复盘）

bash

hermes cron add "0 9 * * 1" "分析上周发布文章的阅读、点赞、评论数据，生成效果报告并推送飞书" --tz Asia/Shanghai

步骤8：整合调度（可选：使用低代码编排）

在n8n或Dify中，将上述各Cron任务串联成一个工作流，并加入人工审核节点（如果你希望在发布前审阅文章）。详细配置见附录P。

龙马注：不要一次性把所有步骤配置完再测试。我的顺序是：先配热点监控→手动运行一次确认有数据→配选题策划→手动测试→配调研→手动测试…每加一个Agent，就验证上一步的输出能被下一步正确读取。这样调试效率最高。

🛠️ 实践任务（本节）：按照上述步骤，至少完成热点监测、选题策划和调研三个Agent的配置，并手动触发一次完整流程。

💭 本节总结（不看书写3行）：

📊 用时记录：计划____min → 实际____min → 偏差原因：________

19.4 效果评估与迭代优化

🎯 本节目标：建立内容创作质量评估体系，持续优化Agent协作效果。

预计时长：0.5小时

质量评估指标

指标	目标值	测量方法
选题采纳率	>60%	团队（你）从选题列表中采纳的比例
素材完整度	>90%	调研产出的大纲是否覆盖所有要点
初稿修改次数	<3次	文章从生成到发布需修改的轮数
风格一致性	用户评价	与历史文章对比，语气、格式是否一致
端到端耗时	<45分钟	从热点触发到文章发布

迭代优化流程

Step 1：收集反馈

• 数据分析Agent每周自动生成报告，标注低阅读量文章所属的选题、写作Agent、配图风格。
• 人工标记“优秀文章”和“失败文章”。

Step 2：更新Skill

• 对优秀文章，让Hermes执行skill_manage(action='patch', skill='writer')，将成功的写作模式注入Skill。
• 对失败文章，分析原因：如果是调研不充分，改进调研Skill；如果是选题差，调整选题策路。

Step 3：A/B测试

• 同时运行两套写作Agent（不同参数或模型），对比产出质量，保留胜者。

19.4.1 经验蒸馏：让调研Agent的选题技巧自动沉淀为写作Agent的灵感库

本节演示如何通过共享记忆实现Agent间经验复用。

场景：调研Agent在搜集素材时，偶然发现一组高质量的数据源或写作角度，希望写作Agent下次能直接使用。

实现：

1. 调研Agent在完成任务后，自动调用memory工具将“有价值的发现”写入共享记忆的L3层（外部提供商或JSON文件）。
2. 写作Agent在开始新文章前，先查询共享记忆中的“灵感库”，将相关提示注入系统提示词。
3. 每周运行一次memory_evaporator脚本，分析灵感库中最频繁出现的模式，生成新的写作模板（Skill）。

示例代码（调研Agent的SKILL.md片段）：

markdown

## 执行步骤
...
4. 如果发现特别优质的数据来源或写作角度，调用：
   memory(action="add", target="user", 
         content="灵感: 关于XX主题，可以使用YY数据源，发现ZZ趋势。")

效果：写作Agent在后续相关主题写作时，会自动检索到这些灵感并运用。

沈飞注：这个经验蒸馏机制在量化场景中威力巨大——因子挖掘Agent发现的有效因子构建模式，可以自动沉淀到因子库，供策略Agent直接调用。我们稍后在第五篇会详细展开。

🛠️ 实践任务（本节）：

1. 运行一周的内容创作Agent系统，收集数据，分析瓶颈环节。
2. 针对最慢的环节（如调研耗时过长），尝试优化对应Skill或增加并行Agent。

💭 本节总结（不看书写3行）：

📊 用时记录：计划____min → 实际____min → 偏差原因：________

19.5 🔗 量化场景类比：内容创作流水线与量化因子挖掘流水线

🎯 本节目标：将内容创作公司的多Agent架构映射到量化策略研发，为第五篇做铺垫。

预计时长：0.3小时

核心映射关系

内容创作环节	对应量化策略研发环节
热点监测Agent	行情数据监控Agent（实时价格、成交量、新闻情绪）
选题策划Agent	因子挖掘Agent（发现有效预测信号）
调研Agent	因子回测与验证Agent（历史数据验证）
写作Agent	策略组合与执行Agent（生成交易信号）
配图Agent	可视化报告Agent（生成图表、归因分析）
分发Agent	交易执行Agent（下单到券商）
数据分析Agent	绩效归因Agent（分析策略盈亏来源）

协作模式的可复用性

1. 流水线串行
   内容创作中“热点→选题→素材→写作”的顺序，与量化中“数据→因子→信号→交易”完全对应。你可以重用相同的ACP委托模式。
2. 记忆蒸馏
   内容创作中的“灵感库”机制，可直接移植为量化中的“因子池”——因子挖掘Agent发现的候选因子，写入共享因子库，策略Agent从中选择使用。
3. 质量评估与迭代
   内容创作中的“采纳率”“修改次数”指标，对应量化中的“因子IC”“夏普比率”“最大回撤”。低质量的因子自动淘汰，高质量因子固化到Skill。
4. 多Agent并行
   多个调研Agent可同时工作（并行采集不同信源），类似多个因子回测Agent并行计算不同因子组的绩效。

从本节到第五篇的迁移清单

当你完成内容创作Agent团队后，你已经掌握了：

• 多Agent协作的流水线设计
• 共享记忆的读写和并发控制
• Skill的质量治理与迭代
• 经验蒸馏与知识复用

这些技能在量化系统中几乎原样复用。在第五篇，你只需：

1. 替换数据源（新闻→行情数据）
2. 替换工具集（web_search→quant_data_api, 写作Skill→回测Skill）
3. 调整评估指标（阅读量→夏普比率）
4. 强化风控Agent（内容不需要，量化必须）

龙马注：我最初搭建量化Agent系统时，就是直接把内容创作的这套架构拿过来改的。代码结构几乎一样，只是换了工具和Skill。所以不要觉得“金融量化”很遥远，你离它只差一个数据源的转换。

🛠️ 实践任务（本节）：思考你所在行业或兴趣领域的业务，能否也用类似的流水线结构拆解？写出3个环节→Agent的映射。

💭 本节总结（不看书写3行）：

📊 用时记录：计划____min → 实际____min → 偏差原因：________

19.6 （可选）内容矩阵扩展：增加视频脚本Agent和社交媒体分发Agent

🎯 本节目标：展示如何低成本扩展Agent团队，增加新的内容形式。

预计时长：0.2小时

如果你的业务需要短视频脚本或社交媒体短文案，可以轻松添加两个新Agent：

视频脚本Agent

职责：将已有的文章转化为视频脚本（包含旁白、分镜、字幕提示）。

配置：复制写作Agent的配置，修改SKILL.md：

markdown

## 工作流
1. 读取文章内容
2. 按场景拆解为3-5个分镜
3. 为每个分镜撰写旁白文本（60-100字）
4. 标注视觉建议（如“展示数据图表”）
5. 输出脚本JSON格式

社交媒体分发Agent增强

在原分发Agent基础上，增加对抖音、B站、小红书的适配（API调用），将视频自动上传。

扩展后的团队结构：

          文章
            ↓
      ┌───┴────┐
      ↓        ↓
  写作Agent  视频脚本Agent
      ↓        ↓
   配图Agent   → 分发Agent（新增视频平台）

成本：新增一个Hermes实例（或复用现有），新增一个Skill，修改渠道配置——一天内可完成。

龙马注：这就是一人多Agent公司的魅力。一旦基础流水线搭好，增加新的内容形式就像招聘一个“新员工”，配置好岗位职责（SKILL.md）后即刻上岗，不需要培训、不需要磨合。

🛠️ 实践任务（本节）：（可选）如果你有视频内容需求，按上述步骤创建视频脚本Agent并测试。

💭 本节总结（不看书写3行）：

📊 用时记录：计划____min → 实际____min → 偏差原因：________

第19章 参考资料与扩展阅读

1. 一人公司：内容创作的AI自动化实战（阿里云） https://developer.aliyun.com/article/1730228
2. Hermes Memory蒸馏在内容创作中的应用 https://hermes-agent.nousresearch.com/docs/use-cases/content-distillation
3. OpenClaw Cron多任务调度最佳实践 https://docs.openclaw.ai/zh-CN/automation/cron
4. 从内容创作到量化投资：多Agent流水线复用指南 https://www.volcengine.com/docs/87732/2277063

第四篇综合任务（第19章完成后）

任务：完成以下所有检查项。

• 完成热点监测、选题策划、调研三个核心Agent的配置，并手动触发一次完整流程（生成至少一篇素材）。
• 为写作Agent配置风格偏好，验证输出是否符合预期。
• 设置数据分析Agent周报，运行后查看报告内容。
• 尝试在团队中添加一个新Agent（如视频脚本Agent），并测试。
• 思考内容创作流程与量化因子挖掘流程的映射关系，写下至少3条相似点。

完成后，保存配置文件，命名为chapter19_content_agents_config.zip。

龙马的评审：

“19.3节的分步骤配置非常实用，但我补充一个坑：共享记忆的文件路径必须确保OpenClaw和Hermese都能访问。如果你的OpenClaw跑在Docker里，Hermes跑在宿主机，默认路径不共享。解决方案：映射同一个volume，或者改用Redis/PostgreSQL（L2）。

另外，写作Agent的初稿质量很大程度上取决于调研素材的结构化程度。调研Agent最好输出带标题、要点、引用分段的Markdown，而不是纯文本。我在素材整理Skill里加了“按大纲二级标题组织内容”的规则，写作Agent的输出质量提升非常明显。”

沈飞的评审：

“19.5节的量化类比非常关键。我建议读者在学完本章后，立刻尝试把内容创作Agent的代码框架复制一份，把‘选题’改成‘因子挖掘’、‘写作’改成‘回测’、‘分发’改成‘下单’。你会发现，除了工具调用不同，整个协作模式和记忆蒸馏机制完全复用。这就是我们为什么在第四篇安排三个通用案例——它们是第五篇的脚手架，而不是孤立的例子。

另外，19.4.1节的经验蒸馏机制，在量化中可以用来构建‘因子库Agent’。当因子挖掘Agent发现高IC的因子时，自动调用memory工具存入库中；策略Agent每次运行前查询因子库，自动选择最优因子组合。这种‘自动化因子迭代’是前沿量化团队的标志性能力。”

下一章预告：第20章 案例二：一人电商运营公司 —— 我们将学习如何用多Agent实现价格监控、竞品分析、自动调价和客服响应，同样会给出与量化风控的类比。