Multi-Agent 系統實戰：從數據收集到自動報告的完整架構

2026 年，AI Agent 已經不是「能不能用」的問題，而是「如何規模化」的挑戰。

當你的自動化需求從「每天摘要 10 篇文章」擴展到「每週產出 3 篇深度分析文章」，會發現單一 Agent 開始力不從心：任務太多、邏輯太複雜、錯誤難以追蹤，就像一個人要煮菜、洗碗、打掃、還要記帳，最後只會累死自己。

這時候，你需要 Multi-Agent 系統。

本文以我們實際運行的 DarkMeow（主控端）+ MeowClaw（執行端） 雙代理系統為例，拆解 Multi-Agent 架構的設計思維、技術實作與踩坑經驗。

為什麼需要 Multi-Agent？

單一 Agent 的瓶頸

想像你有一個 Agent 負責「每週產出產業分析報告」，它需要：

1. 搜尋最新產業新聞（10+ 來源）
2. 摘要每篇文章（50+ 篇）
3. 分析趨勢與關鍵數據
4. 撰寫報告（2000+ 字）
5. 發布到 Blog 與社群平台

這個流程看似簡單，但實際執行時會遇到：

• 執行時間過長：單一 Agent 逐步執行，可能需要 1-2 小時
• 錯誤難以定位：某個步驟失敗，整個流程中斷，不知道問題出在哪
• 無法並行處理：搜尋新聞與摘要文章可以同時進行，但單一 Agent 只能排隊
• 邏輯混亂：一個 Agent 包含 5 種完全不同的任務，prompt 設計與錯誤處理複雜度激增

問我怎麼知道的？因為我們真的這樣跑過，結果是 Agent 累、我們也累。

Multi-Agent 的優勢

將任務拆分給專職 Agent，各司其職：

Agent	職責	特性
DarkMeow（主控端）	任務指派、品質審查、發布管理	高階模型，擅長分析與決策
MeowClaw（執行端）	知識蒐集、數據分析、內容撰寫	快速執行，擅長搜尋與產出

這樣做的好處：

1. 專精化：主控端專注品質把關，執行端專注產出，prompt 與邏輯更簡潔
2. 分層決策：DarkMeow 決定「做什麼」，MeowClaw 負責「怎麼做」
3. 容錯性：MeowClaw 執行失敗，DarkMeow 可以重新派發或換策略
4. 可擴展：未來加入更多執行端 Agent 很容易，主控端統一管理

就像餐廳分工：主廚（DarkMeow）決定菜色和品質標準，線上廚師（MeowClaw）負責備料和烹飪，不是一個人從採買到上菜全包。

架構設計：DarkMeow + MeowClaw 實例

系統架構圖

任務分工詳解

DarkMeow：主控端（首席顧問）

職責：

1. 接收需求，拆解為具體執行任務
2. 透過 sessions_spawn 派發任務給 MeowClaw
3. 審查 MeowClaw 回傳的成果（事實正確性、格式規範、品牌一致性）
4. 執行品質檢查腳本（blog-lint.js）
5. 通過審查後推送至 Ghost CMS 作為 Draft

為什麼主控端需要高階模型？

品質審查需要更強的判斷力：辨識事實錯誤、評估文章邏輯、確保品牌調性一致。這些任務對模型的推理能力要求比「搜尋 + 撰寫」更高，就像主廚需要更豐富的經驗來把關菜色品質。

MeowClaw：執行端（研究員）

職責：

1. 從 Dev.to、Reddit、Hacker News 等來源搜尋關鍵字
2. 抓取文章內容，生成摘要與相關性評分
3. 分析高相關性素材，提煉核心觀點
4. 撰寫文章初稿（遵循 Nerigate 寫作規範）
5. 將結果回傳給 DarkMeow 審查

技術棧：

• 搜尋：Brave Search API（控制節奏，間隔 ≥ 2 秒）
• 抓取：web_fetch（轉 markdown）
• 撰寫：LLM 生成（繁體中文、全形標點、零簡體字）

輸出格式範例：

{
  "collection_date": "2026-02-23",
  "articles": [
    {
      "title": "Self-Hosted AI in 2026",
      "url": "https://dev.to/...",
      "summary": "實戰教學將 Ollama 與 n8n 整合⋯⋯",
      "relevance_score": 0.95,
      "tags": ["n8n", "ollama", "self-hosted"]
    }
  ]
}

協作流程

一次完整的文章產出流程：

1. Kevin 下達需求：「寫一篇關於 n8n + Ollama 整合的文章」
2. DarkMeow 拆解任務：派發給 MeowClaw，蒐集 n8n + Ollama 相關素材，撰寫初稿
3. MeowClaw 執行：搜尋 → 抓取 → 分析 → 撰寫初稿 → 回傳
4. DarkMeow 審查：檢查事實、格式、品牌規範，執行 blog-lint.js
5. DarkMeow 推送：通過審查後，推送至 Ghost 作為 Draft
6. Kevin 最終發布：人工審核、加封面圖、按下 Publish

整個流程就像出版社：作者（MeowClaw）寫初稿、編輯（DarkMeow）審稿、總編（Kevin）最終拍板。

排程設計

使用 OpenClaw Cron 編排任務：

# 每週一 08:00 — DarkMeow 主控觸發
schedule:
  kind: cron
  expr: "0 8 * * 1"
  tz: Asia/Taipei

payload:
  kind: agentTurn
  message: |
    本週文章產出任務：
    1. 派發 MeowClaw 蒐集 AI Agent 相關素材
    2. 審查 MeowClaw 產出的初稿
    3. 通過品質檢查後推送 Ghost Draft
    4. 通知 Kevin 審核

關鍵設計點：

1. 主控觸發：由 DarkMeow 統一啟動流程，而非讓 MeowClaw 自己跑
2. 超時保護：MeowClaw 執行超時，DarkMeow 會中斷並警報
3. 人工審核：通過所有自動檢查後，仍等待 Kevin 最終確認

品質控管機制

Multi-Agent 系統的挑戰在於如何確保每個環節的品質。

1. DarkMeow 品質閘門

MeowClaw 回傳成果後，DarkMeow 執行多重檢查：

• 格式檢查：blog-lint.js，7 項自動化檢查（frontmatter、標點、字數、H1⋯⋯）
• 內容審查：事實是否與原始素材一致？是否有 AI 幻覺？
• 品牌一致性：語氣是否符合 Nerigate 風格？專有名詞是否統一？

# 自動化品質檢查
node skills/ghost-blog/scripts/blog-lint.js drafts/article.md --fix

2. 結構化回饋機制

審查不通過時，DarkMeow 會具體指出問題：

❌ 審查未通過：
1. 第 3 段提到「n8n 是 Google 開發的」，事實錯誤，n8n 是開源專案
2. 缺少程式碼範例（規範要求至少 1 個）
3. Excerpt 超過 150 字

請修正後重新提交。

MeowClaw 收到回饋後修正，再次提交審查，不是模糊的「再改一下」，而是清楚的改進方向。

3. 人工審核（最後防線）

即使通過 DarkMeow 的自動審查，仍需 Kevin 最終確認：

1. Discord 通知：「文章已推送至 Ghost Draft，請審核」
2. Kevin 在 Ghost 後台審閱：內容、封面圖、SEO 設定
3. Kevin 決定發布或退回修改

為什麼不自動發布？

因為 AI 生成內容仍有機率出現：

• 事實錯誤（自動檢查可能漏掉的細微錯誤）
• 語氣不符（過於正式或過於隨便）
• 敏感資訊（如內部專案名稱）

人工審核是最後一道防線，不是不信任 AI，而是對品質負責。

錯誤處理與監控

常見錯誤與應對策略

錯誤類型	範例	應對策略
搜尋 API 限制	Brave Search 429	MeowClaw 控制搜尋間隔 ≥ 2 秒
LLM 幻覺	生成內容包含虛構數據	DarkMeow 交叉比對原始素材
格式錯誤	缺少 frontmatter	blog-lint.js 攔截
執行超時	MeowClaw 卡住	DarkMeow 設定超時，自動中斷

斷路器機制

當 MeowClaw 連續失敗 3 次，DarkMeow 會：

1. 停止重複派發同一任務
2. 切換策略（如縮小搜尋範圍、降低文章字數要求）
3. 向 Kevin 結構化回報失敗原因與建議方案

這是從慘痛經驗學來的，早期 MeowClaw 搜尋 API 被限制，我們讓它重試了 10 次，結果 API 直接被封⋯⋯

成本與效益分析

Multi-Agent 系統的運行成本主要來自三塊：API 呼叫、伺服器電費、人工審核時間。

其中 API 成本極低，MeowClaw 的搜尋與撰寫、DarkMeow 的品質審查，每週合計不過幾十元台幣。真正的成本反而是伺服器 24/7 運行的電費，以及 Kevin 每週 30 分鐘的最終審核時間。

相比之下，若由人工完成同等工作量（素材蒐集 + 分析 + 撰寫 3 篇深度文章），至少需要 8-10 小時。Multi-Agent 將這個流程壓縮到「派發任務 → 等待產出 → 審核發布」，人類只介入最後一步。

效益不只是省時間

1. 穩定性：每週準時產出，不受人員狀態影響
2. 可擴展：要增加到每週 5 篇？調整 MeowClaw 任務參數即可
3. 品質可控：DarkMeow 的品質閘門確保每篇文章都通過標準
4. 數據累積：每週收集的文章摘要，長期下來就是一座產業情報庫

這不是「AI 取代人」，而是「AI 幫人做重複性工作，讓人專注在創意和決策」。

下一步：從雙 Agent 到 Multi-Agent 生態

目前 DarkMeow + MeowClaw 已經穩定運行，但我們計劃擴展更多專職 Agent：

• SEO-Agent：優化文章標題與 meta description
• Social-Agent：自動發布到 LinkedIn、Threads
• Analytics-Agent：追蹤文章流量，生成效益報告

最終，Nerigate 的內容生產流程會變成完全自動化的生態系統：從數據收集、分析、撰寫、發布到效益追蹤，人類只需做最後的審核與決策。

聽起來很遙遠？其實已經在進行中了，你現在看的這篇文章，就是這套系統的產物。

實戰建議：從 0 到 1 建立你的 Multi-Agent 系統

Step 1：先證明單一 Agent 可行

不要一開始就設計複雜架構。先用一個 Agent 跑通整個流程，等穩定運行 2 週後，再考慮拆分，就像開餐廳，先證明菜色受歡迎，再考慮擴店。

Step 2：找出瓶頸，拆分職責

觀察 All-in-One Agent 的執行日誌：

• 哪個步驟最慢？
• 哪個步驟最常失敗？
• 哪些步驟可以並行？

基於瓶頸，拆分為主控端 + 執行端。

Step 3：設計清晰的數據交接格式

Multi-Agent 的核心是數據交接。每個 Agent 的輸出必須是結構化、可驗證的格式，JSON 比純文本好，帶 schema 的 JSON 更好。

Step 4：加入品質閘門

主控端必須有能力驗證執行端的產出。沒有品質閘門的 Multi-Agent 系統，就像沒有 QA 的軟體團隊，遲早出事。

結語：Multi-Agent 是規模化的必經之路

單一 Agent 能做的事有限，Multi-Agent 才能解決複雜、多步驟、需要專業分工的問題。

核心設計原則：主控端管決策與品質，執行端管搜尋與產出。分層治理，各司其職。

DarkMeow + MeowClaw 只是起點，這不是科幻，而是 2026 年正在發生的現實。如果你也在思考如何規模化你的 AI 自動化，也許這套架構能給你一些靈感。

最後說一句：踩坑不可怕，可怕的是踩了坑還不記錄下來。這篇文章的每個設計決策、每個錯誤處理機制，都是我們用真金白銀（和無數除錯時間）換來的，希望能幫你少走一些彎路。

Tags

• AI Agent
• OpenClaw
• Workflow Automation
• Knowledge Base