我將一步步向你展示，如何持續從 Claude Code、Codex、OpenCode 或任何你使用的工具中獲得最佳輸出……
因為工具只是你輸入 Agent 指令的應用程式，是你操作的駕駛艙。
直覺告訴你要追求更好的模型來放進去（用 Fable 5 啦，笑）。
但你真正能獲得的優勢在別處，在於你根本沒有只停留在一個模型上。
而時機讓這個錯誤比以往更昂貴……因為單一最佳模型已經變成一個你無法依賴的移動目標：
- Fable 5 大概只會回來一週，然後就會貴到用不起
- Mythos 5 僅限於少數經政府審核的公司
- GPT-5.6 Sol 只提供給約 20 家核准的公司，其他人碰不到
所以，把整個事業押注在「這個月」最好的模型上，一旦它被限制，你就輸了。
因此，解決方案是融合前沿 LLM，讓多個模型共同承擔工作，而不是一個模型扛下所有。
這就是平庸輸出與最佳輸出的區別，也是我現在每個專案首先設定的東西。
如果你想學習如何充分利用這些工具並用它們真正賺錢，這就是即時 AI 運營社群建立的目標：weeklyaiops.com
緩慢又痛苦的來回折騰
看看一個普通專案是怎麼進行的，瓶頸就卡在中間：
你打開一個工具，把任務交給它
然後你拿著它的計劃，貼到第二個模型裡，問「這樣對嗎」
第二個模型找出了漏洞，於是你把這些筆記帶回給第一個
你整個下午都在當信差，在兩個無法互相對話的模型之間傳遞上下文
老實說，這種來回折騰真是煩死了……
我太了解這個循環了，你讓 Claude 檢查 Codex 的計劃，然後把漏洞帶回去，一天就浪費在兩個模型之間傳遞筆記上。
為什麼多模型融合能打敗你最愛的單一模型
第二個模型總能抓到第一個遺漏的東西，這是有原因的……
負責審查工作的模型，與負責產出工作的模型共享盲點，因為它們在同樣的地方失敗。
所以，讓一個模型自我檢查，你只會得到一個「我看沒問題」的答案，而它可能正好忽略了它自己會寫出的 bug。
一個委員會從結構上解決了這個問題，而不是靠更好的提示詞——因為不同的模型會互相彌補對方的弱點。
而這背後有真實的研究論文支持：
Sakana 的一個研究團隊建立了一個小到可以在筆電上運行的協調器，這個模型從不回答你的問題。
它讀取問題
決定哪個大型模型應該處理哪個部分
然後分配工作
他們讓它指揮 GPT-5、Gemini 和 Claude，結果它獨自打敗了這三個模型……
然後他們嘗試換一個頂級模型來做協調，結果表現反而更差，哈哈。
所以，指揮者不一定要是你最強的模型，但它需要能讀懂問題，並將其路由到最適合處理該部分的模型。
三個角色，以及最常被跳過的那個
協調器一次只給每個模型一個任務：
思考者：分解任務、建立計劃、找出漏洞
執行者：完成工作、草稿、程式碼、數字，無論交付物是什麼
驗證者：判斷結果，說「可以發佈」或「修改這裡」
驗證者最常被跳過，但它卻是最重要的一個。
工作不是模型產出東西就結束了……而是當驗證者簽核通過才算完成。
就這麼一條規則——一個明確的「完成」條件——就是一個會結束的循環和一個永遠空轉的循環之間的全部差別。
把來回折騰交給委員會
現在，加入一個協調器聽起來像是多了一層要管理。
但實際上恰恰相反，你移除的那一層，正是你自己。
所以做法很簡單，你把協調本身委派出去：你不再當信差，而是讓一個協調器為你運行思考者、執行者和驗證者的循環。
我現在用 Fugu 來做這件事（sakana.ai/fugu），說清楚，這不是業配，我只是很喜歡它。
它是那個研究的產品化版本，你像指向任何其他模型一樣，把你的工具指向它，它就會在單一請求背後運行整個委員會。
我要老實告訴你它是什麼，因為這很重要。
它才剛推出幾天，運行速度較慢，因為它是真的在運行一個委員會，而不是假裝的；它最強的角色是驗證者，也就是在你發佈前負責「砲轟」作品的那個。
花 20 美元就能加入，如果你在七月底前開始，還能免費獲得第二個月。
我不是盲目信任它，我信任的是委員會模式，而這是我找到的、不需要全程盯著就能運行這個模式最簡單的方法。
現在，讓我們進入逐步工作流程，教你如何持續從任何 Agent 工具中獲得最佳輸出：
在開始和結束時運行委員會
我在每個專案中只在兩個時間點引入委員會：最開始和交付時。
想像一個真實的工作：推出電子報、建立潛在客戶名單、上線一個登陸頁面。
1. 先進行訪談 - 在任何工作開始前，讓你的 Agent 深入訪談你（Matt 的 grill-me 是一個技能，能讓 Agent 問你關於一切的問題），這個訪談的深度決定了後續所有工作的天花板
2. 召集委員會 - 建立計劃，由協調器處理多模型部分，這樣你就不用再在工具之間貼來貼去了
3. 定義循環 - 事先設定目標和停止條件，讓它可以在你不需要盯著每一步的情況下運行
4. 按角色委派 - 把正確的任務送到正確的地方，並善用子 Agent（子 Agent 就是主 Agent 分配工作給它的輔助 Agent）
5. 交付時砲轟 - 當工作看起來完成時，在發佈前把它送回委員會，讓它徹底檢視一遍
同樣的循環，兩個端點：開始時規劃，交付時砲轟——這就是整個引擎，它深刻地改變了我能快速交付一個我信任的產品的速度。
委員會是引擎，設定讓它保持銳利
引擎再好，也要看它周圍的機器……
以下是六個讓委員會中每個 Agent 都能產出最佳表現的動作，沒有一個是複雜的。
1. 建立你自己的技能，不要下載別人的函式庫
技能是一組儲存好的指令，你的 Agent 可以重複使用，就像它遵循的食譜（不過就是一個包含範例的 Markdown 檔案……）
誘惑是去抓一個別人發佈的大型技能函式庫，然後直接運行。
我會跳過這個，大約三分之一的公開技能存在安全漏洞……甚至更糟，哈哈。
而且，即使是乾淨的技能，那也是別人的背景脈絡，不是你的。一個技能只有在你親身遇到它要解決的問題之後，才會有幫助。
在那之前，它只是塞滿 Agent 記憶體的雜訊。
所以，我的建議是：建立你真正需要的少數幾個技能，從你自己失敗的經驗中提煉出來，那才是真正的優勢所在。
2. 預設使用小型 CLI，而不是 MCP 伺服器
先快速解釋兩個詞：MCP 是一種為你的 Agent 附加額外工具的方式；CLI 則是你可以在文字視窗中運行的小指令。
直覺反應是為所有東西都裝上 MCP，而每個 MCP 在你問第一個問題之前，就已經把它完整的指令說明書載入到 Agent 的記憶體中。
這些工具描述可能會佔用超過 10 萬字的記憶體，排擠掉真正的工作。
所以，對於日常任務，改用小型 CLI 吧。它更輕量，Agent 已經知道如何運行指令，而且它的輸出會存到檔案中，而不是塞滿記憶體。
一個名為 printing-press 的工具（printingpress.dev）可以根據單一提示，為任何服務寫出一個 CLI……盡量用它。
把 MCP 留給真正需要它們的工作：共享登入、大量用戶、需要保持開啟的即時連線。
原則是 CLI 優先，而不是只用 CLI。
3. 保持指令檔案輕量
你的 Agent 在執行每個任務前都會讀取一個指令檔案，通常是 AGENTS.md 或 CLAUDE.md。
衝動是把它塞滿你能想到的一切，結果 Agent 遵循的反而更少，而不是更多。
一個模型大約能可靠地遵循 150 到 200 條指令，超過這個數量，它就會開始忽略。
讓你的指令檔案保持在 100 行以下——這樣效果會好得多。
4. 清理上下文，把記憶保留在檔案中
上下文視窗是你的 Agent 的短期記憶，它會隨著使用而填滿，並變得越來越笨。
Claude Opus 4.8 就是一個很好的例子……這是一個出色的模型，但一旦你達到 30-40 萬個 token，你 100% 應該清除上下文——不要使用壓縮功能。
所以，經常清除它，並把重要的記憶保留在檔案中。
一個 learnings.md 檔案，讓 Agent 在每次會話開始時讀取，並在結束時更新。每次都這樣做，即使它認為什麼都沒變。
讓它在每次提交（commit，即工作的已儲存檢查點）後更新這些筆記。
持久的規則存在指令檔案中，它沿途學到的東西存在 learnings 中。如果你每次運行後都在編輯規則檔案，那表示你把錯誤的東西放進去了。
我為自己建立了一個名為 /before-clear 的技能，它只是在專案中建立一個檢查點，一個 Agent 會先讀取的暫存檔案……它有一個非常簡單的待辦事項清單、上次會話的簡短摘要，以及接下來最緊急的任務。
我幾乎從未在會話之間遺失任何重要的上下文。
5. 寫少數規則，每一條都簡單明瞭
一組簡短明確的規則，遠比一大堆複雜的規則要好。
一旦規則檔案變長，規則就會開始互相衝突，Agent 必須猜測哪一條優先。
用你告訴新進員工的方式來寫每一條規則：一行，一個意思，沒有解釋空間。
當規則明確時，Agent 就會遵循；當規則模糊時，Agent 就會即興發揮，而即興發揮正是你的輸出開始偏離目標的原因。
6. 將繁重的工作委派給子 Agent
把繁瑣、昂貴的工作下放給子 Agent，特別是任何涉及瀏覽器的操作。
從主 Agent 驅動瀏覽器可能會消耗大量的上下文，光是截圖就夠嗆。
把同樣的工作交給一個子 Agent，它只會回傳「完成，這是摘要」這樣一兩行。
主 Agent 保持指揮者的角色，輔助者負責執行，你的主要記憶體就能保持乾淨。
這又是委員會的概念，往下推一層：你協調工作，而不是自己做完所有事。
整個作業系統，濃縮成一個區塊
最好的模型不斷被限制，所以不能把單一模型當作你的基礎
把協調工作交給委員會：思考者規劃，執行者建構，驗證者簽核
驗證者就是停止條件，工作要等到它說完成才算完成，不是之前
運行委員會兩次：開始時規劃，交付時砲轟
我用 Fugu 來運行它，20 美元試用，非業配，誠實告知它還在早期階段
然後，讓每個 Agent 保持銳利：
建立你自己的技能，不要下載函式庫
CLI 優先，只在真正需要時才用 MCP
指令檔案保持在 100 行以下
經常清除上下文，把記憶保留在檔案中
規則要少，每一條都要簡單明瞭
把繁重的工作委派給子 Agent
除此之外的一切，都只是純粹的優化，除非你是軟體工程師，否則你可能根本不會注意到。
這就是你為自己建立一個高效能作業系統的方法，無論有沒有 Fable 5……
總之，我正在建立世界上最好的 AI 社群，你要加入我嗎？
