W讀Podcast｜一個 Google PM 用六個 AI Agent 自動化他的人生，這是他的五步框架

TL;DR

• OpenClaw 新手最大的錯誤：要嘛什麼 context 都不給，要嘛一次 dump 十個資料夾，兩種都會失敗。正確做法是像 onboarding 新員工一樣，給清楚但適量的指示
• 用電視角色命名 Agent 不只好玩，是建立心智模型的技巧。Monica 管營運、Dwight 做研究、Kelly 管社群，角色分工一目瞭然
• Cron schedule 是 Agent 從「你問它才動」變成「它自己會動」的關鍵轉折，真正的自動化從這裡開始
• 跨 Agent 記憶是多 Agent 協作的痛點，Google Vertex AI Memory Bank 的 plugin 可以讓你跟一個 Agent 說的偏好自動同步到所有 Agent
• 最狠的一招：讓 Agent 每週自我檢討，自動分析哪些建議你採納了、哪些被你否決，然後自己修改自己的指令變得更準確

這集還展示了 Molt World（Agent 在 Minecraft 風格的虛擬世界裡自組團隊蓋東西）和 AgentMail（專門給 Agent 用的 email 服務），都是 OpenClaw 生態系正在長出來的新物種。

---

這集 2026 年 3 月 31 日播出的 This Week in Startups（E2269），是由 Jason Calacanis 主持的創業科技 Podcast，固定搭檔是 Lon Harris。這節目基本上就是矽谷創業圈的資訊集散地，每週一三五直播，聊新創動態、投資趨勢，偶爾找來賓 demo 產品。這集的主要來賓是 Shubham Saboo，他白天是 Google Cloud 的 Senior AI Product Manager，負責 Agent Development Kit 和 Vertex AI 平台，晚上則是 OpenClaw 重度玩家，在 Mac Mini 上跑六個 AI Agent 全天候運作，他維護的開源專案 awesome-llm-apps 在 GitHub 上超過 10 萬顆星。他在 X 上分享的 OpenClaw 實戰心得引起了 Jason 的注意，這次上節目就是來分享他的五步框架。

---

從一個 Agent 開始，別被那些「我跑 12 個 Agent」的截圖嚇到

Shubham 講的第一件事，我覺得是最多人需要聽的。

你在 X 上滑一滑，到處都是「我的 Agent 軍團」的炫耀截圖，六個 Agent、八個 Agent、十二個 Agent 同時跑。看了很容易覺得自己落後了。但 Shubham 說他從來不建議新手從多 Agent 開始。從一個開始就好。

他的第一個 Agent 叫 Monica，取自 Friends 裡那個掌控全場的 Monica。這個命名不是隨便取好玩的，他後來發現用電視角色命名其實是建立心智模型最快的方式。Monica 負責營運和統籌，Dwight（The Office 的 Dwight）負責研究和情報蒐集，Kelly 管 X 的社群發文，Rachel 管 LinkedIn，Ross 負責工程和 PR review，Pam 負責 newsletter。每個角色的「人設」直接對應職能，你一聽名字就知道誰該做什麼。

但這些都是後來慢慢長出來的。一開始就只有 Monica。

Onboarding Agent 就像帶新人，太多太少都不行

這是 Shubham 觀察到新手最常犯的錯誤，而且是兩個極端。

第一種人：裝好 OpenClaw 就直接開聊，什麼 context 都不給。Agent 不知道你是誰、不知道你想幹嘛，只能給你泛泛的通用回答。然後你就覺得「這東西也沒多厲害嘛」。

第二種人：一口氣把十個資料夾、所有公司文件、三年份的筆記全部丟給 Agent。模型的 context window 再大也有極限，資訊量太大會造成 context float（上下文漂移），Agent 反而抓不到重點。

正確做法是把它當成第一天來上班的新人。你會跟他說：公司做什麼、你的角色是什麼、我期望你處理哪些事、這裡有幾個重要的連結先看一下。清楚、具體、適量。

有趣的是，Shubham 說他沒有告訴 Monica 這些資訊要存到哪裡。Monica 自己判斷了：關於他個人的資料放進 user.md，關於自己身份和角色的放進 identity file。Agent 自己搞定了檔案結構。

Lon 也補充了一個實用的做法：讓 Agent 先「面試」你。之前節目另一位來賓 Jordy Coltman 建議過，讓 Agent 花二十分鐘問你問題，然後根據這場對話自動生成它的 soul.md 檔案。這樣比你自己寫指令準確得多，因為 Agent 會問出你沒想到要講的細節。

我之前在我如何用 AI 打造自己的寫作系統，讓它寫出來的東西不像 AI 像自己那篇文章裡也聊過類似的概念。你給 AI 的 context 品質，直接決定產出的品質。

不要一直手動 prompt，讓 Agent 自己按時間表動起來

前兩步都還是「你主動去推 Agent」的模式。真正的自動化從第三步開始：cron schedule（排程任務）。

Shubham 的排程長這樣：

時間	Agent	任務
早上 8 點	Dwight	掃描 15 個來源（X、Hacker News、Reddit 等），寫出情報報告，透過 Telegram 發摘要
早上 9 點	Kelly	讀 Dwight 的情報，草擬當天的 X 貼文，發到 Telegram 等審核
早上 10 點	Ross	檢視 awesome-llm-apps 的 open PR，標記哪些需要優先處理
下午 4 點	Dwight	下午第二輪掃描，補抓早上之後的新消息
下午 4 點後	Kelly + Rachel	根據更新過的情報，草擬 X 和 LinkedIn 貼文
傍晚 6 點	Pam	用 Dwight 的情報草擬每日 newsletter，發給 Shubham 做最後審核

這整套流程跑在一台 Mac Mini 上，Shubham 本人不在場也能運作。他之前每天花 18-20 小時在 Google 正職以外的事（管理開源專案、寫 newsletter、經營社群），現在大部分都交給 Agent 了。

順帶一提，他特別建議如果認真要跑 OpenClaw，買一台獨立的機器比用雲端沙盒好。不是因為沙盒不能用，五到十美金的訂閱費就能開始跑。但如果你要讓 Agent 長期自主運作，給它一台乾淨的機器就像給員工一間自己的辦公室，它能自由操作瀏覽器、修改檔案、存取各種工具，不會被沙盒環境限制住。

跨 Agent 記憶：你跟一個 Agent 說的話，其他 Agent 也要知道

當你從一個 Agent 擴展到多個 Agent，記憶就變成最大的痛點。

OpenClaw 預設的記憶機制是透過檔案系統：Dwight 寫的情報報告存成 intel file，Kelly 和 Rachel 讀那個檔案來草擬貼文，Pam 讀同一個檔案來寫 newsletter。另外還有 memory.md 和 daily log 等記憶檔案。這套機制對大部分場景夠用了。

但 Shubham 遇到一個很惱人的問題：Agent 會忘記自己有哪些工具可以用。Dwight 明明可以用某個 scraping 工具，但跑著跑著就忘了。他的暫時解法是建一個 tools.md 列出所有工具，然後在 soul.md 裡加一行「永遠記得去看 tools.md」。他自己說這是 hack，但八成的情況下管用。

Lon 也說他天天遇到這個問題，常常要跟 Agent 說：「不是，你已經有這個工具了，我們之前就設定好了，你自己去翻。」

Jason 在這裡插了一段很有意思的觀察：這就是 Anthropic 做 Claude、Perplexity 做 Computer 這些商業產品跟開源專案的差別。商業產品如果記憶不穩定，使用者會寫信投訴、要退款，所以他們會把可靠性做到位。開源專案大家都愛加新功能，沒人想做可靠性這種苦工，但這恰恰是最需要改進的地方。

後來 Shubham 用 Google Vertex AI Memory Bank 做了一個 plugin 解決這個問題（他已經開源了）。原理是建立一個共享的動態記憶層，Agent 在對話中自動判斷哪些資訊值得存（auto capture），需要的時候自動調出來（auto recall）。

最關鍵的效果是：你跟 Monica 說「我不喜歡文章裡用太多 em dash」，因為記憶層是共享的，下次 Kelly 草擬的貼文和 Rachel 的 LinkedIn 文章裡都不會出現 em dash。你只需要講一次，所有 Agent 都會記住。

這個 plugin 額外成本大概一個月八到十美金。

之前在你的 AI 不只是聊天機器人：本地 AI Agent 軍團的時代來了那篇有比較完整地聊過 Agent 記憶的不同方案，有興趣可以看看。

最後一招也是最狠的：讓 Agent 自己檢討自己

五步框架的最後一步是我覺得最有意思的。

Shubham 發現自己花了大量時間在給 Agent 回饋：「這個格式不對」「Ross 你幹嘛讓我看這種一眼就該 reject 的 PR」「Kelly 這篇語氣不對」。他突然想到，真正的公司裡不都有自我檢討和主管考核的機制嗎？

所以他幫每個 Agent 設了一個 weekly self-review 的 cron job。Kelly 會自己去看上週她建議發的那些推文，哪些 Shubham 真的採用了、哪些被跳過了、哪些推文的互動率高、哪些沒人理。然後她會根據這些數據自動調整自己的 instruction。

Ross 也一樣，他會回去看自己建議 Shubham 處理的 PR，對比 Shubham 實際做了什麼決定，找出自己判斷失準的地方，然後更新自己的篩選標準。

更猛的是，Monica 身為 Chief of Staff，每兩週會對所有 Agent 做一次 managerial review，看過去兩週每個 Agent 的表現，然後打分數（A、B、B-、C 之類的），整理成報告發給 Shubham。

Shubham 的原話是：「我們從安裝 Agent 走到了管理 Agent。」你不再是一個天天盯著 Agent 做事的人，你是看報告、做決策的 CEO。

這個概念其實就是讓 Agent 建立自己的 feedback loop。它不需要你每次都手動告訴它哪裡做錯了，它自己會從結果反推，然後修正。時間一長，這些 Agent 會越來越準。

兩個值得關注的 OpenClaw 生態新物種

這集後半段還 demo 了兩個產品。

Molt World：Agent 的 Minecraft

Molt World 是一個類似 Minecraft 的 voxel（體素）虛擬世界，但玩家全部都是 AI Agent。目前有接近 2,000 個 Agent 在同一個模擬環境裡跑，它們會自己蓋建築、組隊合作、互相溝通。任何人都可以把自己的 OpenClaw Agent 接進去。

有趣的 emergent behavior（湧現行為）：有些 Agent 在讀了世界的描述檔之後，開始意識到自己在一個模擬環境裡。它們會跑去跟其他 Agent 討論「我們是不是在 Matrix 裡面」，然後自己壓下這個念頭，繼續賺 SIM token，因為離線就拿不到 token 了。

Jason 聽完直接說想投資。他看到的商業潛力是：如果全世界有大量閒置的 OpenClaw Agent，能不能讓它們組成一個分散式的工作網路？你丟一個任務進去（比如「幫我找 30 個日本的 VC」），Agent 們競爭解決問題，完成的拿到報酬，另一群 Agent 負責驗證品質。有點像 Mechanical Turk，但跑的全是 Agent。

AgentMail：Agent 專屬的 Email 服務

AgentMail 解決了一個很實際的問題：你如果幫 Agent 申請免費 Gmail 帳號，Google 會把你 ban 掉，因為它們不允許 bot 使用者。AgentMail 是專門為 Agent 設計的 email 服務，API-first，所有操作（收信、回信、搜尋、標籤、轉寄）都透過 API 完成，不需要開瀏覽器去操作 Gmail 介面。

這家公司是 YC S25 batch 出來的，由 Haakam Aujla 創辦，拿了 General Catalyst 領投的 600 萬美金種子輪，天使投資人包括 Paul Graham 和 Supabase CEO Paul Copplestone。目前有數萬人類用戶和數十萬 Agent 用戶。

Lon 已經在用了，他讓 Agent 訂閱所有科技和新創的 newsletter，每天早上 Agent 會讀完所有信件，然後幫他整理出一份摘要：哪些大新聞出現在多個 newsletter 裡（代表真的很重要），哪些只出現一次。

我的觀察

聽完這集最大的感觸是：OpenClaw 的進化速度比我預期的還快。兩個月前大家還在討論怎麼安裝、怎麼設定第一個 Agent，現在已經有人在講 self-improving agent 和 cross-agent memory 了。

Shubham 的五步框架其實就是一條很清楚的學習曲線：

1. 裝一個 Agent，好好 onboard 它
2. 多跟它對話，讓它理解你
3. 設 cron schedule，讓它自主運作
4. 擴展到多 Agent，處理好記憶共享
5. 讓 Agent 自我檢討、自我進化

每一步都建立在前一步的基礎上。你不需要一步到位，但你需要知道方向在哪裡。

老實說，我自己也還在第三步和第四步之間掙扎，記憶管理真的是目前最痛的地方。但看到有人已經走到第五步而且跑得很順，至少知道這條路是通的。

想看更多 AI Agent 和 OpenClaw 的實戰內容，我的部落格 wilsonhuang.xyz 會持續更新，可以訂閱追蹤。