给 AI 智能体配专属调度员，用户日常使用精力降 80%

开发者 Victor Wu 近期分享了自己的多智能体使用经验，称这套方法把日常跟进智能体的精力降低了 80%，不用再被智能体的执行进度牵着走。

第一招是给智能体配一个专属调度 leader。基于 herdr core 框架，用户只需要和 leader 对话，由 leader 负责任务调度、思考和传话，具体执行交给 worker 智能体。和 deepseek harness 认为 leader 只是传话角色不同，Victor 强调 leader 必须能翻译人类需求、判断 worker 输出并做决策，不能用低智能模型。

实践中 Victor 还建议，最好列个清单或者直接告诉 leader 每个 worker 的职责，避免 leader 沦为单纯的传声筒。这种 worker 之间互通状态的设计，和早期 cc agent team 的思路类似。也可以用 Matt 的 skill 或者在 herdr 里自建 mod，随时掌握每个 worker 的状态和任务。

因为 leader 是一个永不关闭的窗口，不用担心上下文压缩问题——Claude Code TUI 自带一小时不用就自动压缩的机制。这套思路和 Claude Code 的 project 模式类似，但借由 herdr core 可以适配任意模型。

第二招是以结果为导向，用控制论做自动优化。简单说就是给智能体一个可量化、可验证的目标，让它按照「假设-执行-验证-修改变量」的循环自主推进。Victor 个人用卡帕斯的 auto-research 方法驱动，还会额外加 A/B 测试：先做出几个版本，挑一到两个做 auto-research 优化。

人在这个流程里的角色是最终裁决者。智能体先对评估结果做一轮裁决，人再做终审判决，对结果做出决策并解释原因，整理成 ADR（架构决策记录）留作日后参考。Victor 提醒，如果不做这一步，智能体会反复在同一个问题上出错。

第三招是直接用 Claude Code。Victor 表示他们用的是 Opus、Fable 模型，如果用的是 Sol、Astra 这类模型效果不好，问题出在模型本身。