AI Agent 团队实际交付了什么：7 个用例、21 篇博客、5 个智能合约
我一直在构建自主 AI Agent 团队，它们接收一个方向指令，然后将产品交付到生产环境。不是演示，不是玩具示例。而是包含已部署合约、上线前端、已发布研究报告和双语博客系列的完整产品。
以下是不同团队配置的实际产出。
用例 1：全栈产品开发
团队： 11 个 Agent（Team Lead、PM、Architect、Frontend Dev、Backend Dev、Smart Contract Dev、QA、DevOps、Mobile Dev、Marketing、Content Publisher）
输入： “使用 LayerZero V2 构建跨链 ERC20 代币桥”
产出：
- 5 个智能合约部署在 4 个测试网（Sepolia、Arbitrum Sepolia、Base Sepolia、Optimism Sepolia）
- React 前端上线：bridge-app-erc.pages.dev
- 12 条跨链桥接路径，全部无需信任，支持多 DVN 验证
- 开源仓库：github.com/gnuser/brg-bridge
- 9 篇博客文章，涵盖架构、消息生命周期、DVN 安全、OFT 代币桥接、组合消息和开发者踩坑指南
工作原理： Team Lead 接收产品方向，派发 PM 做市场调研、Architect 做技术调研，然后编排 6 个阶段 — 从规格编写到部署。Agent 通过邮箱文件通信，各自拥有特定目录，Team Lead 通过审批关卡把控进度。
关键洞察： 最难的部分不是写代码，而是 LayerZero V2 测试网行为与文档不一致。Agent 团队发现 Type 3 options 在未配置 ULN 的测试网上不可用，LZ Scan 不索引小型项目，必须通过链上提取 OFTSent 事件中的 GUID 来验证交付。所有经验都被持久化到 Agent 记忆文件中，供后续使用。
用例 2：协议与市场研究
团队： 4 个 Agent（Lead Researcher、Protocol Analyst、Market Analyst、Content Writer）
输入： ./launcher.sh "OpenClaw" — 研究一个开源 AI Agent 框架
产出：
- 协议分析报告：架构、消息流、Agent 生命周期
- 市场分析报告：竞争格局、采用指标、定位
- 综合研究简报及执行摘要
- 双语博客（EN + CN）发布至 cryptocj.org
工作原理： Lead Researcher 确定研究主题后，并行派发 Protocol Analyst 和 Market Analyst。每个 Analyst 写入各自拥有的输出文件。Lead 交叉审核两份报告，综合形成简报，触发审批关卡。审批通过后，Content Writer 生成双语博客。
关键洞察： Protocol 和 Market 分析师并行运行大幅缩短了研究时间。交叉审核环节能捕获矛盾 — 例如市场分析师将采用率评为"早期阶段"，但协议分析师发现了 161 个生产级 gateway 文件，表明成熟度超出预期。
用例 3：深度代码分析
团队： 5 个 Agent（Lead Researcher、Architecture Analyst、Quality Analyst、Security Analyst、Content Writer）
输入： ./launcher.sh "openclaw/openclaw" — 深度分析一个 GitHub 仓库
产出：
- 架构分析：模块图、设计模式、依赖分析、构建系统、API 表面
- 质量分析：测试覆盖率、错误处理、代码异味、文档质量
- 安全分析：漏洞扫描、认证模式、加密使用、供应链审查
- 综合简报，按严重程度分级
- 12 篇博客文章（2 个系列 × 3 部分 × 中英文）发布至 cryptocj.org
- 2 个 SVG 架构图
工作原理： Stage 0 通过 gh repo clone 克隆仓库（自动处理认证）。Stage 1 并行派发 3 个分析师 — Architecture、Quality 和 Security — 每个都使用 Read、Glob、Grep 阅读实际代码，运行 cloc、cargo audit/npm audit，检查 git 历史。Stage 2 综合。Stage 3 发布。
关键洞察： Security Analyst 发现 OpenClaw 实现了两阶段符号链接检测来防止 Docker 沙箱逃逸 — 这是大多数沙箱都跳过的。Architecture Analyst 映射了 8 层路由引擎。Quality Analyst 发现了 13 步 hook 管道。这些发现都无法通过表面分析获得。你需要真正阅读每个文件的 Agent。
用例 4：带架构图的技术研究
团队： ai-team 以 --research 模式运行（PM + Architect + Team Lead）
输入： ./launcher.sh --research "LayerZero V2"
产出：
- 3 份研究报告（技术研究、市场研究、综合简报）
- 6 个 SVG 架构图，覆盖整个协议
- 7 篇博客文章（6 部分深度系列 + 中英文总结文章）
工作原理： --research 标志仅运行 Stage 0 — PM 做市场调研，Architect 做技术调研。Team Lead 综合简报，获得审批后，Content Publisher 编写博客系列。每个部分都有独立的 SVG 架构图。
关键洞察： 6 个 SVG 架构图是最有价值的产出。它们成为后续桥接开发的可复用参考。先研究后开发是一个强大的模式 — Agent 在编写第一行合约代码之前就发现了 LayerZero 的各种陷阱。
用例 5：Agent 团队脚手架
工具： agent-team CLI，仓库：github.com/gnuser/agent-team
输入： agent-team create my-project --preset fullstack-web3
产出： 一个完整的 Agent 团队项目，包含：
- Agent 定义（
.claude/agents/*.md） - 角色专属技能（
.claude/skills/roles/*.md） - 通用技能（阶段感知、交接协议、团队通信）
- 带 tmux 集成的启动脚本
- 线程日志基础设施
- 记忆系统（
global.md+ 按角色的记忆文件）
可用预设： fullstack-web3、fullstack-web、fullstack-node、research、code-research、mobile、minimal
关键洞察： 本文描述的每个团队都是从模板生成的。脚手架工具捕获了有效的模式 — 阶段关卡、文件所有权、邮箱通信、线程日志 — 让新团队从经过实战检验的基础设施开始。
用例 6：核心流程追踪
团队： 4 个并行研究 Agent + Content Writer（临时组建）
输入： “深度分析 OpenClaw 的核心流程”
产出：
- 3 部分"核心流程"博客系列（中英文 = 6 篇文章）
- 逐函数的完整消息路径分析
- SVG 图：gateway → 路由 → agent 循环 → 工具 → 记忆 → hooks
追踪的内容：
- WebSocket 握手 →
chat.send→dispatchInboundMessage()（Gateway） - 8 层路由 → MsgContext 规范化 → 双重循环状态机（Agent 运行时）
- Docker 沙箱执行 → SSRF 防护 → 混合记忆搜索 → 13 步 hook 管道（工具与记忆）
关键洞察： 四个研究 Agent 并行运行，各自追踪不同子系统。Gateway Agent、路由 Agent、Agent 运行时 Agent、工具/记忆 Agent 同时阅读实际源代码。结果交叉引用后构建出连贯的端到端追踪 — 从 WhatsApp webhook 到 WebSocket 广播。
用例 7：开源仓库
产出： github.com/gnuser/brg-bridge
桥接项目从 ai-team 工作区提取为独立的开源仓库，附带架构图和清晰的文档。这证明了 Agent 构建的代码质量足以开源。
数据一览
| 指标 | 数量 |
|---|---|
| 已发布博客文章 | 21 |
| SVG 架构图 | 19 |
| 研究报告 | 10 |
| 已部署智能合约 | 5 |
| 上线前端应用 | 1 |
| Agent 定义数量 | 29 |
| Agent 团队配置 | 4 |
| 博客语言 | 2（中/英） |
| 部署测试网 | 4 |
| 开源仓库 | 2 |
为什么能行
阶段关卡。 每个团队按编号阶段推进，设有审批关卡。没有 Agent 可以跳过阶段。这防止了"AI 失控"的故障模式。
文件所有权。 每个 Agent 拥有特定的文件和目录。跨边界编辑需要显式协调。这防止了合并冲突，确保了责任明确。
并行执行。 研究 Agent、分析师和开发者在 tmux 窗格中同时运行。典型的研究运行并行派发 2-3 个 Agent，显著缩短实际耗时。
记忆持久化。 经验教训被写入 .claude/memory/ 文件。当 Agent 发现 LayerZero Type 3 options 在测试网不可用时，这个知识会跨会话保留。
线程日志。 每次 Agent 交互都以 JSONL 格式记录。出问题时，可以精确追踪发生了什么、每个 Agent 做了什么决定、以及为什么。
所有团队基于 Claude Code 和 agent-team 脚手架工具构建。源码：github.com/gnuser/agent-team。博客：cryptocj.org。