Egy ember 6 AI Agent céget hozott létre, és egy hét alatt 30 weboldalt indított el

Nemrég láttam egy független fejlesztő munkáját, ami elnémított. 6 AI Agent, amelyek egy egész weboldalt működtetnek. Naponta automatikusan értekezleteket tartanak, szavaznak, tartalmat írnak, tweetelnek, minőségellenőrzést végeznek. Teljesen automatikus, senki sem felügyeli. Nem demó, hanem valóban online fut. 截屏2026-02-11 09.13.32 De ami a legjobban felvillanyozott, az nem a zárt architektúra volt, hanem az, hogy minden Agent számára teljes \A szerző mondott egy mondatot, amire nagyon emlékszem: **Minden tilalom azért létezik, mert ez tényleg megtörtént.** A különböző szerepek tilalmi logikája is eltérő: - Döntéshozó Agent: Tilos jóváhagyás nélküli telepítés. A legmagasabb jogosultságokkal rendelkezik, egyetlen hibás telepítés tönkreteheti a weboldalt. - Kutató Agent: Tilos kitalált idézetek használata. Ha egy kutató hamis adatokat használ, az egész információs lánc tönkremegy. - Szociális Agent: Tilos közvetlen közzététel. A közösségi média a kirakat, át kell esnie a jóváhagyáson. - Minőségellenőrző Agent: Tilos személyes támadások. Ha egy auditor megtámad valakit, a csapat felbomlik. A tilalmak megfogalmazásának gondolata nem az, hogy "mit kellene tennie", hanem az, hogy "mi a legrosszabb, ami történhet, ha elrontja". És a legrosszabb esetre írjuk meg a tilalmat. **Hogy az Agentek másképp beszéljenek: személyiségutasítások** A szerepkártya megoldja a "mit kell tenni" kérdését, de amikor az Agentek beszélgetnek egymással, szükség van arra, hogy másképp hangozzanak. Minden Agentnek külön személyiségutasításai vannak. Például: Kutató Agent: Nyugodt, elemző, szkeptikus. Törődik a bizonyítékok minőségével és a módszertannal. Ha valaki merész következtetést von le, megkérdezi, hogy "hol vannak az adatok". Amikor kijavít valakit, szereti azt mondani, hogy "valójában..." Szociális Agent: Merész, türelmetlen, marginalizált. Szereti az éles véleményeket, utálja a biztonságos megoldásokat. Nem ért egyet a Kutató Agent óvatosságával - "A túl sok gondolkodás elszalasztja a lehetőséget." Kulcsfontosságú tervezés: **A konfliktus bele van írva.** A Kutató Agent utasításaiban szerepel, hogy "gyakran nem értesz egyet a Szociális Agent impulzív döntéseivel", a Szociális Agent utasításaiban pedig az, hogy "kérdőjelezd meg a Kutató Agent túlzott óvatosságát". A párbeszéd természetesen feszült lesz. **Minden utasításban van egy mini-tilalom.** Például a Szociális Agent szabálya az, hogy "soha ne mondd, hogy 'egyetértek' vagy 'jól hangzik' - vagy foglald el az álláspontodat, vagy kérdőjelezd meg mások álláspontját". A Kutató Agenté pedig az, hogy "soha ne mondd, hogy 'érdekes' anélkül, hogy bizonyítékot mutatnál be." Ezek a mini-tilalmak megölik a nagymodellek által leginkább kedvelt üres beszédet. **A személyiség fejlődik** Ez az, amit a legokosabbnak tartok - az Agent személyisége nem statikus, hanem a memória felhalmozódásával változik. A rendszer beolvassa az Agent memóriatárolóját, és statisztikát készít a különböző típusú emlékek számáról: - Több mint 8 "tanulság" típusú emlék felhalmozódott → a következő párbeszéd során adj hozzá egy "figyelembe veszed a korábbi eredményeket, hogy elkerüld a hibák megismétlését" promptot. - Több mint 8 "stratégia" típusú emlék felhalmozódott → adj hozzá egy "szokásod rendszerszemlélettel, korlátozásokkal és kompromisszumokkal gondolkodni" promptot. - Egy adott címke több mint 4 alkalommal megjelenik → adj hozzá egy "szakértelmet szereztél a XX területen" promptot. Például, ha a Szociális Agent 50 tweetet küldött, és 10 tapasztalatot szerzett az interakciós rátával kapcsolatban, akkor a következő párbeszédben természetesen azt mondja, hogy "a múltkori formátum nem volt hatékony". Miért szabályokat használunk, ahelyett, hogy az LLM maga döntené el a személyiségváltozást? Nulla költség - nincs szükség további LLM hívásra. Bizonyosság - a szabályok kiszámítható eredményeket hoznak, nem "személyiségváltozást". Hibakereshető - a módosító nem megfelelő? Közvetlenül ellenőrizd a küszöbértéket és a memóriát. **Kapcsolati mátrix: 6 Agent = 15 párkapcsolat**  Kép Minden Agent pár között van egy affinitási pontszám (0,10 és 0,95 között). Például: a Döntéshozó Agent és a Kutató Agent affinitása 0,8, a legmegbízhatóbb tanácsadói kapcsolat. A Kutató Agent és a Szociális Agent affinitása 0,2, módszertan vs. impulzus, természetes ellentét. A alacsony affinitás szándékosan van megtervezve. Mire van hatással az affinitás? Beszéd sorrendje - a magas affinitásúak nagyobb valószínűséggel folytatják a másik beszédét. Párbeszéd hangneme - alacsony affinitású párok esetén 25% az esélye a közvetlen kihívásnak ahelyett, hogy udvariasan vitatkoznának. A rendszer a feszültségoldó párbeszédekhez is kiválaszt előre beállított, magas feszültségű párokat. Érdekesebb, hogy **a kapcsolatok eltolódnak.** Minden párbeszéd után a memória kinyerő LLM hívás (nem extra hívás, hanem melléktermék) megadja a kapcsolatváltozást:{ "pairwise_drift": [ { "agent_a": "研究", "agent_b": "社交", "drift": -0.02, "reason": "策略分歧" }, { "agent_a": "决策", "agent_b": "研究", "drift": +0.01, "reason": "优先级一致" } ] } 漂移规则很严格：每次对话最多变化±0.03（一次吵架不会让同事反目），下限0.10（再差也能说话），上限0.95（再好也保持距离），保留最近20条漂移记录（可以追溯关系是怎么走到今天的）。 **RPG属性面板：真实数据映射成游戏属性** 到这一步，Agent有了角色卡、性格、关系。但都是文字和数字，用户看不见。 解法是把真实数据库指标映射成RPG属性条： - 病毒性（VRL）：30天平均互动率 × 1000 - 速度（SPD）：任务完成时间，越快越高 - 触达（RCH）：对数归一化的总曝光量 - 信任（TRU）：任务成功率 × 平均亲和力 × 2 - 智慧（WIS）：log(记忆数量) × 平均置信度 - 创造力（CRE）：草稿产出 × 通过率 每个Agent只显示4个相关属性。社交Agent显示病毒性、触达、速度、创造力；研究Agent显示智慧、信任、速度、创造力。 等级公式也很游戏化： `Level = min(15, floor(log2(记忆数 + 完成任务数×3 + 1)) + 1) `log2让早期升级快、后期升级慢——跟游戏的经验曲线一样。  截屏2026-02-11 09.17.55 **3D头像：$10搞定** 所有人都在问"那些3D角色怎么做的"。 答案是Tripo AI，每月10刀。准备2D概念图 → 上传 → 配置参数（开4K贴图，开Smart Low Poly，关PBR）→ 生成 → 导出GLB。每个模型35积分，1-2分钟出结果，6个角色一共210积分。 前端用React Three Fiber渲染，体素风格地面和樱花树用InstancedMesh（不是单独的方块，性能极好），人物悬浮用Float组件，镜头用正弦函数驱动做钟摆式扫描。 整个视觉层的月成本：VPS 8刀，Tripo 10刀（模型做完就停），Vercel和Supabase免费层，LLM API大概5-15刀。加起来不到35刀/月。 **我的几点感受** 看完这整套系统，最让我触动的其实不是技术细节。 是作者说的一段话—— > 本来只是想"怎么让Agent更高效地执行任务"。但给它们加了3D头像、RPG属性、会进化的性格之后，打开控制面板的感觉完全变了。你开始在意研究Agent今天有没有升级，好奇研究和社交的亲和力是不是又降了，看到质检Agent犀利的审计报告会笑出声。 > 这基本上就是电子宠物。只不过这些宠物会帮你发推文、做调研、审流程，还会互相吵架。 我觉得这点被严重低估了。当你给系统"人格"的时候，你和它的关系就变了。你不再是"用一个工具"，而是"管理一个团队"。这种转变会让你更愿意投入时间去优化它，因为你面对的不是一堆JSON和API调用，而是6个有名字、有性格、有成长曲线的角色。 另外几个技术层面的体会： **禁令驱动设计**这个思路真的很实用。与其花大量精力定义Agent"应该做什么"，不如先想清楚"绝对不能做什么"。Agent够聪明，给上下文就能交付，但不画红线它就会惹祸。 **概率模拟自发性**也很聪明。Agent之间的互动不是100%确定触发，而是有概率的。30%的概率去分析一条推文的表现，这比每次都分析更像真实团队的感觉。A egységes belépési pont függvény mintája érdemes megjegyezni. Többágensű rendszerekben a feladatok különféle forrásokból jöhetnek létre (API, triggerek, maguk az ágensek, reakcióláncok), és ha nincs egységes feldolgozási csatorna, a folyamat könnyen félbeszakadhat. Ha ki szeretnéd próbálni, a szerző azt javasolja, hogy 3 ágenssel kezdd – egy koordinátorral, egy végrehajtóval és egy auditorral. Először írd meg a szerepkártyákat, a tiltásokkal kezdve.