Eric Siu 是一家 revenue agent 公司加营销机构的创始人。他花时间在招聘、产品、服务、内容创作和帮团队提升 AI 能力上。过去雇过很棒的营销人，但这种人并不常见。
从 2 月开始死磕 OpenClaw，5 个月后，他想分享怎么用 Agent 增强Revenue 侧的工作。EA 或首席运营官的角色只是起点，真正的杠杆在于把 Agent 纳入团队架构。
当 Agent 和团队一起协作，你解锁的是以前做梦都不敢想的杠杆效应。
它一夜之间筛选候选人、写出并发送外展 campaign、监控全平台内容表现、在你打开电脑前给你一份早间简报。五个 AI Agent，每个有名字和分工，通过统一的 World Brain 共享记忆。系统每周都在变强，不需要他碰一下。
#从一个 Agent 到整个操作系统
Jack Dorsey 发的那篇「From Hierarchy to Intelligence」描述了 AI 原生组织的四层架构：Capabilities、World Model、Intelligence Layer、Surfaces。Eric 从 2 月就在跑一个版本的这个框架。理论和实践几乎完美对应，而差距本身才是有趣的部分。
硬件配置：
Mac Mini M4（32GB）跑 CEO Agent Alfred、定时任务（48 个每日 job）和消息路由。两台 DGX Spark GB10（128GB）跑本地推理，承载团队 Agent 托管和 World Brain 向量数据库。Mac Studio Ultra 跑客户 Agent 舰队和溢出计算。
从云端 API 端点切换到本地推理，成本直降约 70%。硬件几周就回本了。
#五个 Agent，各管一条业务线
大多数人会建一个 Agent 就停了。Eric 建了五个，每个对应一个业务职能。
Alfred 是 Chief of Staff，负责编排、优先级排序、确保没有事被遗漏。** Oracle** 跑 SEO 和数据分析，团队还专门为它建了 SEOClaw 来配合工作，它因为这个 Skill 每周都在变强。** Arrow** 处理销售管线（ inbound + outbound），直接和sales团队协同。** Cyborg** 负责招聘。** Flash** 做内容。
每个 Agent 有自己的 workspace、记忆文件和反馈循环。各自 lane 清晰，不踩踏。没有重叠，没有缺口。
#World Brain：组织智商的真正战场
在所有 Agent 之上，是 World Agent——组织的脑子，能看到一切并在 Agent 之间协调。当销售 Agent 需要知道能不能接新客户时，它查询的是和 SEO Agent 用来追踪交付物的同一个脑子。没人需要把这个问题路由给 Eric。
这就是 Dorsey 说的「world model」层，也是大多数人会低估的部分。
他们叫它 Single Brain ：一个统一的向量数据库，每 15 分钟摄入所有公司数据。
Slack 消息、CRM 记录、Gong 的通话记录、Google Analytics、Search Console 数据、客户交付物、会议笔记、财务数据——全部。
6,862 条 Gong 通话记录。每天摄入 Granola 会议笔记。每封邮件被分类、每个交易被追踪、每场会议被处理，结果持续反馈回这张图。
当销售 Agent 评估一个线索时，它看到的是全貌：营销表现、该垂直方向的过往客户成果、当前团队产能。它不只知道线索公司的规模，还知道我们是否真的能服务好他们。
#数据护城河无法快进
这个数据积累的方式是无法被快进的。六个月的持续摄入，创造出一个世界模型——竞争者要花好几个月才能复制。不是因为技术保密，是因为数据是专属的。这才是 Dorsey 描述的真正护城河，大多数读者会因为它听起来不如 AI 裁员新闻性感而错过它。
#自动改进环：每周都在变强
他们建了两套系统来做这件事。
AutoResearch ：对所有数据进行持续模式挖掘。第二个月，它发现了一个没人注意到的销售通话模式：潜在客户在通话前五分钟使用的某些关键词，与 3 倍更高的成交率相关。销售 Agent 自动开始优先处理这类线索。
AutoGrowth ：跑 A/B 实验。Arrow 在外展 campaign 上测试不同主题行、角度和发送时间。四周后，疑问句主题行表现优于陈述句 2.3 倍。这个洞察自动应用到下一批 campaign，不需要任何人记住或实施它。
另一半是 self-healing。一个 cron doctor 每天跑两次检查所有自动化 job：它失败了吗？为什么？能自己修复吗？过去两个月里，它在 Eric 注意到问题前就抓到了并修复了 broken jobs。
这是它超越任何个人助手构建的地方。
#销售 Agent：Arrow 怎么工作
Arrow 作为 inbound BDR，每天跑三次：早上 6 点、中午、下午 6 点。检查 HubSpot 新线索、丰富 firmographic 数据、打分、把线索卡发到 Slack 频道（带 approve/reject 按钮）。销售团队在打开 HubSpot 之前就能看到一条有上下文的 qualified lead。
外展侧：6,038 条线索加载到 5 个活跃 campaign 里。每个线索分配到一个变体，AI 管理序列、个性化和时机。
回复追踪每四小时跑一次。正面回复被标记并根据交易规模和地理位置路由给对的人。Account rollup 每个工作日跑七次，把 HubSpot、邮件互动、网站访问和内容互动的信号堆叠成每个账户的 hot/warm/cold 评分。
#内容工厂：Flash 怎么工作
X 趋势扫描每天跑两次。监控所在领域的 10 个关键账号、在五个主题领域跑广泛搜索、对每个趋势帖子按 0-100 打分（基于曝光量、互动率、收藏比和相关性）。
两周前，扫描器把 Dorsey 的「world intelligence」概念标记为趋势话题，相关度很高。Eric 当天下午就写了一篇把这个概念和他们实际构建的东西联系起来文章。
YouTube 竞品分析每周跑两次，覆盖 10 个竞品频道。检测异常视频、计算观看速度、建议应该覆盖的角度。如果竞品发了一条每天 45,000 次观看的视频，48 小时内就会知道。
播客内容自动摄入。转录稿被拆成内容原子，变成针对各平台的帖子草稿。一集播客变成六到八条内容，不需要任何人手动再创作。
数字：文章平均 12 万次观看。短帖平均 1.9 万次。6 倍乘数意味着 Flash 优先做长文草稿而不是短推文。
#招聘 Agent：Cyborg 怎么工作
Cyborg 在他睡觉时通宵筛选候选人。最近一次：8 小时筛出 4 个开放职位 50 个候选人，84% 在 SoCal（目标地区），76% 被标记为 HIGH priority（基于经验匹配、职位匹配和地理位置）。
每个候选人得到一份带评分理由的结构化画像。最优秀的进入 drip email campaign。回复检查每天跑两次。当有人正面回复时，根据资历高低标记优先级。
偏好模型从他的批准和拒绝中学习。如果他持续拒绝某个背景或公司类型的候选人，Cyborg 调整下一批。没人需要更新 brief 或重写筛选标准。
#早间简报和日历预览
每天下午 5 点，收到一份日历预览：明天的会议，附上从 HubSpot 拉的上下文、之前与参会者的 Gong 通话记录、以及与参会者相关的开放行动项。
早上 8 点收到早间简报：最高优先级、逾期任务、日历。
发现电话有特殊待遇：通话前有 HubSpot 交易上下文、之前与该公司的 Gong 记录、定制化的谈话要点；通话后提取下一步行动（带责任人和截止日期）。如果曾告诉潜在客户会发案例研究但两周没发，系统知道这件事。
#每个员工都在用 Agent，不只是 Eric
每周，AI fluency check-in 发到 Slack。每个人回复这周自动化了什么。回复按深度和质量打分，记录到电子表格并在 leaderboard 上展示。连续两周以上跳过的人被标记为 coaching 机会。
他们正在给每个团队成员部署个人 Agent（用 NemoClaw）。每个人获得一个根据角色配置的 Agent，有适当的数据访问权限，连接到同一个 Single Brain。销售团队拿到类似 Arrow 的能力，内容团队拿到类似 Flash 的能力。SEO 团队已经建了自己的 SEOClaw 来配合 Oracle 工作。
#六条规则保持系统稳定
LLM 处理判断，脚本处理其他一切。 确定性的东西放在 Python 里。当把确定性工作推给 LLM 时，它会以随机方式崩溃，你就失去了对系统的信任。
永远不要重复指令两次。 如果让 Agent 做某件事，而这件事还会再次出现，第一次手动做，第二次它应该已经是一个 Skill 文件或 Cron Job。每个请求要么被一次性处理，要么被永久自动化。
所有东西都要安全门。 每个处理外部内容的脚本经过入站安全扫描器。每个发送外部内容的脚本经过出站门。如果你在构建这个，第一天就要规划安全。他们没做到，应该第一天就做。
Self-healing 优于监控。 cron doctor 每天检查所有 48 个 job 两次。它读错误日志、诊断失败、自己修复能修的。目标：Eric 从不需要通过注意到缺少输出来发现失败。
平面文件优于数据库。 每条记忆、每个配置、每个状态文件都是可以打开阅读的 markdown 或 JSON 文件，没有抽象层。出问题时，30 秒内找到它。
数据积累的方式无法被快进。 这是 Eric 分享的真正洞见。不是因为技术秘密，而是因为六个月的数据护城河是真实且无法复制的。