給 Token，好辦事
語言型 Agent 和功能型 Agent 是不同物種——把需要影片的任務交給只會說話的 Agent，你只會一直等一個不夠好的輸出。
你有沒有試過讓 Agent 做一件本來要花兩小時的事，結果它給你的東西讓你花了四小時修？
不是 Agent 不聰明。是你把「需要影片的任務」給了「只能說話的 Agent」。你在要求一位文案寫手剪片。
很多人搭 Agent 系統的時候，腦子裡只有「哪個 LLM 比較聰明」。但 Agent 的世界遠不只是語言模型——語言型 Agent 和功能型 Agent 是不同物種，混著用沒有章法，你就會一直在等一個永遠不夠好的輸出。
你的 AgentBML 團隊，是 LLM Agent + 專項功能 Agent 的組合。老闆的工作，是知道哪種任務配哪種 Agent。
你的系統全速運作，是這個樣子
想像本週的內容產出流程——
你要測三個 Blog 方向。DeepSeek 跑三篇草稿，成本幾乎零。草稿出來，你花十分鐘選出最有潛力的，交給 Claude Code 做高品質定稿。同時，主視覺需要一張圖，ChatGPT Image 接手。背景音樂這週要一首輕量的，Suno 兩分鐘出一首。
整個週期你做了什麼？選方向、確認品質、做決定。
每個輸出都有對應的 Agent 負責，每個 Agent 在最適合它的任務上工作。
兩大類 Agent
語言型 Agent（LLM-based）：處理文字、分析、推理、策略。你的 AI CEO 屬於這類，Builder、Reporter、Measurer 也大多是。Token 是它們的燃料，Token 費率決定成本。
專項功能 Agent（Function-specific）：不靠 LLM 推理，靠專門訓練執行特定任務——生影片、生圖、生音樂。計算的是 GPU 時間或 API 呼叫次數。程式碼執行和瀏覽器操作，Claude Code 和 Codex 已經完整涵蓋。
語言型 Agent 的三層架構
按能力和成本分三層，根據任務複雜度配對：
第一層：開源模型。 成本極低，本機跑幾乎免費。適合高頻、重複、格式固定的任務：數據格式化、訊息分類、模板填充。量再大都不會失控。
第二層：經濟型模型（如 DeepSeek）。 比主流商業模型便宜 5 到 10 倍，中文能力強，是日常工作流的主力。寫草稿、初步分析、提供選項——需要判斷但不是最終決策的任務，這層夠用。
第三層：主力模型（Claude Code + Codex）。 你的 AI CEO 和核心執行的所在。複雜推理、關鍵策略決策、高品質輸出、整個 AgentBML 系統的協調。這裡不要省——但也只用在值得用的地方。
專項功能 Agent：你的創作與執行手
語言模型說得再好，做不出一支影片。
影片生成：開源模型（如 Wan、LTX 系列）本機部署成本低，適合大量生成測試素材；商業選項（Sora、Runway、Kling）品質更高但按秒計費，適合最終版本。
圖片生成：ChatGPT Image 品質強、指令理解精準，適合對外的關鍵視覺；Google 的圖像工具適合大量生成或 Google 生態系整合。
音樂與語音：Suno / Udio 生成完整歌曲，適合背景音樂和內容配樂；ElevenLabs 做語音合成，適合 Podcast、課程配音、影片旁白。
老闆的任務分配邏輯
這個任務需要語言、推理、程式碼、瀏覽器操作？
→ 是：語言型 Agent（按三層架構選模型）
→ 否：需要影片？ → 開源測試 / 商業出最終版
需要圖片？ → 高品質用 ChatGPT Image，批量用整合工具
需要音樂或語音？ → Suno / Udio / ElevenLabs
把這個邏輯寫進你的 Boss Engineering SOP，AI CEO 調兵的時候就有依據——不需要每次你來決定，系統根據任務類型自動配對。
開源優先的成本邏輯
一個對老闆有利的原則：測試和大量生成用開源，最終版本用商業。
BML 的 Build 環節，很多時候在生成大量測試素材——10 個 Blog 方向的草稿、5 種影片風格、20 個標題選項。這些用開源跑，成本幾乎為零。
Learn 環節確認了哪個方向有效，才把最終版本交給商業模型做高品質輸出。
你的商業 API 費用，集中在已經驗證有價值的內容上——而不是在無數個沒有結果的測試上燒錢。
今天的第一步
列出你的業務每週需要生產的所有類型的輸出：文字、圖片、影片、音頻、數據報告、程式碼……
對每一類問自己：現在是我自己做，還是已經有 Agent 在做？如果是自己做，哪類 Agent 能接手？
把這張清單帶到 Claude Code，讓它為每類任務推薦對應的工具——開源還是商業、哪個模型、大概的成本。
這張清單，就是你 AgentBML 團隊完整招募計劃的起點。