自動化的 AgentBML 團隊
系統要能自己學習，關鍵是多一條閉合回路——Learn Agent 直接把結構化建議交給 PM 執行，不需要你進來確認。
有了 AI CEO 和 PM，下一個問題是：
它們實際怎麼運作？誰在什麼時間做什麼？資訊怎麼流動？
這不是理論問題——如果你說不清楚每個角色每天的具體動作，這個系統就只存在於想像裡。
這章把它說清楚。
CH08 的四個角色，CH09 加了什麼
CH08 介紹了 Builder、Measurer、Reporter、Executor。
CH09 的自動化 AgentBML，不是換了新角色，是多了一條閉合回路：
CH08 的 Reporter，產出給你看的報告——你讀，你決定，你更新。
CH09 的 Learn Agent，產出給 PM（Codex）執行的結構化建議——Codex 接到，評估，調整下一輪 Build 的參數。不需要你進來。
這條回路閉合了，系統才開始自己學習。
N 個並行循環，各自獨立
每個循環都是完整的：
Build Agent → 在當前參數下產出
↓
Measure Agent → 自動收集數據
↓
Learn Agent → 分析數據
→ 即時輸出結構化建議給 PM
→ 只影響自己這個循環
每個循環獨立跑，各自學習，各自調整。PM 分開管理，不讓一個循環的失敗影響其他循環。
PM（Codex）的每日工作
① 接收 Learn Agent 的即時建議，調整對應循環。
BML #3 的 Learn Agent 說：「這篇文章開頭沒有具體數字，停留時間低於標準。」Codex 更新 BML #3 的下一輪參數：「下一篇第一段必須含至少一個具體數字。」只影響 #3，其他循環照原樣跑。
② 每天彙整 N 個循環的結果，送給 AI CEO。
不是丟原始數據，是整理成能快速判斷的格式：
BML #1：流量上升 23%，Learn Agent 標記「標題公式有效」
BML #2：轉換率下降，標記「CTA 位置問題」
BML #3：無明顯信號，持續觀察
BML #4：停留時間最高，建議「加碼這個方向」
③ 接收 AI CEO 的指令，執行調整。
「加碼 #4，暫停 #3，重新設計 #2 的假設。」Codex 接到，執行。
AI CEO（Claude Code）的每日工作
AI CEO 不管循環細節。它只做一件事：讀 Codex 的彙整報告，做出跨循環的 Harness 決策。
它看的是跨 N 個循環的比較視角——BML #4 有效，為什麼？#1 和 #4 有什麼共同點？這個共同點，值不值得寫進所有循環的執行環境？
這種跨循環的洞察，個別 Learn Agent 看不到——每個 Learn Agent 只看自己的循環。只有 AI CEO 同時看 N 份報告，才能找到跨循環的模式。
找到有效模式，AI CEO 更新 AGENTS.md——這個更新影響所有循環，讓整體系統受益。
一天的完整資訊流
早上：N 個循環的 Build Agent 開始產出
↓
Measure Agent 自動收集數據（Scheduled Tasks）
↓
Learn Agent 分析 → 即時建議給 Codex
↓
Codex 調整對應循環的下一輪參數
傍晚：Codex 彙整當日成果 → 送 AI CEO
↓
AI CEO 讀報告 → 做出 Harness 決策
↓
指令給 Codex → 執行具體調整
↓
有效模式 → 更新 AGENTS.md（所有循環下一輪受益）
你的角色：每週看一份成績單，做一個方向決定。
今天的第一步
在 Claude Code 裡輸入：
「請幫我設計一個 3 個並行 BML 循環的自動化架構。我的業務是 [描述]，想同時測試的三個方向是：（1）[方向一]；（2）[方向二]；（3）[方向三]。請給我：每個循環的 Build / Measure / Learn 分工、Learn Agent 回傳什麼格式的建議給 Codex、Codex 每天彙整哪些數字。」
從 3 個並行循環開始，不要直接跳到 N 個。
系統跑通了，再擴張。