集群模式
集群模式不是把 AI 调聪明了，而是给它一套做事方式——让它像一支会按任务调整阵型的小团队：简单的它独力办，复杂的才拉人分工。
它是什么
打开集群模式，AI 不会马上张嘴就答。它会先看一遍你的需求、想清楚要做哪几步。任务能拆维度时它会同时启动多个角色并行干；产出含结论或代码时它还会自己再复核一遍。最后给你一份排好版的成品。
你看到的不是一段文字，是一个团队的工作过程。
它比普通模式多了什么
普通模式已经是个能搜资料、能用工具、能派子 Agent 的 agent；集群模式在它之上多了几道「必经动作」，把产出从「能用」拉到「可交付」。
| 维度 | 普通模式 | 集群模式 |
|---|---|---|
| 怎么动手 | 凭判断决定步骤，直接干 | 先发计划列清楚每一步再动 |
| 事实从哪来 | 可能凭模型已有知识答 | 关键事实强制上网核对 |
| 谁干活 | 默认主线做，特别复杂才拉人 | 能拆维度时默认拉人并行 |
| 复核机制 | 写完即交 | 含结论 / 代码 / 可执行建议时先自审才交 |
| 最终给你的 | 文字 / markdown | 走规范的网页 / 文档 / PPT 形态 |
用集群模式后你会感受到什么
看着它在干活，不再黑箱
聊天界面里会出现进度面板：它在做哪一步、做完了哪几步、还剩什么，一目了然。不是文字承诺「我会去做 X」，而是动态显示当前真实状态。
专业领域有「专业回答」
命中金融、行业调研这类被专门优化过的领域时，它知道要按什么口径看、要先确认主体再展开，不是哪个领域都用同一套套话。
交付物有「成品感」
简单一两句话能讲完的直接给文字回答；需要可视化产出的才走规范的网页 / 文档 / PPT 形态，去掉「一眼 AI 生成」的廉价感。
可分工时拉人并行
任务可以分维度时（比如「找资料 / 写正文 / 做配图」），同时启动多个角色并行处理，复杂任务等待时间显著缩短。
它擅长哪几类活
| 领域 | 典型问法 |
|---|---|
| 金融分析 | 「帮我看一下 XX 公司最新一期财报」「拉一份对标估值」 |
| 行业调研 | 「国内 AI 编程工具竞争格局」「动力电池回收行业前景」 |
| 深度阅读 / 综述 | 「把这篇论文讲清楚」「帮我读这 5 篇文章再综合一份」 |
| 长文档撰写 | 「按这份大纲写一份白皮书」「出一份内部 PPT」 |
🎁 什么时候不要用：随口问、单步答、闲聊——集群模式会启动一整套流程，杀鸡用牛刀反而慢。
实际用起来是什么样
同样是集群模式，按任务复杂度自动选阵型——撒大网调研可能 18 个角色协同，单公司估值 2 个角色（主 + 复核员）就够用。
案例 1 · 时效前沿综合：一周 Agent 圈新东西
输入「帮我盯一下最近一周 Agent 方向的新东西，综合一份能跟得上趋势的报告」：
- 派 18 个调研员分头干：1 个扫描员铺全景地图 → 7 个分头跑 7 个方向（产品观察 / 学术扫描 / 框架生态 / 中国生态 / 投资视角 / KOL 扫描 / 反对意见）→ 7 个深挖每个方向 → 主笔写稿、审稿员独立审、排版师出 HTML
- 审稿员实测挑出 71 个幽灵引用 + 5 处编号重复 + 3 处跨维度引用错配——这就是为什么数字你能放心用
- 产出约 2 万字、查了 140+ 个网页、含 6 条跨方向洞察的网页报告；43 分钟跑完，过程留下 21 份中间笔记可以回看
案例 2 · 金融分析：茅台财报 + 估值
输入「贵州茅台 2025 年报出来了，帮我看下核心财务指标变化，再判断下当前估值合不合理」：
- 2 个角色分工：主 agent 负责数据采集 → 全口径财报指标对比 → 白酒板块横向估值（vs 五粮液、洋河、汾酒、泸州老窖）→ 综合估值判断；复核员独立审稿
- 复核员挑出两层问题：数字层面（系列酒降幅「约 -11%」实际 -9.76% 等小数级偏差）；逻辑层面（质疑「合理 PE 20-23×」推导依据缺失，要求修正再发）
- 产出卖方 Research Note 风格的网页报告，含同业排名 + 估值结论；8 分钟跑完 · 复核回炉 · 数据全可追溯
案例 3 · 海外公司 earnings update 研报
输入「帮我做一份 Circle Internet Group (CRCL) Q4 2025 的 earnings update 研报」：
- 2 个角色协作：主 agent 数据收集（财报 + USDC 流通量 + 共识预期）→ Beat / Miss 分析 → 撰写 17 页 DOCX 研报；图表 worker 同步产出 10 张 PNG 图表
- 主 agent 复核时自查出 DOCX 引用文件名与实际文件不符，自己定位并修复后重新生成
- 产出含 10 张嵌入图表的 17 页 DOCX 研报；13 分钟跑完 · 复核自查并修复 · 全程可追溯
案例 4 · 量化代码 + 回测：MACD 沪深 300
输入「想试一下 MACD 金叉死叉的策略——用 Python 写一版，拿沪深 300 近三年回测，输出收益曲线和关键指标」：
- 3 个角色分工：主 agent 拉沪深 300 共 725 个交易日日线做标准数据集；量化员写回测引擎（EMA12 / EMA26 / DEA9 + 金叉死叉交易），跑出 32 笔交易 + 16 项指标；复核员用 Python 独立重写公式逐项对账，4 维度审计全部 PASS
- 唯一 WARN：首笔 -0.44% 是 EMA 初始化的噪声交易——也如实标出
- 诚实结论：MACD 策略累计 +12.51% vs 基准买入持有 +27.82%，跑输大盘（胜率 31.25%）——不粉饰、不美化
在哪打开
AutoClaw 主界面 → 聊天输入框右侧 → 点亮「Agent 集群模式」按钮，再发送你的需求即可。
💡 建议用法：把它当成「我要正经做一件事」时的入口——需要交付物的、有点复杂的、想要「对得起」的任务，打开它；随口闲聊关上它。
三步开始使用
- 在首页对话框底部点击「Agent 集群」。
- 选择一个示例任务，或直接输入自己的复杂需求；最好写清交付物、时间范围和判断标准。
- 发送后查看任务计划和各角色进度，等待主 Agent 汇总、复核并交付最终结果。
如果任务本身不能拆分，集群模式可能只启用少量角色，这是正常现象；角色数量由任务复杂度决定，不代表质量高低。
集群模式：完整操作路径
先点亮 Agent 集群，再选择案例或直接输入复杂需求；发送后即可查看任务计划和角色协作进度。
