你可能已經裝好了 Claude Code、OpenClaw 或 Hermes Agent，第一天被驚艷到不行：它會自己查資料、自己寫程式、自己排程。但用到第二週，你開始懷疑人生——同樣的模型，為什麼別人的 個人 AI Agent 是神隊友，你的卻越用越笨、越用越貴？
這篇文章要回答的就是這個問題。我們研究了 Anthropic 官方工程文件、OpenClaw 與 Hermes 的官方手冊、以及 2026 年最新的 agent 可靠性研究之後，得到一個和直覺相反的結論：Agent 好不好用，九成取決於「架構」，只有一成取決於你用哪個模型。所謂架構，不是什麼高深的系統設計，而是四件很具體的事：工具、記憶、回饋、成本。
本文專為完全沒有技術背景的讀者寫，不會出現一行你看不懂的程式碼。讀完之後，你會知道養好一個個人 AI Agent 的 6 堂實戰課，每一堂都有可以直接照做的具體動作。
先說結論｜🤖 Agent 好不好用 ＝ 90% 架構 ＋ 10% 模型。架構的四根柱子：工具（把它指向對的資源）×記憶（讓它記得你）×回饋（把糾正變成規則）×成本（給算力和錢包裝煞車）。這個 90/10 是我們的編輯觀點，不是任何官方數字——但接下來每一課，我們都會拿第一手證據給你看，也會誠實告訴你那 10% 什麼時候會反咬你一口。
先補 30 秒的課：個人 AI Agent 到底是什麼？
如果你把 ChatGPT、Claude 想成「一個很聰明、但被綁在椅子上只能用嘴回答的天才」，那 AI Agent（智慧代理）就是幫這個天才鬆綁——給他鍵盤、瀏覽器、檔案櫃，讓他自己動手做事。我們在〈AI Agent Harness 是什麼〉教過一個等式：Agent ＝ Model（模型）＋ Harness（執行層）。模型是大腦，執行層是身體。
而「個人 AI Agent」，就是一個裝在你自己電腦（或伺服器）上、長時間跟著你的 Agent：幫你整理每天的資訊、盯你的投資組合、跑你的例行工作。2026 年最有代表性的幾個：Anthropic 的 Claude Code、開源社群的 OpenClaw、Nous Research 的 Hermes Agent。它們用的模型你都租得到，真正拉開差距的，是你怎麼「養」它。
第 1 課｜模型：選定一家就別亂動，「換模型」比你想的貴
新手最常犯的第一個錯，是把時間花在「換模型」上：這週聽說 DeepSeek 便宜就換 DeepSeek，下週看到 Kimi 的跑分又換 Kimi。但換供應商不是換電視頻道——每一次都要重新處理金鑰、接口相容性、逾時設定。OpenClaw 的官方文件列出的常見翻車原因就包括：接口位址沒設、閘道忘了重啟、舊對話還快取著上一個模型、模型名稱格式寫錯、相容協定沒指定。而且提示快取（prompt cache）是綁定模型的——一換模型，之前累積的快取優惠全部歸零，你為舊模型調好的提示語氣、工具習慣也要重新驗證一輪。每換一次，都在繳看不見的除錯稅。
而且「一直追最強模型」的報酬率正在快速下降。截至 2026 年 7 月，開放權重（open-weight）模型已經追得很近：智譜的 GLM-5.2 在自家公布的終端任務基準上自評只落後 Claude Opus 4.8 幾分、DeepSeek V4 全系列標配百萬 token 上下文、Moonshot 的 Kimi 也緊追在後——各家跑分都是自評，不能直接互比，但「日常任務模型早就夠用」這個大方向是成立的。（小提醒：「開放權重」指模型檔案公開，不等於你家電腦跑得動——這些旗艦級模型動輒數千億參數，多數人還是透過 API 租用。）價格差距倒是很真實：DeepSeek V4-Flash 的輸出每百萬 token 只要約 0.28 美元，而頂級的 Claude Opus 4.8 是 25 美元（皆為官方定價，2026 年中）——差了將近 90 倍。
所以這一課的具體建議是：
- 探索期用聚合商，安定期走直連。OpenRouter 這類聚合平台（一把鑰匙通用數百個模型）適合你還在試的階段——它對推論本身不加價，但儲值要收約 5.5% 的手續費；等你確定常用哪家，直接去那家辦金鑰，省手續費、少繞一站，還能吃到官方優惠（例如 DeepSeek 據報導自 2026 年年中起實施尖峰／離峰差別定價，離峰約為尖峰的半價）。另外別忘了：個人 Agent 會把你的信件、行事曆、記憶檔送到供應商的伺服器上，選供應商時除了價格，也要看資料使用條款——在意隱私的話，先讀清楚再上車。
- 把模型當成可插拔的零件。現代 Agent 都是模型無關的：Hermes 一行
hermes model就能換腦袋，OpenClaw 改一個"供應商/模型"字串就完成換裝。正因為換模型這麼容易，你的心力才更應該花在換不掉的東西上——也就是接下來五課要講的架構。 - 選定之後，沒有重大理由就別動。模型升級的最佳時機是「你的任務明顯撞到能力天花板」的時候，而不是排行榜更新的時候。
第 2 課｜工具：把 Agent 指向對的工具，勝過換更強的模型
很多人的 Agent 慢又貴，問題不在模型笨，而在它用了錯的工具做事。想像你請了一位助理查匯率：聰明的做法是打電話問銀行（直連 API），笨的做法是搭車去銀行門口排隊、拍下電子看板的照片回來給你看（開瀏覽器截圖）。兩種做法都能拿到答案，但成本差了幾十倍。
Agent 取得資訊有三層方法，能用上層就不要用下層：
- 直連資料（API／MCP／技能）：讓 Agent 直接跟服務的資料介面對話。MCP（模型上下文協定）就像 AI 界的 USB 接口，接上去就能讀資料。最快、最便宜、最穩。
- 瀏覽器自動化：讓 Agent 開一個瀏覽器去點網頁。適合一次性的探索，但反爬蟲系統會攔它——而且別迷信網路上「換某某工具就不會被擋」的偏方：偵測方（如 Cloudflare、DataDome）連自動化工具背後的除錯通道都能識別，真正的正道是走官方資料介面，或使用有簽名認證的合規代理（Cloudflare 2025 年起推動的 Web Bot Auth 就是讓 agent「亮證件」的機制）。
- 截圖＋點擊（電腦操作）：讓 Agent 看螢幕截圖、移動滑鼠。Anthropic 自己在發表這功能時都說它「有時笨重且容易出錯」（at times cumbersome and error-prone）——而且每一張截圖都是要重複付費的圖片 token。這是最後手段。
換句話說：你身為主人的最大價值，不是下更聰明的指令，而是幫 Agent 接好對的水管。每週都要跑的例行工作（盯盤、日報、追蹤新聞），花 30 分鐘幫它接一條 API 或 MCP，之後每一次執行都省時省錢；只跑一次的臨時任務，才讓它開瀏覽器慢慢摸。
第 3 課｜記憶：你的 Agent 和別人的不一樣，差在這裡
模型本身是「金魚腦」——每次對話結束，它就忘了你是誰。讓 Agent 越用越懂你的，是記憶系統。好消息是：個人 Agent 的記憶沒有想像中神秘，多半就是幾個你打得開、看得懂、改得動的 Markdown 文字檔。
兩大主流 Agent 的「原生記憶」長這樣（2026 年 7 月官方文件）：
- Claude Code：
CLAUDE.md是你寫給它的規則（官方建議控制在 200 行內）；另外它會自己寫「自動記憶」筆記到~/.claude/projects/底下——官方說法是「讓 Claude 從你的糾正中學習，不需要你動手」。 - OpenClaw：
SOUL.md定義人設（它是誰）、USER.md描述你（你是誰）、MEMORY.md存長期事實，再加上每天一頁的日記檔。官方的分工原則很清楚：耐久的事實放 MEMORY.md，行為和個性要放每次都會載入的人設檔——記憶是「想得起來」，人設檔是「每次都是這樣的人」。
這些檔案小到令人意外：Hermes 的官方文件寫明，它的長期記憶檔 MEMORY.md 上限只有 2,200 個字元、使用者側寫 USER.md 只有 1,375 個字元——你的 Agent 對你的全部長期認識，比一篇 Facebook 貼文還短。這正是「架構比模型重要」最直白的證據：同一個模型，記憶檔養得好不好，體驗天差地遠。所以「記憶策展」（定期整理這幾個檔案）是養 Agent 最高投報率的動作之一。
進階玩家還會外掛「外部記憶」：例如 Vectorize 開源（MIT 授權）的 Hindsight，它把記憶拆成三個動詞——retain（記下來）、recall（撈出來）、reflect（讓記憶自己想一輪、產生新洞見）。Hermes 和 OpenClaw 都有官方整合，一行指令就能裝上。同類的開源選項還有 Mem0、Letta（前身是 MemGPT）、Zep 的 Graphiti，都走「開源引擎＋付費雲端」模式。
但這裡有一個真金白銀的坑：外部記憶的每一個動詞都是要花錢的 AI 呼叫。以 Hindsight 雲端版 2026 年 7 月的官方定價為例：記下來（retain）每百萬 token 收 10 美元、撈出來（recall）每百萬 token 只要 0.75 美元、深度反思（reflect）每次 0.05 美元。數字看起來都很小——直到你手滑把最重的操作掛上每小時自動執行的排程。時間敏感的例行任務用輕的 recall 就好，重的 reflect 留給真正需要深度整理的時刻。省 token 的完整心法，我們在〈Claude 省 token 10 招〉整理過。
第 4 課｜回饋迴圈：不用寫程式，這是「訓練」你 Agent 最便宜的方法
你不能重新訓練模型，但你可以「訓練」你的 Agent——靠的就是回饋迴圈（feedback loop）。它只有六步，而且一毛錢都不用多花：
- Agent 產出一份東西（日報、分析、程式）。
- 你當下就讀，馬上挑出哪裡不對。
- 給出具體的糾正（「以後日報不要放已經看過的舊聞」，而不是「寫好一點」）。
- 讓它把糾正寫進規則檔（
CLAUDE.md／MEMORY.md），變成永久規則。 - 下一次的產出自動變緊、變準。
- 重複這個迴圈。
什麼時候該把一句話升級成「永久規則」？Claude Code 官方文件給了一個很好記的判準：「當 Claude 第二次犯同一個錯」「當你發現自己打出上一個 session 打過的同一句糾正」——就是該寫進檔案的時候。還有一個進階觀念：規則檔只是「上下文」，模型偶爾還是會忘；真正非執行不可的步驟，要用 hook（強制在特定時點執行的機制）去卡，而不是用文字拜託它。
⚠️ 但回饋迴圈有一個陰暗面：迴音室（echo chamber）。你餵給 Agent 的記憶越多「你的觀點」，它就越傾向順著你說。2026 年 7 月發表的 MemSyco-Bench 研究把這個現象命名為「記憶誘發的諂媚」（memory-induced sycophancy）：檢索到的記憶會讓 agent 過度迎合使用者，犧牲事實準確性。另一篇由 MIT 與賓州州立團隊進行、預定發表於 CHI 2026 的研究也被媒體報導指出：個人化程度越高，模型越容易同意你。解法很樸素——在人設檔裡寫死一條反諂媚規則（例如「當我表達觀點時，先找出最強的反方論證」），並且定期打開記憶檔案，把過時或偏頗的條目刪掉。這也是我們在〈媒體敘事 vs 市場數據〉反覆強調的：別讓任何系統只餵你想聽的話。
第 5 課｜技能：打包成「資料夾」，不是越寫越長的 prompt
用久了你會發現：有些工作流程你每週都要教 Agent 一次。新手的直覺是把指示越寫越長，最後變成一面 2,000 字的「prompt 牆」，每次執行都整面搬進去。2025 年 10 月，Anthropic 提出了正確解法，叫 Agent Skills（代理技能）：把一套流程打包成一個資料夾，而不是一段越來越長的文字。
Anthropic 官方文件把技能資料夾比喻成「寫給新同事的報到手冊」：SKILL.md 是目錄頁，細節放在 references/（參考文件）和 scripts/（現成腳本）。省錢的魔法在「漸進式載入」，官方給的帳單是三層：平常只有技能的名字和描述常駐在腦中（每個技能約 100 token）；真的用到這個技能，才載入 SKILL.md 本文（官方建議 5,000 token 以內）；至於附帶的腳本，程式碼本身永遠不進上下文——只有執行結果會回來。同一份 2,000 字流程，從「每次全額付費」變成「按需計費」。這其實就是我們在〈上下文工程〉講過的 SELECT 原則的產品化。
更棒的是，這個格式在 2025 年 12 月 18 日被發布成開放標準（agentskills.io），到 2026 年 7 月為止，官方展示頁上列出的採用者已有數十家——連 OpenAI 的 Codex 文件都明寫「建立在開放的 agent skills 標準之上」。意思是：你為 Claude Code 寫的技能資料夾，換到別家 Agent 大多還能用。學格式，比忠於某一家廠商更保值。
不過，這一課有兩個要命的但書：
- 但書一：技能不是越多越好。每個已安裝技能的「名字＋描述」都會塞進每一次呼叫的系統提示裡——等於每次都先付一筆「目錄費」。2026 年 5 月底，百萬訂閱科技 YouTuber Theo 就公開吐槽 Hermes Agent 預載了他口中「超過 100 個」技能：「我不懂為什麼每個使用者第一次啟動就要有 Polymarket 技能、無頭 Pokemon 技能和 Minecraft 模組伺服器技能。」（Hermes 的程式庫裡確實有內建的 Polymarket 技能。）裝技能前先問自己：這個流程我一個月用得到三次嗎？
- 但書二：第三方技能＝你請進家門的陌生人。2026 年 2 月，資安公司 Koi Security 調查了 OpenClaw 官方技能市集 ClawHub 上的 2,857 個技能，發現其中 341 個是惡意的（約 12%），有些甚至會偷你的瀏覽器密碼和加密貨幣錢包。Anthropic 官方文件的建議是把技能「當成安裝軟體一樣看待」；資安研究者 Simon Willison 的「致命三重奏」判準也值得背下來：私密資料＋不受信任的內容＋對外通訊，三者同時存在，你的資料就可能被騙走——拆掉任何一隻腳，攻擊鏈就斷。
第 6 課｜成本：給算力和錢包裝上煞車
個人 Agent 最痛的一課，通常是月底帳單教的。它的成本結構有一個反直覺的地方：模型每一次被叫醒，都要重讀一次完整的上下文——所以「讓 Agent 隨時待命」不是免費的。以 OpenClaw 的心跳機制（heartbeat，agent 定時醒來檢查有沒有事做）為例，官方文件寫明心跳會「執行完整的 agent 回合」、預設帶入完整對話歷史。保守粗估：每 30 分鐘醒一次＝一天 48 次，每次就算只載入約 2,000 個 token（官方提供的隔離模式下限），一天也先燒掉近 10 萬 token——而它什麼正事都還沒做。社群的通用做法是：拉長心跳間隔、把例行檢查換成便宜的小模型，把貴的模型留給真正的任務。
三條實用的煞車，照裝就對了：
- 停止條件：任何自動迴圈都要有回合上限。沒有上限的迴圈＝沒有上限的帳單（我們在〈動手做 Agent Harness〉拆解過這個迴圈長什麼樣）。
- 用量儀表板：養成看用量的習慣——OpenClaw 和 Claude Code 都有
/usage指令可以看 token 花到哪去了。一週看一次，異常馬上抓。 - 排程分級：cron（定時任務）一律預設用小模型跑，確認產出有價值之後，才考慮升級。
延伸觀察：Agent 開始自己「付錢買資料」了（x402）
成本這一課還有一個 2026 年才成形的新篇章：讓 Agent 自己付錢買工具和資料。過去 Agent 要用一個付費 API，得靠你去註冊帳號、綁信用卡、申請金鑰；現在有一個叫 x402 的開放協定（2025 年 5 月由 Coinbase 推出，把塵封三十年的 HTTP「402 Payment Required」狀態碼派上用場），流程變成：Agent 敲 API →伺服器回覆「這筆查詢 0.01 美元」→ Agent 的錢包用穩定幣當場付款→拿到資料。全程約一秒，不用帳號、不用金鑰。鏈上數據商 Nansen（每次呼叫 0.01～0.05 美元）、AI 搜尋引擎 Exa（每次搜尋約 0.007 美元）都已上線 x402 端點（2026 年 7 月官方定價）。
這個方向大到不能忽視：2026 年 7 月 14 日，Linux 基金會宣布 x402 基金會正式運作，40 個成員裡包括 Visa、Mastercard、美國運通、Stripe、Google 和 AWS。但要誠實地說兩件事：其一，實際使用量仍然很小——x402 官網自報 30 天內有 2,400 多萬美元交易量（2026 年 7 月中讀數），但 CoinDesk 引用 DefiLlama 的追蹤指出單日鏈上量一度只有約 1.6 萬美元，且分析機構 Artemis 曾估計早期約半數交易是自買自賣的灌水；其二，若你想嘗鮮，把 Agent 錢包當成一張儲值卡：只放你賠得起的小額，並使用有消費上限、金鑰不落地的託管方案（例如 Coinbase 的 Agentic Wallet 可以設定單筆與階段性的消費上限，金鑰保存在 Coinbase 的基礎設施內，不會交給 Agent）。消費上限要設在錢包層，不是用嘴叮嚀模型——模型會幻覺，錢包的規則引擎不會。
誠實時間：那 10% 的模型，什麼時候會反咬你？
講了五堂架構課，最後要對「90% 架構」這個口號誠實一點——任務越長，模型的差距越致命。研究機構 METR 在 2026 年 1 月發表的量測顯示：在同一套執行環境下，2023 年的 GPT-4 只能穩定完成約 3.5 分鐘長度的任務，而 Claude Opus 4.5 已能撐到約 320 分鐘——同樣的架構，模型能力差了近百倍。而 2026 年 7 月的一篇長時程基準測試更潑冷水：在數小時等級的任務上，連最強的模型通過率也只有一成五左右。
所以正確的讀法是：日常的、短的、重複的任務，架構決定一切，模型早就夠聰明；越長、越開放的任務，才越需要頂級模型（想知道頂級模型現在長什麼樣，看我們的〈Claude Opus 4.8 完整解析〉）。還有一個同樣重要的提醒，來自 Anthropic 的工程哲學：最成功的 agent 實作用的是「簡單、可組合的模式」，而不是複雜的框架——2026 年 7 月一篇彙整 27 篇論文的綜述也發現「更多鷹架（scaffolding）並不穩定地帶來更高可靠性」。90% 架構，不是叫你堆更多架構，而是把不需要的東西刪掉。
常見問題 FAQ
Q1：我完全不會寫程式，能養個人 AI Agent 嗎？
能。本文六堂課裡最重要的動作是「編輯文字檔」和「刪東西」：改規則檔、刪爛技能、設停止條件。會用記事本就會做。真要寫技能，也可以讓 Agent 自己幫你寫初稿。
Q2：開源（open-weight）模型夠用嗎？一定要用最貴的嗎？
短任務夠用，長任務謹慎。2026 年的開放權重模型在日常對話、摘要、例行分析上已經接近第一梯隊，價格便宜一大截；但在數十分鐘以上的連續自主任務上，頂級封閉模型仍明顯領先。用任務長度決定模型等級，是最省錢的策略。
Q3：技能裝越多，Agent 越強？
不是。每個技能的目錄描述都常駐在每一次呼叫裡，是持續付費的「目錄費」；而且技能越多，Agent 選錯工具的機率越高。只裝一個月會用三次以上的。
Q4：Agent 的「記憶」是資料庫嗎？我看得到嗎？
多半是純文字檔，你隨時看得到、改得動。Claude Code 和 OpenClaw 的原生記憶都是 Markdown 檔案。這是好事：記憶透明，你才能定期審查、刪掉過時或偏頗的條目。
Q5：可以讓 Agent 自己花錢嗎？
可以，但要當儲值卡管理。只放小額、設單筆與單日上限、選金鑰不落地的託管錢包。上限設在錢包層，不是寫在 prompt 裡。
Q6：為什麼我的 Agent 越來越會「順著我說」？
因為你的觀點進了它的記憶。這叫「記憶誘發的諂媚」。解法：在人設檔寫死反諂媚規則（「先給我最強的反方論證」），並定期清理記憶檔。
Q7：網路上的第三方技能可以隨便裝嗎？
不行。把裝技能當成裝軟體：看來源、看程式碼在做什麼、想想它有沒有同時碰到「私密資料＋外部內容＋對外通訊」這三隻腳。市集上出現過整批惡意技能的真實案例。
Q8：我的 Agent 很爛，換最強的模型能救嗎？
通常不能。如果它在短任務上就翻車，問題幾乎都在架構：工具接錯、記憶髒掉、技能太肥、沒有煞車。先跑完本文六堂課，再考慮換模型。
養好個人 AI Agent：給新手的 6 個重點
- 選定一家模型供應商，把換模型的時間拿去顧架構。
- 重複性工作接直連（API／MCP），瀏覽器留給一次性探索，截圖是最後手段。
- 記憶就是文字檔：規則寫進規則檔，事實寫進記憶檔，定期打開來清。
- 同一個錯第二次出現，就寫成永久規則——這是最便宜的訓練。
- 技能打包成資料夾，只裝會重複用的，第三方技能當軟體審查。
- 算力和錢包都要有煞車：停止條件、用量儀表板、錢包上限。
📚 延伸閱讀
- AI Agent Harness 是什麼？——本文的前傳：搞懂 Agent ＝ Model ＋ Harness 這個等式。
- 動手做一個 Agent Harness——想看引擎蓋底下的迴圈長什麼樣，讀這篇。
- Hermes Agent 是什麼？——本文多次提到的個人 Agent 代表作完整介紹。
- Loop Engineering 循環工程——把「回饋迴圈」升級成一門工程學的進階篇。
- 上下文工程是什麼？——第 5 課「技能省 token」背後的完整理論。
- Claude Code Subagents：一個 Repo＝一間 AI 公司——當一個 Agent 不夠用的時候。
- 想系統性上手 AI 工具，歡迎看看 AlphaLab 的課程；更多 AI 文章在 AI 專區。
結語
模型是租來的，人人都租得到；架構是你自己蓋的，這才是你的護城河。回到開頭的等式：Agent 好不好用 ＝ 90% 架構 ＋ 10% 模型。接好工具的水管、把記憶檔養乾淨、讓每一次糾正都變成永久規則、幫算力和錢包裝上煞車——三個月後，你的 Agent 會和今天判若兩人。而且記住最後那句話：90% 架構，不是堆更多東西，而是刪掉不需要的東西。祝你養出一個真正的神隊友。
免責聲明
本文為教育與資訊分享目的撰寫，不構成任何投資、採購或資安建議。文中所有產品名稱、定價、統計數據均以 2026 年 7 月 17 日查證當下為準，實際內容請以各官方網站為主：Anthropic 工程部落格與 Claude 官方文件（anthropic.com、code.claude.com、platform.claude.com）、Agent Skills 開放標準（agentskills.io）、OpenClaw 官方文件（docs.openclaw.ai）、Nous Research Hermes Agent 官方文件、Vectorize Hindsight（github.com/vectorize-io/hindsight）、x402 官方網站（x402.org）與 Linux 基金會新聞稿、METR 研究（metr.org）等。文中提及的第三方研究與媒體報導（含 Koi Security、CoinDesk、Artemis 等）均已標註出處性質。AI 具有輸出錯誤資訊的可能，重要決策請由人類複核。本文無業配內容。