นักพัฒนาส่วนใหญ่ที่ใช้ AI agent หลายตัวมักจะพบเจอปัญหาเดียวกันเมื่อมี agent ตัวที่ห้า คุณมี Claude Code ในเทอร์มินัลหนึ่งสำหรับเขียนบริการแบ็กเอนด์ใหม่, Codex อีกตัวสำหรับสร้างการทดสอบ, Cursor แก้ไขส่วนประกอบ และแท็บอื่น ๆ อีกสามแท็บที่คุณลืมตรวจสอบ ไม่มีใครรู้ว่าใครกำลังทำอะไร ค่าใช้จ่ายพุ่งสูงขึ้น Agent สองตัวทำงานซ้ำซ้อนกัน ตัวหนึ่งทำงานเป็นเวลาหกชั่วโมงและไม่เกิดประโยชน์อะไรเลย เพราะไม่มีใครให้วัตถุประสงค์ที่ชัดเจน
Paperclip แก้ไขปัญหานี้ได้ มันคือแพลตฟอร์มการประสานงานแบบโอเพนซอร์สที่เปลี่ยน AI agent ที่กระจัดกระจายของคุณให้เป็นบริษัทที่มีโครงสร้างครบวงจร พร้อมผังองค์กร, บทบาทที่กำหนด, การจัดการงาน, ขีดจำกัดงบประมาณ และบันทึกการตรวจสอบ มันมียอดดาวบน GitHub กว่า 35,000 ดวงในเวลาไม่ถึงสามสัปดาห์ ซึ่งแสดงให้เห็นว่ามีนักพัฒนาจำนวนมากที่เผชิญกับความหงุดหงิดเดียวกันนี้
button
บทความนี้จะแนะนำคุณเกี่ยวกับการตั้งค่า การจัดโครงสร้างบริษัท agent แห่งแรกของคุณ และการรันงานเพื่อให้งานเสร็จโดยที่คุณไม่ต้องเฝ้าดูทุกเทอร์มินัล
Paperclip คืออะไร (และไม่ใช่)
ก่อนที่คุณจะติดตั้งอะไร โปรดทำความเข้าใจสิ่งที่คุณจะได้รับ
Paperclip คือ เลเยอร์การประสานงาน มันจะประสานงาน agent, ติดตามงานของ agent, ควบคุมงบประมาณ และให้บริบทเกี่ยวกับเป้าหมายของบริษัท ไม่ได้สร้าง agent, ไม่ได้มาแทนที่ผู้ให้บริการ AI ของคุณ หรือเพิ่มส่วนติดต่อผู้ใช้สำหรับการแชท
แนวคิดที่ทีม Paperclip ใช้: “ถ้า Claude Code เป็นพนักงาน Paperclip คือบริษัท”
นั่นหมายความว่า:
- Agent มี บทบาท ไม่ใช่แค่ prompt
- งานมี เจ้าของ ไม่ใช่แค่เทอร์มินัลที่เปิดอยู่
- งบประมาณมี ขีดจำกัดที่แน่นอน ไม่ใช่แค่ความรู้สึก
- ทุกอย่างถูกบันทึกไว้ใน บันทึกการตรวจสอบ
Paperclip ทำงานร่วมกับ Claude Code, OpenAI Codex, Cursor, Gemini CLI และ agent ใด ๆ ที่สามารถรับ webhook หรือสัญญาณ heartbeat ได้ คุณนำ agent มา Paperclip จะบริหารจัดการบริษัท
มันไม่ใช่สิ่งเหล่านี้อย่างชัดเจน:
- UI แชทบอท
- เครื่องมือสร้างเวิร์กโฟลว์แบบลากและวาง เช่น n8n หรือ Zapier
- เฟรมเวิร์กสำหรับการเขียน agent
- มีประโยชน์สำหรับกรณีการใช้งาน agent ตัวเดียว
หากคุณกำลังใช้งาน AI agent ตัวเดียวเป็นครั้งคราว Paperclip อาจจะมากเกินความจำเป็น แต่ถ้าคุณกำลังใช้งาน agent สามตัวขึ้นไปสำหรับงานที่ต่อเนื่อง มันคือส่วนที่ขาดหายไป
การติดตั้ง Paperclip
คุณต้องมี Node.js 20+, pnpm 9.15+ และนั่นคือทั้งหมด Paperclip มาพร้อมกับฐานข้อมูล PostgreSQL ในตัว คุณจึงไม่จำเป็นต้องตั้งค่าพื้นที่เก็บข้อมูลภายนอก
วิธีที่เร็วที่สุดในการเริ่มต้น:
npx paperclipai onboard --yes
คำสั่งนี้จะดาวน์โหลด CLI รันกระบวนการเริ่มต้นใช้งานด้วยค่าเริ่มต้นที่เหมาะสม และเริ่มเซิร์ฟเวอร์บนพอร์ต 3100 เปิด http://127.0.0.1:3100 แล้วคุณจะเห็นหน้าแดชบอร์ด
หากคุณต้องการมีส่วนร่วมหรือศึกษาโค้ด:
git clone https://github.com/paperclipai/paperclip.git
cd paperclip
pnpm install
pnpm dev
หากคุณต้องการใช้ Docker:
docker compose -f docker-compose.quickstart.yml up --build
สิ่งที่ถูกสร้างขึ้นบนดิสก์:
Paperclip จัดเก็บทุกอย่างภายใต้ ~/.paperclip/instances/default/:
~/.paperclip/instances/default/
config.json — การตั้งค่าเซิร์ฟเวอร์และพื้นที่เก็บข้อมูล
db/ — ไฟล์ข้อมูล PostgreSQL แบบฝัง
secrets/master.key — คีย์เข้ารหัส (สร้างขึ้นโดยอัตโนมัติ)
logs/ — บันทึกเซิร์ฟเวอร์
data/storage/ — ไฟล์แนบ
workspaces/<agent>/ — ไดเรกทอรีการทำงานสำหรับแต่ละ agent
โหมด local จะใช้การตรวจสอบสิทธิ์ local_trusted เป็นค่าเริ่มต้น ซึ่งจะข้ามการเข้าสู่ระบบและใช้ผู้ใช้ "Board" สังเคราะห์ คุณสามารถเริ่มใช้แดชบอร์ดได้ทันที โดยไม่จำเป็นต้องสร้างบัญชี
เมื่อคุณเข้าสู่ระบบแล้ว ให้รันการตรวจสอบสถานะ:
paperclipai doctor
หากมีการกำหนดค่าผิดพลาด --repair จะแก้ไขปัญหาส่วนใหญ่โดยอัตโนมัติ:
paperclipai doctor --repair
การตั้งค่าบริษัทแรกของคุณ
ใน Paperclip "บริษัท" คือคอนเทนเนอร์ระดับบนสุดสำหรับ agent งาน เป้าหมาย และงบประมาณของคุณ คิดว่ามันเป็นโปรเจกต์ ยกเว้นว่าสมาชิกทุกคนในโปรเจกต์คือ AI agent ที่มีบทบาทและสายการรายงาน
จากแดชบอร์ด สร้างบริษัทใหม่และกำหนดภารกิจให้มัน นี่ไม่ใช่แค่การตกแต่ง ทุกงานที่ agent ได้รับจะย้อนกลับไปที่ภารกิจของบริษัท ดังนั้น agent จึงมีบริบทว่า ทำไม ถึงต้องทำงานนั้น ไม่ใช่แค่ อะไร ที่ต้องทำ นี่เป็นสิ่งสำคัญสำหรับการตัดสินใจในการรัน agent ที่ใช้เวลานานขึ้น
ตัวอย่างภารกิจง่ายๆ: “สร้างและบำรุงรักษา REST API สำหรับการจัดการคำสั่งซื้อของลูกค้า ให้ความสำคัญกับความถูกต้องมากกว่าความเร็ว จัดทำเอกสารสำหรับทุก endpoint สาธารณะ”
ข้อความเดียวนี้จะช่วยให้ agent ของคุณมีตัวกรองสำหรับการตัดสินใจทุกครั้ง
การเพิ่ม agent ตัวแรกของคุณ
Agent แต่ละตัวใน Paperclip มี อะแดปเตอร์ ที่กำหนดว่าเครื่องมือ AI ใดที่ใช้และวิธีการสื่อสาร
อะแดปเตอร์ที่รองรับจากกล่อง:
| Agent | ประเภทอะแดปเตอร์ | แพ็กเกจ |
|---|---|---|
| Claude Code | claude_local |
@paperclipai/adapter-claude-local |
| OpenAI Codex | codex_local |
@paperclipai/adapter-codex-local |
| Gemini CLI | gemini_local |
@paperclipai/adapter-gemini-local |
| Cursor | cursor |
@paperclipai/adapter-cursor-local |
| HTTP webhooks | HTTP adapter | custom endpoint |
หากต้องการเพิ่ม agent ของ Claude Code ผ่าน CLI:
paperclipai agent local-cli "Backend Engineer" --company-id <your-company-id>
คำสั่งนี้จะบูตสแตรป agent ติดตั้งทักษะใน ~/.claude/skills และสร้างข้อมูลรับรอง API ตอนนี้ agent มีอยู่ในผังองค์กรของบริษัทคุณและสามารถรับมอบหมายงานได้
การกำหนดค่า agent ของ Claude (ตั้งค่าใน UI หรือการกำหนดค่าต่อ agent):
| ฟิลด์ | หน้าที่ |
|---|---|
model |
โมเดล Claude ที่จะใช้ (เช่น claude-sonnet-4-6) |
cwd |
ไดเรกทอรีการทำงานสำหรับ agent (สร้างขึ้นอัตโนมัติหากไม่มี) |
promptTemplate |
System prompt พร้อมการแทนที่ {{variable}} |
maxTurnsPerRun |
จำนวนรอบสูงสุดต่อการรันหนึ่งครั้ง (ค่าเริ่มต้น: 300) |
timeoutSec |
ขีดจำกัดการดำเนินการที่แน่นอน (0 = ไม่มีหมดเวลา) |
การจัดสรรโมเดลตามบทบาท เป็นสิ่งสำคัญที่ควรพิจารณาก่อนที่คุณจะเริ่ม การรัน Opus ในทุก agent จะมีค่าใช้จ่ายสูงอย่างรวดเร็ว การแบ่งแยกที่เหมาะสม:
- CEO / agent ประสานงาน: Sonnet (การให้เหตุผลเชิงกลยุทธ์ คุ้มค่ากับต้นทุน)
- Agent ผู้จัดการ: Haiku (การกำหนดเส้นทางและการมอบหมาย ราคาถูกและรวดเร็ว)
- IC สร้างสรรค์ / เขียนโค้ด: Sonnet (คุณภาพผลลัพธ์เป็นสิ่งสำคัญที่นี่)
- IC ตามสูตร: Haiku (การสร้างโค้ด boilerplate, การเตรียมการทดสอบ, การโยกย้าย)
การจัดสรรนี้สามารถลดค่าใช้จ่ายรายเดือนของ agent ของคุณลง 40-60% เมื่อเทียบกับการรัน Sonnet ในทุกที่ โดยไม่สูญเสียคุณภาพอย่างมีนัยสำคัญในงานประจำวัน
การจัดโครงสร้างองค์กร agent ของคุณ
นี่คือโครงสร้างการทำงานสำหรับโปรเจกต์ซอฟต์แวร์ขนาดเล็ก:
CEO (Sonnet)
├── CTO (Haiku)
│ ├── Backend Engineer (Sonnet)
│ ├── Frontend Engineer (Sonnet)
│ └── QA Engineer (Haiku)
└── Technical Writer (Haiku)
Agent CEO จะดูแลภารกิจและแบ่งออกเป็นเป้าหมาย Agent CTO จะกำหนดเส้นทางเป้าหมายไปยัง agent วิศวกรรม วิศวกรทำงาน QA ตรวจสอบ นักเขียนจัดทำเอกสาร
Agent แต่ละตัวมี ช่วงเวลา heartbeat ซึ่งเป็นความถี่ที่มันจะตื่นขึ้นมา ตรวจสอบงานที่ได้รับมอบหมาย ทำงาน และจบการทำงาน Agent จะไม่ทำงานอย่างต่อเนื่อง มันจะตื่นขึ้นมา ดำเนินการ และเข้าสู่โหมดพัก สิ่งนี้ช่วยให้ค่าใช้จ่ายไม่พุ่งสูงขึ้น
ช่วงเวลาที่แนะนำ:
- Agent เขียนโค้ด: 600 วินาที (10 นาที)
- Agent แบบ On-demand: 86,400 วินาที (วันละครั้ง) พร้อมเปิดใช้งาน wake-on-demand
- ช่วงเวลาที่ปลอดภัยขั้นต่ำ: 30 วินาที (น้อยกว่านี้เสี่ยงต่อค่าใช้จ่ายที่เกินและสแปม)
Heartbeat ทำงานอย่างไร
การทำความเข้าใจโมเดล heartbeat เป็นกุญแจสำคัญในการทำงานที่น่าเชื่อถือจาก agent ของคุณ
ทุกครั้งที่ agent ตื่นขึ้นมา มันจะทำตามโปรโตคอลเก้าขั้นตอน:
- ยืนยันตัวตนผ่าน
GET /api/agents/me - จัดการการเรียกกลับที่รอการอนุมัติ
- ดึงงานที่ได้รับมอบหมายจาก
GET /api/companies/{companyId}/issues - จัดลำดับความสำคัญ: งานที่กำลังดำเนินการก่อน, จากนั้นงานที่ต้องทำ; ข้ามงานที่ถูกบล็อก เว้นแต่ว่าจะสามารถปลดบล็อกได้
- เช็คเอาท์งานผ่าน
POST /api/issues/{issueId}/checkout(หาก agent อื่นรับไปแล้ว การตอบกลับคือ 409 และ agent นี้จะดำเนินการต่อ) - อ่านบริบทงานทั้งหมดและกระทู้ความคิดเห็น
- ทำงาน
- อัปเดตงานด้วยความคิดเห็นและการเปลี่ยนแปลงสถานะ
- มอบหมายงานย่อยด้วย ID ของงานหลักและเป้าหมายหากจำเป็น
กลไกการเช็คเอาท์ในขั้นตอนที่ 5 คือสิ่งที่ป้องกันการทำงานซ้ำซ้อน Agent สองตัวไม่สามารถรับงานเดียวกันได้ หากมีตัวหนึ่งกำลังทำงานอยู่ อีกตัวหนึ่งจะข้ามไปโดยอัตโนมัติ
Paperclip ใส่บริบทลงในการรัน agent ทุกครั้งผ่านตัวแปรสภาพแวดล้อม:
PAPERCLIP_TASK_ID # งานใดที่เรียกให้รัน
PAPERCLIP_WAKE_REASON # เหตุผลที่ agent ตื่น (ตัวจับเวลา, การกล่าวถึง, การมอบหมาย)
PAPERCLIP_AGENT_ID # ตัวตนของ agent
PAPERCLIP_API_URL # URL เพื่อเรียกกลับไปยัง API ของ Paperclip
Agent สามารถใช้สิ่งเหล่านี้เพื่อโพสต์การอัปเดต สร้างงานย่อย ขอการอนุมัติ และมอบหมายงาน — ทั้งหมดนี้ภายใน heartbeat เดียว
การมอบหมายงานและติดตามผลงาน
งานใน Paperclip ทำงานเหมือน GitHub issues ที่รวมกับเครื่องมือจัดการโปรเจกต์ สร้างงานจาก UI หรือ CLI:
paperclipai issue create \
--company-id <id> \
--title "เพิ่มการแบ่งหน้า (pagination) ให้กับ endpoint ของคำสั่งซื้อ" \
--assignee-agent-id <backend-engineer-id>
งานสามารถมี:
- งานหลัก (Parent tasks) สำหรับการแบ่งงานใหญ่เป็นงานย่อย
- ลิงก์เป้าหมาย (Goal links) เพื่อให้ agent ทราบว่างานนี้มีวัตถุประสงค์ของบริษัทใด
- ความคิดเห็น (Comments) สำหรับบริบท คำขออนุมัติ และการอัปเดตสถานะ
- การกล่าวถึง (@-mentions) เพื่อปลุก agent ที่เฉพาะเจาะจงตามต้องการทันที (ไม่ต้องรอ heartbeat ถัดไป)
คุณสามารถดูงานที่เปิดอยู่ทั้งหมดจาก CLI:
paperclipai issue list
หรือในแดชบอร์ด ซึ่งงานจะแสดงเจ้าของปัจจุบัน สถานะ และการรัน heartbeat ครั้งล่าสุดที่แตะต้องงานนั้น
การควบคุมงบประมาณที่ใช้งานได้จริง
นี่เป็นหนึ่งในคุณสมบัติที่มีประโยชน์ที่สุดใน Paperclip และเป็นคุณสมบัติที่มักถูกมองข้ามโดยผู้ที่ยังใหม่กับการตั้งค่า multi-agent
Agent แต่ละตัวจะได้รับงบประมาณโทเค็นรายเดือน เมื่อถึง 80% agent จะเปลี่ยนไปทำงานเฉพาะงานสำคัญเท่านั้น เมื่อถึง 100% มันจะหยุดทำงานโดยสมบูรณ์
ตั้งค่างบประมาณในการกำหนดค่า agent จุดเริ่มต้นที่ชุมชนแนะนำคือ $20-50/เดือนต่อ tier ของ agent คุณสามารถติดตามอัตราการใช้จ่ายต่อ agent, ค่าใช้จ่ายต่อ heartbeat และค่าใช้จ่ายรายเดือนสะสมได้จากแดชบอร์ด
แดชบอร์ดค่าใช้จ่ายจะแสดงว่า agent ตัวใดมีประสิทธิภาพและตัวใดกำลังใช้โทเค็นกับงานที่ไม่มีจุดหมาย หากค่าใช้จ่ายต่อ heartbeat ของ agent กำลังเพิ่มขึ้น โดยปกติแล้วจะเป็นสัญญาณว่า prompt คลุมเครือเกินไปหรืองานมีขอบเขตกว้างเกินไป คุณสามารถแก้ไขได้โดยการกำหนดงานให้กระชับขึ้น ไม่ใช่การเพิ่มงบประมาณ
หากไม่มีการควบคุมงบประมาณ agent ที่กำหนดค่าผิดพลาดและทำงานที่ช่วงเวลา 30 วินาทีพร้อมเปิดใช้งาน Extended Thinking สามารถใช้เงินหลายร้อยดอลลาร์ก่อนที่คุณจะสังเกตเห็น Paperclip จะหยุดสิ่งนั้นโดยอัตโนมัติ
Runtime skills: การสอน agent ให้มีเวิร์กโฟลว์ใหม่โดยไม่ต้องฝึกใหม่
หนึ่งในคุณสมบัติที่มีประสิทธิภาพมากขึ้นใน Paperclip คือ การฉีดทักษะ เมื่อ agent ทำงาน อะแดปเตอร์ของ Paperclip จะสร้าง symlink ไปยังไฟล์ SKILL.md ในไดเรกทอรีการกำหนดค่าของ agent และส่งผ่านทาง --add-dir Agent จะอ่านไฟล์ทักษะเป็นส่วนหนึ่งของบริบทและทำตามเวิร์กโฟลว์
ซึ่งหมายความว่าคุณสามารถสอน agent ให้เรียนรู้กระบวนการใหม่ เช่น วิธีเขียน commit message, วิธีจัดการการย้ายฐานข้อมูล หรือวิธีจัดรูปแบบเอกสาร API โดยการเขียนไฟล์ markdown ไม่ต้องเขียน prompt ใหม่ ไม่ต้องปรับใช้ใหม่
คุณเขียนทักษะ:
# SKILL: การย้ายฐานข้อมูล
เมื่อสร้างการย้ายฐานข้อมูล:
1. ห้ามแก้ไขไฟล์การย้ายฐานข้อมูลที่มีอยู่
2. ใช้ชื่อที่สื่อความหมาย: YYYYMMDD_description.sql
3. รวม SQL ทั้งแบบ up และ down
4. ทดสอบในเครื่องก่อน commit
5. เพิ่มความคิดเห็นอธิบายเหตุผลทางธุรกิจสำหรับการเปลี่ยนแปลง
บันทึกไปยังไดเรกทอรีทักษะ กำหนดให้ agent แบ็กเอนด์ของคุณ และ heartbeat ในอนาคตทุกครั้งจะทำตามกระบวนการนั้น
หากคุณกำลังทดสอบ API ที่สร้างโดย agent ของคุณ
เมื่อ agent ของคุณกำลังสร้าง API คุณจำเป็นต้องมีวิธีทดสอบสิ่งที่ agent สร้างขึ้นอย่างรวดเร็ว Apidog เข้ากันได้ดีกับกรณีนี้ มันจัดการการออกแบบ API, mock server และการทดสอบอัตโนมัติในที่เดียว ดังนั้นเมื่อ agent แบ็กเอนด์ของคุณส่ง endpoint ออกมา คุณสามารถตรวจสอบได้ทันทีโดยไม่ต้องสลับไปมาระหว่าง Swagger, Postman และเครื่องมือ mock แยกต่างหาก
คุณสามารถสร้างชุดทดสอบจาก OpenAPI spec ของคุณโดยอัตโนมัติ รันกับผลลัพธ์ของ agent และส่งผลลัพธ์กลับเป็นความคิดเห็นของงาน agent จะรับไปดำเนินการใน heartbeat ถัดไปและแก้ไขความล้มเหลว ลูปเต็มรูปแบบ ตั้งแต่โค้ดไปจนถึงการทดสอบไปจนถึงการแก้ไข จะทำงานโดยไม่มีมนุษย์เข้ามาเกี่ยวข้อง
Apidog รองรับ REST, GraphQL และ gRPC และเริ่มต้นใช้งานได้ฟรี
การจัดการหลายอินสแตนซ์
Paperclip รองรับหลายอินสแตนซ์ที่แยกกันบนเครื่องเดียวผ่านตัวแปรสภาพแวดล้อม PAPERCLIP_INSTANCE_ID หรือแฟล็ก --instance แต่ละอินสแตนซ์มีการกำหนดค่า ฐานข้อมูล พอร์ต และพื้นที่ทำงานของตัวเอง
สำหรับการพัฒนาในเครื่อง คำสั่ง worktree จะสร้างอินสแตนซ์การพัฒนาที่แยกอย่างสมบูรณ์ต่อ git branch:
paperclipai worktree:make feature/orders-pagination
สิ่งนี้จะให้พอร์ต การกำหนดค่า และฐานข้อมูลที่แยกต่างหากสำหรับ branch นั้น คุณสามารถรันบริษัททดสอบกับโค้ดคุณสมบัติโดยไม่กระทบกับการตั้งค่า agent ที่ใช้งานจริง เมื่อคุณทำเสร็จแล้ว คุณสามารถลบออกได้
การตั้งค่า Multi-agent ที่ใช้งานได้จริง
รูปแบบบางอย่างที่ใช้งานได้ดีเมื่อคุณใช้งานพื้นฐานได้แล้ว:
Goal cascade (เป้าหมายแบบต่อเนื่อง): กำหนดเป้าหมายระดับสูงเพียงเป้าหมายเดียวที่ระดับบริษัท จากนั้นให้ agent CEO แบ่งออกเป็นเป้าหมายโปรเจกต์ และให้ agent ผู้จัดการแต่ละตัวแบ่งเป้าหมายเหล่านั้นออกเป็นงาน Agent ทำงานได้ดีขึ้นเมื่อเข้าใจห่วงโซ่ของวัตถุประสงค์ แทนที่จะได้รับคำสั่งที่แยกกัน
Approval gates (ประตูอนุมัติ): สำหรับการกระทำใดๆ ของ agent ที่เกี่ยวข้องกับการผลิต สภาพแวดล้อมการทดสอบ หรือการเรียกเก็บเงิน ให้กำหนดประตูอนุมัติ Agent จะหยุดทำงาน ส่งการแจ้งเตือนถึงคุณ และรอการอนุมัติก่อนที่จะดำเนินการต่อ แม้จะเพิ่มขั้นตอนด้วยตนเองหนึ่งขั้นตอน แต่ก็สามารถตรวจจับปัญหาได้ก่อนที่จะเกิดความเสียหายที่รุนแรง
On-demand wakes via @-mention (ปลุกตามต้องการผ่านการกล่าวถึง): แทนที่จะใช้ช่วงเวลา heartbeat ที่รวดเร็ว (และค่าใช้จ่ายโทเค็นที่มาพร้อมกับมัน) ให้ตั้งค่า agent เป็นช่วงเวลาที่ช้าและใช้ @-mentions ในความคิดเห็นของงานเพื่อปลุก agent ทันทีเมื่อจำเป็น คุณจะได้รับการตอบสนองที่รวดเร็วในงานสำคัญโดยไม่ต้องเสียค่าใช้จ่ายในการสำรวจอย่างต่อเนื่อง
Separate workspace per agent (พื้นที่ทำงานแยกต่อ agent): Agent แต่ละตัวมีไดเรกทอรีการทำงานของตัวเองภายใต้ workspaces/<agent-id>/ รักษาความสะอาดของสิ่งเหล่านี้ Agent ที่ใช้พื้นที่ทำงานร่วมกันจะขัดแย้งกับงานของกันและกัน การแยกนั้นถูกสร้างมาแล้ว อย่าไปต่อต้านมัน
การเริ่มต้นใช้เวลาประมาณ 15 นาที
ครั้งแรก การตั้งค่าใช้เวลาไม่ถึง 15 นาที คำสั่งเดียวจะติดตั้งและเริ่มเซิร์ฟเวอร์ การเพิ่ม agent ตัวแรกและสร้างงานใช้เวลาอีกห้านาทีในแดชบอร์ด
ส่วนที่ยากกว่าคือการจัดโครงสร้างบริษัทของคุณให้ดี: การเขียนภารกิจที่ชัดเจน การเลือกโมเดลที่เหมาะสมสำหรับแต่ละบทบาท และการตั้งค่าขีดจำกัดงบประมาณที่เหมาะสม ใช้เวลา 30 นาทีกับสิ่งเหล่านี้ก่อนที่คุณจะเริ่มมอบหมายงาน และ agent ของคุณจะให้ผลลัพธ์ที่ดีกว่ามาก ดีกว่าการที่คุณรีบต่อทุกอย่างเข้าด้วยกันและหวังว่าทุกอย่างจะดี
หากคุณกำลังใช้ AI agent มากกว่าสองตัวในโปรเจกต์ที่กำลังดำเนินอยู่ นี่คือสิ่งที่คุ้มค่ากับการใช้เวลาช่วงบ่ายเพื่อตั้งค่า ความแตกต่างระหว่างแท็บเทอร์มินัลต่อ agent กับบริษัทที่มีโครงสร้างพร้อมการควบคุมงบประมาณ การเป็นเจ้าของงาน และบันทึกการตรวจสอบ คือความแตกต่างระหว่างโปรเจกต์เสริมกับสิ่งที่สามารถทำงานได้เองโดยไม่ต้องมีคนดูแล