体验地址：autoclaw.zhipuai.cn
一句话：AutoClaw 的集群模式不是把 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。
一、它是什么
打开专家模式，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。
二、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 spawn subagent 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 | 专家模式 |
|---|---|---|
| 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 |
三、用集群模式后你会感受到什么
不同于普通模式只给一段文字，专家模式带来的是四件能直接感受到的事：
看着它在干活，不再黑箱
聊天界面里会出现一块进度面板——它在做哪一步、做完了哪几步、还剩下什么，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会走规范的网页 / 文档 / PPT 形态。每种样式都有可维护的设计约束，去掉那种"一眼 AI 生成"的廉价感。
可分工时拉人并行，速度跟得上
当任务可以分维度（比如"找资料 / 写正文 / 做配图"），专家模式会同时启动多个角色并行处理，而不是一个角色串着做。复杂任务等待时间显著缩短。
四、它擅长哪几类活
集群模式针对几类**明显需要"认真做"**的任务做了专门优化：
| 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” |
**什么时候不要用专家模式：**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。
五、实际用起来是什么样
下面是几个真实案例。每个案例展示同一类问题在集群模式下的完整链路：你输入什么 → 它怎么干 → 给你什么成品。同样是专家模式，按任务复杂度自动选阵型——撒大网调研可能 18 个角色协同，单公司估值就 2 个角色（主 + 复核员）够用。
Case 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 个扫描员先铺出全景地图 → 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（产品竞争 / 安全 / 资本 / 架构 / 中国落地 / 编码 / 人机）→ 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）
- 给你一份 ~2 万字、查了 140+ 个网页、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
Case 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——单公司分析不需要堆人，关键在审稿质量：
- 主 agent: 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（子 agent）**独立审稿，挑出两层问题：
- 数字层面：系列酒降幅"约 -11%"实际 -9.76%、毛利率降幅"约 -1pct"实际 -0.75pct 等小数级偏差
- 逻辑层面：质疑"合理 PE 20-23×"推导依据缺失、"安全边际"措辞过于肯定，要求修正再发
→ 一份卖方"Research Note"风格的网页报告，含同业排名 + 估值结论 + 目标价 1,725 元（+34% 上行）
8 分钟跑完 · 复核回炉 · 数据全可追溯
Case 3 · 海外公司 earnings update 研报（CRCL Q4 2025）
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 包干流程、单点拉一个图表 worker 同步出图：
- 主 agent：数据收集（CRCL Q4 财报 + USDC 流通量指标 + 共识预期）→ Beat / Miss 分析 → 撰写 17 页 DOCX 研报 → 复核数字 / 逻辑 / 来源交叉验证
- 图表生成（子 agent）：同步产 10 张 PNG 图表（季度营收 / EPS / 毛利率 / USDC 流通量 / Beat-Miss / 估值对比 等）
- 主 agent 复核时实测自查：发现 DOCX 引用了
chart_10_revenue_vs_usdc.png，实际文件名是chart_10_rev_vs_usdc.png，自己定位文件名不匹配并修复，重新生成 DOCX
→ 一份 BUY 评级 / 目标价 $135 / 17 页 / 含 10 张嵌入图表的 DOCX 研报
13 分钟跑完 · 复核自查并修复 · 报告 + 10 张图全可追溯
Case 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，每个都干了具体活：
- 主 agent: 拉 akshare 沪深 300 5913 条日线（2023-05-25 → 2026-05-22 共 725 个交易日）做标准数据集
- 量化员（子 agent）: 写 macd_backtest.py（EMA12 / EMA26 / DEA9 + 金叉死叉交易引擎），跑出 32 笔交易 + 16 项指标 + 收益曲线
- 复核员（子 agent）: 独立用 Python 重写 MACD 公式逐项对账，每项指标精确到小数点后 4 位、抽样 6 笔交易验证；4 维度审计（策略逻辑 / 指标计算 / 交易明细 / 图表）全部 PASS，唯一 WARN：发现首笔 −0.44% 是 EMA 初始化的噪声交易
→ 一份含 16 项关键指标 + 收益曲线的网页报告
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。
~10 分钟跑完 · 复核零偏差 · 代码 / 数据 / 图全可追溯
六、在哪打开
AutoClaw 主界面 → 聊天输入框右侧 → 点亮「Agent 集群模式」按钮，再发送你的需求就可以。
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。