從 Skill 到十二藥叉：AI Agent 多模型調度與持久記憶實戰

重點摘要

Workflow → Skill → Agent 三層架構：從無身分的廣播指令，到具備專業角色與持久記憶的 AI 代理人
腦手分離策略：Claude Code Max 負責深度思考，便宜模型（GPT-4o、DeepSeek、Qwen）執行瑣碎任務，大幅降低成本
Agent 與 LLM 解耦：角色是抽象層，可隨場景變換為十二藥叉大將或 CEO/CTO 團隊，LLM 只是提供算力的「能源」
種子記憶系統：借鑑佛學阿賴耶識概念，任務經驗濃縮為「種子」存入持久記憶庫，跨 Session 延續
跨裝置聯動：不同硬體共享同一個種子庫與 Session 歷史，實現環境的一致覺察

為什麼你需要將 Skill 升級為 Agent？

在 AI 應用進入 Agentic Workflow（代理工作流） 的時代，許多開發者仍受限於單一平台的訂閱上限或記憶斷層。要突破這個瓶頸，首先要理解 AI 調用的三個核心層次：

Workflow（工作流）：像廣播指令

這是一個通用的動作——「大家來開會」，所有人聽到後都會做出反應，但沒有指定對象。在 AI 中，這是不具備身分、純粹執行的一串指令。

Skill（技能）：像一行專門命令

Skill 包含具體執行邏輯，例如「整理本月報表」。它定義了要做什麼，但它是獨立的，沒有角色認同，不記得上次做過什麼。

Agent（代理人）：具備專業身分與工具的實體

當你呼喚一個名字——「會計師」或「阿瓦隆」——你是在指定一個具備特定專業背景、讀過特定文件，並擁有專屬 Tool 的實體。

核心策略很明確：先把 Skill 變成 Agent。Claude Code 內建的 Sub-agent 雖然能自動分派任務，但對話一旦結束（Session Close），記憶就消失了。透過自定義 Skill 並封裝成具備持久性的 Agent，我們可以讓 AI 學會專業分工，並在不同對話中延續經驗。

解決 Claude Code 的封閉與記憶痛點

Claude Code Max（$100/月）雖然強大，但也有明確的限制：Sub-agent 工具不對外開放，記憶無法跨 Session 持久化。為了同時優化效能與費用，一個實用的策略是**「腦手分離」**：

角色	工具	職責
大腦（Thinking）	Claude Code Max	深度思考、架構設計、任務編排
手腳（Execution）	OpenCode Zen / OpenRouter	調用 GPT-4o、DeepSeek、Qwen 等模型執行瑣碎任務
記憶中樞（Memory）	自建記憶庫	克服 Sub-agent 的失憶問題，跨 Session 持久化

這個架構的精髓在於：讓最貴的模型只做最需要深度推理的事，其餘工作交給成本更低的模型處理。透過 OpenRouter 這類多模型路由服務，你可以在同一個工作流中靈活切換不同的 LLM 提供者，按需分配算力。

十二藥叉大將：佛學邏輯驅動的 Agent 系統

這裡出現了一個非傳統的設計哲學：將 AI Agent 系統抽象化為「十二藥叉大將」，核心邏輯借用《瑜伽師地論》與十二因緣法的架構。

進化式學習路徑

遵循十七地中的**「聞所成地」**——Agent 先具足資訊收集與理解（聞），再根據成長階段進入智慧反思架構。這不只是比喻，而是系統設計的實際指導原則：Agent 在初期大量吸收資料，經過「思所成地」的分析推理，最終達到「修所成地」的自主判斷。

種子記憶系統（阿賴耶識）

模仿佛學「阿賴耶識」的種子概念：

任務結束後，經驗被**濃縮為「種子」**存入系統
種子有 60 天或 90 天的生長期，模擬知識的沉澱
種子會在相關任務啟動時被「喚醒」，實現跨專案反思

這個設計解決了一個實際問題：大多數 AI 工具的記憶是平面的列表，而種子系統讓記憶具備了時間維度——新鮮的經驗權重高，陳舊的逐漸淡化，但不會完全消失。

Agent 與 LLM 的解耦

這是整套系統最關鍵的抽象：

Agent 是「角色層」，LLM 只是提供思考的「能源」。

這 12 個抽象層可以隨場景變換：

技術開發場景 → 十二藥叉大將（各司其職的專業守護者）
商業運作場景 → CEO、CTO、CFO 等企業職能角色

由於角色是抽象的，你可以視任務輕重，為同一個 Agent 指派不同的 LLM——重要的決策指派 Claude Opus，重複性工作指派 DeepSeek。角色不變，引擎可換。

實戰部署：自研 CLI 與 TUI

TUI 終端機介面

受益於 Claude Code v2.1.88 原始碼外洩事件（詳見我們的報導）後社群對 CLI 元件的研究與重製（如 claw-code 專案），開發者得以架構出具備視覺回饋與存檔能力的 TUI 介面：

Session 存檔機制：系統自動將每次 Tool 的調用過程序列化並存檔。這讓十二藥叉啟動時能即時找回過往脈絡——不是從零開始，而是接續上次的狀態。

調用指令邏輯：透過自定義斜線指令（Slash Commands）啟動中介層，精準判定任務該分派給哪位角色，並自動連結對應的 API 路徑。

跨裝置聯動

核心在於實現**「環境的一致覺察」**：

場景：你在 Windows 上部署了一個長時程任務，隨後切換到 Mac 接手觀察。你的十二藥叉大將依然維持著同樣的心跳與進度。

實現方式：不同硬體共享同一個「種子庫」與「Session 歷史」，讓 AI 真正融入多裝置的開發情境。這需要一個獨立於任何 LLM 平台的中央記憶服務——這正是自建記憶庫的價值所在。

為什麼「精準打擊」比自動助理更重要？

目前市場上的「助理型」工具大多在模擬人類的操作流程，效率天花板明顯。精準打擊的哲學則完全不同：

深度察覺：深刻理解模型操控、環境部署與 Agent 間的記憶關係，而不是把 AI 當黑盒子用
費用優化：透過 Skill 精準調配模型，不再盲目浪費 Token——一個簡單的格式轉換不需要動用 Opus
靈魂視覺化：在 CLI 中加入 Pixel Art（像素畫），讓 Agent 的狀態直觀呈現

這讓人想到一個有趣的歷史連結：Token 這個詞最早可以追溯到古蘇美人的黏土籌碼（clay tokens），用來記錄羊群數量和穀物交易。從五千年前的實物記帳符號，到今天 LLM 的計算單元，Token 始終代表著將複雜資訊壓縮為可計量單位的核心概念。

架構總覽

維度	定義與技術要點	實際應用舉例
Workflow	無身分、廣播式的自動化路徑	「檢查所有新進 Email」
Skill	精確的命令與執行工具	「使用財務模型分析報表」
Agent	角色與 LLM 分離的持久實體	十二藥叉大將 / CEO、CTO 團隊
種子記憶	經驗濃縮 + 時間衰減 + 跨專案喚醒	60-90 天生長期的知識沉澱
TUI 存檔	Session 序列化與 Tool 調用存檔	Agent 啟動時瞬間找回過往脈絡
跨裝置	跨硬體的環境一致覺察	多機聯動的開發場景

結語

AI 的調用不應只是「幫我寫程式」。當我們把佛學的意識分層邏輯、角色抽象化設計與自研 CLI 工具結合在一起，AI Agent 就不再只是一個會回答問題的聊天機器人——它成為一個具備記憶、身分與專業分工的協作團隊。

在 2026 年的 Agentic Workflow 浪潮中，真正的競爭力不在於你用了哪個模型，而在於你如何編排這些模型、保存它們的經驗、並讓它們跨越時間與裝置持續進化。

參考資源

claw-code — Claude Code CLI 研究與重製
OpenRouter — 多模型路由服務
Denise Schmandt-Besserat — 古蘇美黏土籌碼（Token 起源）研究
《瑜伽師地論》、十二因緣法 — Agent 系統的哲學基礎