起点：用 OpenClaw 搭一家"自动运转"的公司
Vox 的技术栈很明确：OpenClaw 做 Agent 编排，Vercel 跑前端和部署，Supabase 处理数据和认证。两周之后，这套系统能自己提案、执行、响应反馈，不需要人盯着。换句话说，他造了一个不用"带孩子"的公司。
但真正有意思的不是技术选型，而是他在搭建过程中总结出的一系列实战认知。
安装只是开始，真正的挑战在后面
Vox 观察到一个现象：成千上万人安装了 OpenClaw，腾讯甚至在深圳总部摆摊帮人免费装，但大多数人很快就放弃了。原因不是安装难，而是没人告诉你装完之后该干什么。
他总结了十条安装之后的硬核教训，涉及工具选择、上下文窗口限制、Token 浪费、模型选型，以及那些真正烧钱的错误。这些东西不会出现在任何官方文档里，只有实际跑过生产环境才知道。
规则写得越多，Agent 表现越差
这条反直觉的经验值得单独拿出来说。Vox 在 AGENTS.md 里写到了第 387 行，其中一条规则是"回复客户之前先查产品文档"。结果呢？Agent 连续三天无视这条规则。
问题出在哪？规则太多，Agent 的注意力被稀释了。就像你给一个员工发了一本 200 页的操作手册，他大概率只记住前几页。Agent 也一样——上下文窗口是有限的，塞进去的规则越多，每条规则被"记住"的概率越低。
第一次"组织重构"：砍掉假岗位
公司运行一段时间后，Vox 发现有些 Agent 在做"假工作"——看起来忙，但产出没有下游消费者。于是他做了一次重组：砍掉冗余角色，合并重复工作，每个 Agent 的职责必须对应一个明确的下游消费者。
这个思路和管理真人团队其实一样：如果一个岗位的产出没人用，这个岗位就不该存在。
Swarm 模式的隐藏层：让 Agent 互相反对
多个 Agent 并行工作时，最大的风险不是出错，而是"群体思维"——所有 Agent 给出几乎相同的答案，看起来一致，其实是集体盲区。
Vox 的解法是加一个"对抗审查层"：在最终合并之前，专门安排 Agent 互相挑刺。只有经过有效分歧的结论，才值得信任。这个模式在实际生产中被证明能显著提高输出质量。
Agent 干完活了，钱还没到
还有一个很现实的问题：Agent 凌晨两点就把客户项目做完了——代码、测试、部署全搞定。早上发了账单，然后等了七天才收到钱。
技术上的自动化解决不了商业上的摩擦。账期、信任建立、客户关系，这些环节目前还没有 Agent 能替你跑。这是每个用 AI 接单的独立开发者都会遇到的现实。
如果今天从零开始，他会怎么做
Vox 给出了四步建议：
- 先给 AI 动手的能力——不要只用它聊天，让它能操作文件、调用 API、执行代码
- 用 AI 来学习 AI——把它当导师，而不只是工具
- 先搭一个 Agent——不要上来就搞五个，一个跑通了再扩展
- 用团队思维设计——从一开始就想清楚多个 Agent 之间怎么协作
不要辞职 All In
最后一篇文章的标题很直接：「所有人都说辞职全力做 AI，他们错了。」
Vox 有 5 个 Agent、50 个付费客户，但他一直保留着日常工作。他的策略是让 Agent 在他开会的时候运转公司，而不是赌上全部身家。从"我应该辞职全力投入"到"Agent 替我运营，我照常上班"，这个转变花了他好几个月。
对于想用 AI Agent 搭建一人公司的人来说，这可能是最重要的一条：先让系统跑起来、产生收入、证明模式可行，再考虑是否全职投入。急着 All In 反而是最大的风险。