X 热议：Coinbase CEO Brian Armstrong 晒「AI 幕僚长」工作流，每个领域一个常驻主 Agent，待决事项汇入单一队列

核心背景与行业痛点

同时开多个编码 Agent 之后，很多人的瓶颈从「写代码」变成了「盯 Agent」：几十个聊天窗口来回切，人反而成了 Agent 之间的人工中转。11 月 7 日，Coinbase CEO Brian Armstrong 分享了自己的解法，帖子收藏数（约 7,544）甚至超过点赞数（约 5,932），说明大量开发者把它当作可以照抄的方案收藏。

架构亮点与底层机制

按他的描述，系统分三层：每个关注领域一个常驻运行的主 Agent，上面一个「幕僚长」Agent 统筹，下面各主 Agent 再拉起子 Agent 写代码、测试、催评审、对接同事。关键在人机接口：所有需要他拍板的事项汇入一个本地网页的优先级队列，评审附截图和视频演示，他用语音和快捷键批量处理。系统还会学习他的偏好，提炼成「Brian brain」，目标是减少每次改动需要的纠正。这与 Anthropic 在《Building effective agents》里描述的 orchestrator-workers 模式一致：中心模型拆解任务、分派给 worker、再汇总结果。

权威 Benchmark 与实测跑分对比

他没有公布效率数据、所用模型或成本，官方未公布任何量化结果。可参考的公开数据来自 Anthropic 多 Agent 研究系统的工程文章（厂商口径）：Opus 4 主 Agent 加 Sonnet 4 子 Agent，在其内部研究评测上比单 Agent Opus 4 高 90.2%，但多 Agent 系统的 token 消耗约为普通聊天的 15 倍。

开发者实战落地与开箱指南

想试类似结构，可以先从「一个队列」做起：让各个 Agent 把待审事项连同截图、测试结果写进同一个看板，而不是各自在聊天里等你回复。再给每个主 Agent 固定职责和记忆文件，并保留人工评审与安全检查这道闸。注意多 Agent 的 token 成本会明显上升。本文是 X 热议整理，不代表 Coinbase 发布了任何产品。