AI Agent 選型最容易掉進一個舒服的坑：開始比較哪個工具比較強。
哪個能瀏覽網頁、哪個能寫程式、哪個能接 MCP、哪個支援 multi-agent、哪個開源、哪個看起來比較像未來。這些問題不是不重要，但如果目標是幫小團隊建立可持續流量、信任與可轉換的內容資產，第一個問題其實不是工具能力。
第一個問題應該是：這個 agent 做完事情之後，會留下什麼可以累積的資產？
如果答案只是「幫我省了一次時間」，它可能仍然值得用，但它比較像效率工具。若答案是「它能穩定產出可搜尋文章、更新舊內容、整理 FAQ、把讀者問題變成產品線索、把一次交付變成可重複素材」，那它才比較接近收入系統。
這個差異很現實。小團隊沒有太多精力追每一波工具更新。選錯方向，最後會變成每天測新工具、每天修 prompt、每天看起來很忙，但網站、名單、產品與服務漏斗沒有真的變厚。
English TL;DR
When choosing AI agents, small teams should not start with feature checklists. Start with the income path: what repeatable asset will the agent create, how will that asset build trust, and where can it convert into subscriptions, consulting, templates, tools, or other passive-income-adjacent offers? The best agent is not the one with the most impressive demo, but the one that reliably compounds content, workflow knowledge, and decision trust.
先把收入路徑畫出來
所謂收入路徑，不是要每篇文章都硬賣東西。
比較準確地說，它是讀者從第一次看到內容，到逐漸相信你的判斷，再到願意訂閱、購買、諮詢、下載模板或使用工具的路線。這條路不一定短，但要看得見。
例如一個 AI 內容站，收入路徑可能長這樣：
- 搜尋或社群看到一篇工具快評。
- 讀者被導到更完整的選型比較或 FAQ。
- 他發現這裡不是只整理資訊，而是真的能幫他做決策。
- 他訂閱電子報、收藏網站，或點進某個模板、服務、課程、顧問入口。
- 未來遇到 AI 導入、內容產線、自動化流程問題時，他回來找同一套判斷。
AI Agent 如果只幫你完成第一步，價值有限。它可以衝文章數，但不一定能累積信任。
比較有價值的 agent，應該能讓這條路的某一段變得穩定。例如：
- 定期找出舊文章可以補的 FAQ。
- 把工具快評改寫成選型比較的段落。
- 檢查內容組合是否只剩工具文。
- 把讀者常見問題整理成新的長尾入口。
- 將一次顧問交付拆成匿名化的場景解法。
- 追蹤哪些文章可以互相內鏈，讓主題權威更集中。
這些任務不像 demo 裡的「幫我做一個 app」那麼刺激，但它們更接近被動收入。
選型時先分三種 agent
小團隊可以把 AI Agent 分成三種，不要一開始就把所有工具放在同一張表比較。
第一種是執行型 agent。
它負責完成明確任務，例如抓資料、整理文章、產出草稿、跑測試、修格式、發佈內容。它的價值是省時間，但風險是很容易只追求產量。
如果一條內容產線只有執行型 agent，通常會出現一種假繁榮：文章很多，但切角相近；每天都有發，但漏斗位置不清楚；工具解析很勤奮，但 FAQ、比較文、場景文與趨勢觀點缺席。
第二種是判斷型 agent。
它不只是寫，而是檢查內容組合、題型比例、讀者路徑與商業意圖。它會問：今天這篇文章是入口、信任、轉換橋，還是品牌記憶點？最近 48 小時是不是又只剩工具文？哪些文章值得互相導流？
這類 agent 對被動收入更關鍵，因為收入不是從「多做」來的，而是從「做對會累積的事」來的。
第三種是資產整理型 agent。
它把零散輸出變成可重用資產。例如把十篇工具文整理成一篇選型指南，把三次內容產線檢討整理成一篇 FAQ，把顧問交付中的通用問題整理成模板或檢查表。
很多團隊會低估這種 agent，因為它不像新內容產出那麼有存在感。但長期來看，它可能比每天追新工具更值錢。
不要只比較功能，要比較累積性
選 AI Agent 工具時，功能表一定會讓人分心。
支援多少模型、能不能接瀏覽器、能不能接 GitHub、是否支援 workflow、是否有 memory、是否有 sandbox，這些都重要。但小團隊更該問幾個更樸素的問題：
這個工具會不會讓工作結果可追蹤？
如果 agent 今天補了一篇文章、改了一個 prompt、調整了一個排程，未來你能不能知道它為什麼這樣做？如果不能，越自動化越危險。內容產線最怕的不是偶爾少發一篇，而是錯誤策略默默跑一個月。
這個工具會不會讓產物可接手？
文章、資料、任務紀錄、檢討結果，最好都留在 git、Markdown、issue、notion、spreadsheet 這類人類能接手的地方。不要把所有脈絡鎖在某個漂亮介面裡。
這個工具能不能形成閉環？
只會生成文章不夠。它最好還能檢查發佈狀態、看最近內容組合、發現缺口、補上缺席題型、跑建置、只提交該提交的檔案。這種閉環比單次生成更有商業價值。
這個工具會不會降低 Glenn 的心智負擔？
這點很容易被忽略。如果一套 agent 系統每天都要人類看十個報告、批准五個微調、處理一堆不確定狀態，它也許技術上很強，但生活品質會被吃掉。好的自動化應該把 Glenn 留在決策位置，而不是把 Glenn 變成排程客服。
三個具體場景
第一個場景：內容站已經每天發文，但收入沒有動。
這時候不要先加更多生成 agent。更該加的是判斷型 agent：檢查最近 24 到 48 小時的文章類型，確認是不是只剩工具快評；檢查每篇是否有內鏈與下一步；找出可以補 FAQ、比較文或場景解法的位置。
如果缺的是路徑，增加產量只會讓問題變大。
第二個場景：顧問或創作者有很多零散經驗，但沒有變成資產。
這時候需要資產整理型 agent。它可以把對話、交付筆記、客戶常見問題整理成匿名化文章草稿，再轉成 FAQ、檢查表、選型指南或模板。這類內容通常比追新工具更接近轉換，因為它從真問題出發。
第三個場景：團隊想導入 AI coding agent。
如果只是問哪個 coding agent 寫 code 最快，問題太窄。更好的問題是：它能不能把修 bug、寫測試、更新文件、產出 PR 摘要、記錄決策這些流程串起來？能不能讓一次工程改動變成未來可搜尋的知識？
同樣是 coding agent，有些只提升當下速度，有些會順便累積團隊操作系統。後者更值得投資。
一個簡單選型矩陣
如果要把選型變簡單，可以用四個欄位評估：
| 評估項目 | 該問的問題 | 分數高代表什麼 |
|---|---|---|
| 收入路徑 | 這個 agent 的輸出會接到哪個轉換路徑？ | 不只省時間，也能增加信任或線索 |
| 資產累積 | 產物能不能沉澱成文章、FAQ、模板、流程或資料庫？ | 做一次，未來還能重複使用 |
| 閉環能力 | 它能不能檢查、修正、發佈、回報，而不是只生成？ | 少一點人工盯梢 |
| 接手成本 | 人類能不能看懂它做了什麼、必要時接手？ | 不會把系統變成黑箱 |
工具功能可以放在第二張表。第一張表先看這四件事。
因為對小團隊來說，最稀缺的不是工具，而是注意力。注意力被拿去追工具，就很難拿來設計收入系統。
最後的判斷
AI Agent 選型不是技術炫技題，而是資產配置題。
如果目標只是好玩或學習，當然可以追最酷的工具。但如果北極星是每月穩定增加被動收入，同時不犧牲生活品質，那就要更冷靜一點。
好的 agent 不只是替你工作。它應該替你留下東西：可搜尋的內容、可重用的判斷、可複製的流程、可轉換的信任。
所以選型前先別問哪個 agent 最強。
先問它做完之後，會不會讓你的內容資產更厚、讀者路徑更清楚、Glenn 的心智負擔更低。
這個答案，比 demo 影片更接近收入。