小帮手

一個 AI 熬夜看十萬條資料的時代結束了，WeJot開始讓一個 AI 研究部門同時開工。

「小帮手」把 SubAgent 協同分析 正式引入到資料分析場景：主 Agent 不再一個人硬扛海量資料，而是像一個研究團隊一樣，把大任務拆給若干位「小帮手」並行處理，最後再統一彙總。

為什麼需要小帮手

實踐中我們發現，很多複雜任務並不適合只靠單個 Agent：

• 數萬條使用者反饋、大量開放題文字、海量評論與輿情資料；
• 資料一多，一個 Agent 處理或讀取大量資料容易出現上下文膨脹，注意力飄移甚至模型直接報錯；
• 單一視角也容易遺漏邊緣訊號 —— 一份反饋既要看情緒，又要看痛點，還要做標籤和趨勢。

「小帮手」讓系統像一個真實團隊那樣工作：有人分析，有人分類，有人總結，最後再統一彙總。

它出現在哪裡

• 對話輸入框 / 喚起快捷功能

  在輸入框輸入 /，彈出的 Skill 浮層頂部就有「小帮手」的內建入口。點選後，輸入框會出現「小帮手」標籤，表示本輪會話會把可並行的子任務委派給小帮手們去做。

  

• 對話流中的「小帮手工作組」

  當主 Agent 呼叫小帮手時，對話流裡會出現一個批次分析資訊塊，按 batch 分組展示每位小帮手：

  • 每位小帮手有自己的編號、頭像、暱稱（例如「01 號小帮手 搜尋員」）；
  • 進行中顯示轉圈動畫 + 當前正在做的事（「正在文字分析中」「讀取資料已完成，繼續下一步」）；
  • 完成後自動打勾並摺疊子任務列表，主 Agent 接管後續彙總；
  • 滑鼠 hover 頭像，會浮出一張小帮手資訊卡片，展示當前執行的子任務清單及各步驟狀態（待執行 / 進行中 / 已完成）。

  

它是怎麼工作的

「小帮手」是一個多 Agent 協同的執行模式：

1. 主 Agent 拆解任務：把一次大型分析切分為多個可並行的子任務，併為每個子任務挑選合適的「小帮手」角色；
2. 並行委派：每位小帮手在獨立的上下文中處理自己負責的那部分資料，互不汙染上下文，避免單 Agent 處理海量資料時的上下文膨脹與注意力飄移；
3. 過程可見：每位小帮手的工具呼叫、階段進展實時反饋到對話流中；
4. 統一彙總：所有小帮手完成後，主 Agent 彙總各方結論，輸出分析結論、圖表，乃至完整報告。

比如一份十萬條 VOC 使用者反饋：一個小帮手負責情緒分析，一個負責提煉使用者痛點，一個負責標籤分類，一個負責發現異常觀點，一個負責總結趨勢變化 —— 最後由主 Agent 統一排程與彙總，從海量文字中洞察趨勢、痛點與潛在需求。

你可以自己定義「讓誰幹什麼」

「小帮手」不是固定流程，你可以在對話裡直接告訴主 Agent 怎麼分工，例如：

• 「站在產品經理視角分析」
• 「只尋找使用者流失原因」
• 「聚焦高價值使用者需求」
• 「挖掘競品尚未滿足的需求」

主 Agent 會按你的視角拆任務、起角色、分發給對應的小帮手並行處理。

一些貼心的細節

• 小帮手身份穩定：同一個專案裡同名的小帮手共享同一個頭像；重新整理頁面、再次進入會話，頭像與編號都不會變；
• 跨專案互不打擾：不同問卷各自獨立洗牌頭像序列，新專案第一次出現時重新隨機，保證同專案內小帮手頭像不重複；
• 流式過程穩定渲染：每個 batch 的小帮手以穩定 ID 渲染，流式過程中頭像和身份不會漂移；
• 完成即摺疊：所有小帮手完成工作後子列表自動收起，對話流保持整潔。

它適合誰

如果你也正在經歷：

• 使用者研究 / VOC 分析 —— 大量開放題、訪談記錄、使用者反饋；
• 市場研究 / 競品研究 —— 多個維度、多個對手並行掃描；
• 資料分析 —— 同一批資料要從多個視角同時拆解；
• 輿情監測 —— 海量評論、跨平臺內容的情緒與話題歸類。

那麼把任務交給「小帮手」，讓一個 AI 研究團隊同時開工，會比一個人熬夜看十萬條資料高效得多。

和其他能力的關係

• 與「理思路」配合：先用「理思路」把研究意圖理清，再讓「小帮手」並行執行分析；
• 與「Skills 管理」配合：小帮手在執行時仍然會呼叫已啟用的官方 / 自定義 Skill（如「文字分析」「資料分析」「文件生成」等），你可以透過 Skills 管理控制它們的能力邊界。

「WeJot」不只是讓 AI 幫你處理資料，更是讓多個 AI 像一個真正的研究團隊一樣協同工作：分工、協作、互相校驗、共同完成分析。