上篇寫了如何用 Grok Bot 組建一隊 AI Marketing Team。這篇不重複 setup，只談一個更常被問的問題：
一個 bot 做全部，還是多個 bot 分工？
我的看法是：問題不在「一個 bot 做太多」，而在「有沒有獨立驗收」。角色堆得多，不等於質素自動上升；另一個 bot，也不自動等於獨立驗收。
先說清楚：Grok Bot 只協助部分自動化工作；每一個關卡都由我親自審閱，每一篇內容都由我親自批准才會對外發出。
TL;DR
獨立驗收 > 堆角色數。先問「這一步的 output，誰來驗收」，再決定要不要拆 bot。
單一 bot適合簡單、端到端、context 要齊的任務；工具和責任一多，表現容易跌，而且自己檢查自己效果有限。
多個 bot適合真正有專長邊界的分工，並可設 checker；但要付 handoff 成本，錯誤也可能沿 pipeline 傳下去。
Marketing 實戰：每個 bot 要有 clear job／outcome；上一個 output 成為下一個 input 之前先驗證；最後一關一定是人。
1. 單一 bot：簡單，但不萬能
單一 bot 的好處很直接：
簡單、易 debug：沒有 bot 之間的溝通協議，邏輯集中在一處，出事較易追。
Context 齊：同一個實體保留整段工作記憶，少一次 handoff，就少一次說明成本。
官方起步建議：不少 agent 設計指引都建議：早期先從單一 agent 開始；Grok Bot 文件亦寫明，先讓一個 Bot 擁有端到端 outcome，只有當工作出現穩定的 specialist 角色，才再加另一個 Bot。
但工具和責任一多，就容易出事：latency 上升、揀錯工具、做不完。權限也難收窄，因為一個 bot 往往要握齊所有動作的權限。
更關鍵的是：自己檢查自己，效果有限。研究發現，LLM 在沒有外部回饋時，自我修正常常幫不上忙，有時表現甚至變差；當同一個模型既是作者又是評分者，亦容易出現 self-preference。這不是「研究證明 marketing post 一定差」，而是機制上要小心：全程自己 research、自己揀題、自己寫、自己批，等於沒有第二對眼睛。
2. 多個 bot：可分工，但不是萬靈丹
多 bot 的好處同樣清楚：
專門化、易維護：每個 bot 專注一個範疇，prompt 和責任較短，測試也可以分開做。
可以設獨立 checker：例如 generator 起稿，critic 按明確準則評事實、格式或安全，再決定通過、退回或要求修改。
代價也要講明白：
Coordination overhead：每個 handoff 都加 latency，也多一個失敗點。
Context 流失：傳得越遠，該留的細節可能漏掉，不該膨脹的說明又可能越傳越大。
錯誤會順住 pipeline 傳下去：上一步低信心或離題的 output，下一步若照單全收，錯會被放大。
為分而分更差：沒有真正專長邊界，只是多開幾個 bot，反而更亂。順序性強的任務硬拆，有時表現比單一 agent 更差。
最重要的 caveat：另一個 bot ≠ 自動獨立驗收。
同一個 model 的幾個 copy 互相 critique，效果不一定好過自己多答幾次。Checker 若只做表面檢查，也幫不上忙。真正有用的驗收，通常要帶住不一樣的東西：明確 checklist、原始來源，或者人。
借用財務和資訊安全的老規矩：重點不是「每人只准做一件事」，而是「準備的人」和「批准的人」不要是同一個人。角色分開，也不等於一定要開多個 agent；同一套流程裡，也可以用關卡把驗收切開。
一個角色端到端 vs 分工加獨立驗收（示意）
3. Marketing 實戰：用 Grok Bot 設 clear job 與第二關卡
接住上篇的 setup，這裡只談三個實戰原則。
（1）每個 bot 一個 clear job／outcome
Grok Bot 文件強調：給每個 Bot 一個清楚的工作；寫成「General Helper」這類太闊的職稱，指引不足，saved context 也較難重用。一個強的請求，要寫清 outcome、重要來源、約束、交付物，以及 bot 該在哪裡停下來等你。
Bot job 描述示例（不是 prompt 模板，只是方向）：
Research bot：只交「過去 48 小時、附原文 link 的候選清單」；不寫稿、不發佈。
Writer bot：只根據已 KEEP 的條目起草稿；不自己改策略、不自己排程發佈。
QA bot：只按品牌與事實 checklist 給 PASS／改一輪／REJECT；不代人做最後批准。
（2）上一個 output＝下一個 input 之前，先驗證
「output 接 input」是常見的 sequential pattern，但它是結構，不是質素保證。好的 flow，要在 handoff 驗收：Validate agent output before you pass it to the next agent。否則上一步的錯，會變成下一步的「事實」。
（3）人批關卡：公開發出前，一定有人
在通用的 marketing team 裡，可以這樣想（示範結構，不是任何一個帳號的運作說明）：
Researcher 交候選 → 揀題人 KEEP／DROP
Writer 起稿 → QA 對 checklist
批核人（人）書面 OK 才排程
同一個人或同一個 bot 做兩步，中間只要隔了真正獨立的驗收，仍然可以健康；關鍵仍是驗收人不是作者自己。
對我自己的公開內容：Grok Bot 只幫忙部分自動化；每一個關卡都由我親自審閱，每一篇都由我親自批准，才會對外發出。Bot 可以協助準備和預先檢查，但不能代我批准，也不能自動把內容公開出去。
4. Manus：同樣可以拆開，但仍要驗收
若你已在用 Manus，Projects 或 Automations 也可以把不同步驟拆開交給不同流程；原則一樣：拆開之後，每一步仍要有驗收，而不是以為「分開了就等於安全了」。
5. 短 checklist
開新 bot 或改分工前，可以先問這五題：
這個 bot 的 clear job／outcome 是什麼？不做什麼？
它的 output，誰在下一關驗收？（另一個 bot 的明確準則，還是人？）
handoff 時要交什麼：原文 link、日期、PASS／FAIL 準則有沒有寫清？
若上一步錯了，下一步會不會照用？哪裏可以截停？
對外發出的最後一關，是否仍然是人？
如果你只記得一句：先定獨立驗收，再決定要不要多開一個 bot。
參考資料
Grok Bot docs〈Create and manage Bots〉：https://docs.x.ai/grok-bot/bots
Grok Bot docs〈Get started〉：https://cursor.com/docs/grok-bot/get-started
Google Cloud〈Choose a design pattern for your agentic AI system〉
Microsoft CAF〈Single agent or multiple agents〉
Microsoft Azure〈AI agent orchestration patterns〉
Huang et al.〈Large Language Models Cannot Self-Correct Reasoning Yet〉（ICLR 2024）
Panickssery et al.〈LLM Evaluators Recognize and Favor Their Own Generations〉（2024）
NIST Glossary「separation of duty」／NIST AI RMF 1.0（獨立覆核可降低內部偏誤）
上一篇 setup 教學（若你尚未看過）：https://www.aimarketinghk.com/p/grok-bot-ai-marketing-team-setup
AI Marketing Workshop｜2026 重整版
想更有系統地學 AI Marketing，可以看看已重整的核心三部曲：
L1：基本功 + 4 層用法地圖（Chatbot → Projects → Agent → Teammate）
L2：四步 Marketing 實戰 use case
L3：Manus 2.0 自動執行
Grok Bot 工作坊準備中。主題班 GEO 獨立開班。
每班約 8 人，方便提問與練習。11 月新一期開始接受報名。
→ 了解課程詳情
還未訂閱？可以在 aimarketinghk.com 免費訂閱我的電子報，並獲贈《Grok Bot AI MKT 入門體驗包》：配置一位 Chief of Staff，即可開啟 4 位經理，協助你由 research 做到文案 draft。
本期分享到此！
如果這份 Newsletter 對你有幫助，歡迎分享給身邊的 Marketer 朋友。你的意見是我進步的燃料 👇
下次見！
Arthur Tsui @ Founder of AI Marketing HK
有問題或想直接交流，歡迎經 WhatsApp 聯絡我（+852 5924 8321）。
