用 Sim 管一整隊 AI 員工

📌 本文重點

• Sim 幫你管理一整隊多 Agent AI
• 用 TypeScript 定義角色與完整工作流
• 支援多家 LLM 與外部 API 工具
• 先從一條固定流程開始導入

Sim 要解決的問題很單純：你不想再手動 copy / paste 提示詞，而是讓一整隊 AI 员工自己分工、排程、回報進度。

專案連結：https://github.com/simstudioai/sim

---

Sim 是什麼？一句話定位

如果把 Claude、GPT 看成「單一員工」，Sim 就是幫你管理一整支 AI 團隊的中控台：

• 不提供自己的模型
• 專門用來定義多個 Agent 角色（researcher、writer、reviewer…）
• 負責任務分派、狀態管理、排程
• 幫你接上各家 LLM 與外部 API / 工具

你可以把它想成「用 TypeScript 寫的一個 Agent 作業系統」。

---

核心功能：用 TypeScript 排好一條完整工作線

1. 在一個專案裡定義多個 Agent 角色

Sim 的基礎就是：所有 Agent 都是 TypeScript 物件，你可以清楚寫出每個角色的職責與能力。

最小範例（簡化版）：

// agents/researcher.ts
import { defineAgent } from "sim";

export const researcher = defineAgent({
  name: "researcher",
  model: "gpt-4.1",
  instructions: "負責查找資料，整理重點，用 bullet points 回覆。",
});

// agents/writer.ts
export const writer = defineAgent({
  name: "writer",
  model: "claude-3-5-sonnet",
  instructions: "根據研究重點，寫成條理清楚的文章草稿。",
});

// agents/reviewer.ts
export const reviewer = defineAgent({
  name: "reviewer",
  model: "gpt-4o",
  instructions: "檢查文章結構、錯字與邏輯，提出修改建議。",
});

你可以採取的行動：

• 先從兩個角色開始（例如 researcher + writer），不要一開始就弄 5 個 Agent
• 把你平常給 ChatGPT 的系統提示，搬進 instructions 裡

💡 關鍵： 所有 Agent 以 TypeScript 物件定義，讓職責、模型與提示詞都可版本控制與共用。

2. 中央排程、任務分派與狀態管理

有了多個 Agent，接下來是：誰先做、做完交給誰、每一步狀態記錄在哪？

Sim 提供「任務 orchestrator」，你可以用工作流的方式描述整條流程：

// workflows/contentPipeline.ts
import { defineWorkflow } from "sim";
import { researcher, writer, reviewer } from "../agents";

export const contentPipeline = defineWorkflow({
  name: "content-pipeline",
  steps: [
    {
      agent: researcher,
      input: (task) => `請針對主題：${task.topic} 搜集 5 個重點`,
      saveAs: "researchNotes",
    },
    {
      agent: writer,
      input: (ctx) => ctx.researchNotes,
      saveAs: "draft",
    },
    {
      agent: reviewer,
      input: (ctx) => ctx.draft,
      saveAs: "reviewedDraft",
    },
  ],
});

這段程式直接做到：

• 定義固定步驟順序（research → write → review）
• 每一步產出的結果存進 context（researchNotes / draft）
• 後面 Agent 直接讀 context，不用你再 copy / paste

你可以採取的行動：

• 先用一條同步工作流（一次跑完）熟悉 API
• 等熟悉後再考慮加排程（例如每天 9 點自動跑一次報表）

💡 關鍵： 透過 workflow 把多步驟流程寫死在程式中，避免人工在多個對話間來回 copy / paste。

3. 接現有 LLM 與外部 API / 工具

Sim 本身不訓練模型，而是非常直接地：

• 支援 OpenAI / Anthropic / Mistral 等主流 LLM
• 可設定不同 Agent 用不同模型（便宜模型做抓資料，貴模型做審稿）
• 提供工具介面讓 Agent 呼叫外部 API

範例：設定不同 Agent 用不同 provider：

// config/models.ts
export const models = {
  cheap: { provider: "openai", model: "gpt-4.1-mini" },
  strong: { provider: "anthropic", model: "claude-3-5-sonnet" },
};

// agents/reportBot.ts
import { defineAgent } from "sim";
import { models } from "../config/models";

export const reportBot = defineAgent({
  name: "report-bot",
  model: models.cheap,
  tools: ["fetchSalesAPI", "generateCSV"],
});

你可以採取的行動：

• 先只用一個 provider（例如 OpenAI 或 Anthropic），確保 key 正常
• 把現有內部 API 包成簡單 function（例如 fetchIssues()），讓 Agent 直接呼叫

延伸閱讀：關於「模型只是基礎，缺的是中間這層 Agent / Workflow」的觀念，可以看這篇：
From Models to Agents: The Missing Layer Between AI and Real Problems
https://pub.towardsai.net/from-models-to-agents-the-missing-layer-between-ai-and-real-problems-8b08498780bd

---

適合誰用？三個具體場景

1. 內容生產流水線：多步驟寫作

典型流程：

1. researcher：收集資料、整理架構
2. writer：產生初稿
3. editor / reviewer：針對品牌語氣、錯字、結構調整

用 Sim，你可以：

• 把這條線寫成一支 workflow
• 每天丟一批題目進去，由 AI 團隊自動輸出草稿
• 人類只負責最後一層審稿

行動建議：

• 先挑一種固定格式內容（例如每週電子報）導入，不要從最複雜的長文開始

💡 關鍵： 把「固定格式內容」交給多 Agent 流水線，可穩定產出草稿，讓人類專注在高價值審稿。

2. 程式碼維護：issue triage → patch → review

典型流程：

1. triage Agent：閱讀 issue / log，分類並估工
2. patch Agent：嘗試產生修補碼
3. reviewer Agent：檢查 patch 是否合理

這個工作流很適合用 Sim：

• 由 triage Agent 先過一遍 backlog，把 issue 打標籤
• patch Agent 先產生 PR 草稿
• reviewer Agent 給出建議，最後再交給人類工程師合併

行動建議：

• 先從「只產出 patch 草稿，不自動 merge」開始，上線風險較低

3. 資料處理 / 報表自動化

場景：

• 每天從內部系統拉數據
• 清洗 / 合併
• 生成自然語言報表，發到 Slack / Email

用 Sim 可以：

1. data-fetcher Agent：呼叫 API 把原始資料抓回來
2. transformer Agent：整理成標準格式
3. reporter Agent：寫出「本日營收摘要」「異常提醒」

行動建議：

• 從一份你現在已經在做的固定報表開始，把現有流程翻成 workflow

---

怎麼開始：最小 Demo 三步走

下面是一條「10 分鐘內跑起來」的路線，假設你有基本 Node / TypeScript 基礎。

步驟 1：拉專案 + 安裝

git clone https://github.com/simstudioai/sim
cd sim
pnpm install # 或 npm install / yarn

（建議用 pnpm，與官方 repo 一致。）

步驟 2：設定 LLM Key

1. 建一個 .env 或使用 repo 提供的環境變數範本
2. 至少填一個 provider：

OPENAI_API_KEY=你的key
# 或
ANTHROPIC_API_KEY=你的key

1. 在 config 檔裡確認預設 model 指向你有 key 的 provider。

步驟 3：啟動一個簡單 workflow

1. 在 examples/ 目錄中選一個最小示例（通常會有 content pipeline / hello-world workflow）
2. 執行：

pnpm run dev
# 或 repo 內標註的 demo 指令，例如：
pnpm run demo:content

1. 到終端機或簡單 web UI 中，輸入一個主題，例如：

{
  "topic": "2025 年 AI 多 Agent 平台現況"
}

你應該會看到：

• researcher 的查資料結果
• writer 的初稿
• reviewer 的修改建議

行動建議：

• 先改一下 instructions，讓它用你的品牌語氣寫，感受一次「只改提示就換整隊 AI 風格」的效果

---

跟現有工具銜接：Routing、MCP、部署注意事項

與 Routing 工具（如 Followloop）搭配

Sim 專注在「多 Agent 工作流內部的協作」，而像 Followloop 這類工具更像是：

• 負責不同入口的請求路由（例如：客服問答 → FAQ Agent；技術問題 → Dev Agent）
• 決定「這個請求要送到哪條 Sim workflow」

實際做法：

• Followloop 端：根據使用者請求分類，決定要呼叫哪個 Sim API endpoint
• Sim 端：把每條 workflow 對外暴露成 HTTP endpoint

名稱	核心功能	免費方案	適合誰
Sim	多 Agent 工作流編排與執行	開源、可自架	想打造 AI 團隊的人
Followloop	請求路由與入口流量分配	視官方方案而定	有多入口流量的產品

與 MCP 工具共用

現在很多工具透過 MCP（Model Context Protocol）暴露能力，例如：

• 檔案系統存取
• 資料庫查詢
• 內部 API 代理

你可以：

• 在 Sim 的 Agent 定義裡，把 MCP 工具包裝成 tool
• 讓 Agent 在 workflow 中直接呼叫 MCP 工具

好處是：

• 你不用重寫工具，Sim 只負責編排誰在什麼時候用哪個工具

部署：Vercel 或自家伺服器

Sim 是 TypeScript 專案，所以部署邏輯跟一般 Node / Next app 相近。

部署到 Vercel 時注意：

• 把各家 LLM 的 API key 設成 Vercel environment variables
• workflow 若有排程，需要配合 Vercel cron / Edge function 或外部 scheduler
• 注意 Vercel 的執行時間限制，長任務可能要改為 background job

部署在自家伺服器時注意：

• 確認 Node 版本與 repo 要求一致
• 如果有敏感資料，建議：
• 把 LLM 呼叫走自家 proxy（避免直接暴露 key）
• 在 workflow context 中控制「哪些欄位可寫 log」
• Agent-to-Agent 通訊要考慮狀態持久化（例如用 Redis / Postgres），避免 Google A2A 那種「stateless agent 忘光對話」的問題（可參考這篇 Reddit 討論：https://www.reddit.com/r/artificial/comments/1synrp2/i_analyzed_3_a2a_approaches_2_already_failed/）。

---

一句話收尾：先把你的一條「固定流程」交給 Sim

不要一口氣把所有工作丟給多 Agent 系統，先挑一條你每天都在重複的流程（例如每週電子報、bug triage、固定報表），在 Sim 裡寫成 workflow，跑通一次，就能感受到「管理一整隊 AI 員工」的差別。

🚀 你現在可以做的事

• 到 GitHub 把 sim 專案 git clone 下來，跑一次官方 examples workflow
• 把你現行的一條固定流程畫成步驟圖，翻成第一個 Sim workflow
• 把現有給 ChatGPT 的系統提示整理進 instructions，測試同一 workflow 換不同提示的效果