为什么需要自定义 Agent，而不是每次都从头提问
很多人用 AI 的方式是：每次打开对话，都要重新交代一次“我是谁、我要什么风格、不要写成什么样”。问一次两次还好，问到第十次，时间全花在重复交代背景上了。自定义 Agent 解决的就是这个问题：把“固定不变的那部分”提前写好，变成一个专属助手，以后每次直接找它，不用再从头讲一遍。
在 LM Station 里，这套思路可以分成两步走：第一步是搭一个专属 Agent，让它记住你的角色、任务和风格偏好；第二步是把多个 Agent 放进同一个群聊，让它们分工协作。第一步解决“不用重复交代”，第二步解决“一个人干不完的活”。如果你更关心大屏设备上的用法，可以先看今天的另一篇：iPad 和 Mac 上的 LM Station 使用场景。
第一步：搭一个专属 Agent，先想清楚四件事
搭 Agent 之前，不要急着写提示词，先在纸上或备忘录里想清楚四件事。想不清楚就直接搭，搭出来的 Agent 往往是“什么都会一点，什么都不精”，最后还是回到手动提问。
- 它是谁：比如“课程笔记整理助手”“产品文案初稿助手”“会议纪要审读助手”，角色越具体越好。
- 它负责什么：只写一件事，不要写“又能写稿、又能审稿、又能查资料、又能做表格”，一件事一个 Agent。
- 它不负责什么：明确写出禁区，比如“不编造没有来源的数字”“不直接给出医疗、法律等专业结论，只整理公开信息并提醒核对”。
- 输出长什么样：规定结构，比如“先给结论，再给三点理由，最后列出待确认项”，格式固定了，后续修改成本才会低。
按官方介绍，LM Station 支持自定义 Agent，并聚合了 20+ 云端模型，同时支持本地模型。这意味着你在搭 Agent 时，除了设定角色和任务，还可以考虑它背后用哪个模型：需要稳定输出的日常任务，可以先用一个你熟悉的模型；需要换视角审读时，再换一个模型对照。模型不是越贵越好，而是“适合这个固定任务”才好。
第二步：把提示词写成“说明书”，而不是“愿望清单”
一份好用的 Agent 说明，通常包含五个部分，缺了哪一部分，后面都要反复返工：
- 角色：用一句话说明它是谁，例如“你是一名擅长把长文整理成结构化笔记的助手”。
- 任务：用动词开头写清楚它要交付什么，例如“把用户提供的资料整理成提纲和要点，而不是直接扩写全文”。
- 输入规则：说明用户会给什么，例如“用户会提供原文、会议记录或链接，缺资料时先问清楚再动手”。
- 输出结构：规定段落顺序和小标题，例如“结论、要点、待确认项”三段，不要让它每次自由发挥结构。
- 边界与核对：写明哪些内容必须标注“需要人工核对”，哪些内容不许编造，哪些问题要先反问。
写完之后不要直接投入正式任务，先用三组测试问题试一轮：一个正常问题、一个边界问题（比如资料不全）、一个容易出错的问题（比如带数字的总结）。如果三组里有两组都需要你大幅改写，说明说明书还不够具体，先改说明书，再谈效率。
第三步：多 Agent 群聊怎么用？先分工，再对话
多 Agent 群聊不是“把很多 AI 拉进一个群里吵架”，而是“把一个任务拆开，每人负责一段”。按官方介绍，LM Station 的群聊支持在输入框中用 @ 邀请多个 AI Agent 一起对话、共同解决问题。下面这张官网截图就是群聊界面的样子：顶部提示用 @ 邀请多个 Agent，左侧同时保留了群聊、创意、知识库和模型等入口。
图注：LM Station Mac 端的新群聊界面，顶部提示可以在输入框中用 @ 邀请多个 AI Agent 一起对话、共同解决问题，适合把一个任务拆开分工。（图片暂缺）
一个可以直接套用的分工模板是“三人小组”：
- 主笔 Agent：负责初稿和结构，先把内容写出来，不用追求完美。
- 审读 Agent：负责挑毛病，重点看逻辑断点、重复表述和前后矛盾的地方。
- 核对 Agent：负责提醒风险，重点标出需要回到原始资料核对的数字、日期、人名和引用。
使用时建议按这个顺序推进：先让主笔出初稿，再让审读提修改意见，再让核对列出待确认清单，最后由你本人做定稿判断。不要让三个 Agent 同时各写一版全文，那样你最后要对比三份全文，工作量反而更大。群聊的价值在于“接力”，而不是“平行重复”。
三个可以直接套用的分工场景
场景一：写一篇课程总结。主笔先按提纲写初稿，审读检查有没有遗漏的章节和跳跃的逻辑，核对标出所有需要回到教材确认的概念和数字。你最后的工作只剩两件事：补上课堂上老师特别强调的点，删掉 AI 自己发挥的部分。
场景二：整理一次会议纪要。主笔把讨论整理成“结论、待办、负责人、时间”四栏，审读检查待办有没有遗漏、责任有没有写含糊，核对提醒哪些数字和时间需要和原始记录再对一遍。这个场景最忌讳“看起来很完整”，所以核对这一步不能省。
场景三：做一次产品或方案对比。主笔先列出对比维度，审读检查维度有没有偏向某一方，核对提醒哪些价格、参数和适用范围需要回到官网确认。对比类任务最容易出现“AI 把旧信息当成最新信息”，所以凡是涉及价格和版本的内容，都要以官网为准。
这三个场景的共同点是：Agent 负责“搭架子和找问题”，你负责“判断和定稿”。一旦把判断也完全交给群聊，群聊就会越聊越顺、但离你的真实需求越来越远。
Agent 背后用什么模型？一个简单的选择方法
很多人在搭 Agent 时纠结模型，其实可以先按任务类型粗分，再慢慢微调：日常整理和改稿，先用稳定、响应快的模型；需要多角度审读时，换一个不同厂商的模型对照；涉及隐私或离线场景时，优先考虑本地模型。下面这张官网截图展示的是模型厂商的开关入口，不同厂商的模型可以在这里启用或关闭，具体以你当前 App 版本和账号配置为准。
图注：LM Station iPhone 端的模型厂商设置界面，Anthropic、DeepSeek、Google 等预设厂商可以按需启用，自定义 Agent 背后用哪个模型，可以按任务类型再做选择。
- 先固定一个主力模型跑一周：不要每天换模型，否则你分不清是提示词的问题还是模型的问题。
- 一周后再换一个模型做对照：同一组测试问题跑两遍，对比输出结构和错误类型，再决定要不要换主力。
- 只在有明确理由时才换：比如“这个任务需要更强的审读能力”或“这个任务必须离线完成”，而不是“听说这个模型最近很火”。
如果你想进一步了解 LM Station 的知识库用法，可以参考本站之前的知识库教程：LM Station 知识库教程；如果你想了解它的 Deep Research 实测思路，可以看这篇：LM Station Deep Research 实测。
避坑清单：自定义 Agent 最容易踩的五个坑
- 角色写得太泛：写“全能助手”等于没写，角色必须具体到一个任务。
- 一次塞太多任务：一个 Agent 只负责一件事，需要多个能力时，拆成多个 Agent 再用群聊协作。
- 不写边界：没有“不编造、不直接给专业结论”这类边界，输出看起来越完整，风险越大。
- 不做测试就上正式任务：至少用正常、边界、易错三组问题试一轮，再投入真实工作。
- 把定稿权交给群聊：Agent 可以提意见、列清单，但最终判断和发布前核对，必须由你本人完成。
适合谁、不适合谁
适合的人包括：经常重复做同一类整理、写作或审读工作的人；希望把“每次都要重复交代的背景”固定下来的人；愿意先花半小时搭好 Agent、再长期复用的人。据开发者介绍，LM Station 累计下载已突破 100 万，但这并不意味着每个 Agent 搭出来立刻就好用，真正省时间的，是经过测试、反复微调后的那一个。
不适合的人也同样明确：如果你每个任务都不一样、几乎没有重复模式，自定义 Agent 的搭建成本可能高于收益，直接提问反而更快；如果你希望 AI 直接替你做最终判断、替你背书结论，那任何 Agent 都不适合，因为最终责任始终在你自己手里。
最后留一个可以直接动手的小作业：今天只搭一个 Agent，只负责一件事，先用三组测试问题试一轮，再决定要不要搭第二个。把第一个 Agent 跑顺了，多 Agent 群聊的分工才有意义。更多 LM Station 的官方信息，可以看官网 LM Station，下载入口见 LM Station App Store 页面。
利益相关：LM Station 为本站团队开发的产品，本文为官方分享。
