基于 APEX-Agents 框架，用 Agent 集群替代大部分专家角色扮演，将 World 构建成本降至原方案 30-40%， 同时通过专家关键节点介入保持数据质量。
将原方案的纯专家角色扮演拆分为五个阶段，每阶段明确标注由谁负责执行。核心原则：Agent 负责内容生产的规模化，专家负责质量的把关和现实性注入。
单个 World 从设计到交付的完整执行流。预计工期 3-5 天（原方案 5-10 天）。
专家选定项目背景（如：某科技公司 Pre-IPO 尽调），定义 3-5 个角色（投行分析师、公司 CFO、律师、审计师），明确关键决策节点和预期文件类型
专家写出 5-10 个关键剧情节拍（beat），每个 beat 包含：发生什么、谁参与、产出什么文件、哪里会出问题。这是 Agent 无法替代的「领域直觉」
4 个专用 Agent 按角色定义并行生成内容：Email Agent（邮件线程）、Doc Agent（文档/报告/备忘录）、Sheet Agent（财务模型/数据表）、Chat Agent（内部聊天记录）。每个 Agent 遵循剧本 beat 序列
自动化脚本验证：文件间交叉引用完整性、日期时间线逻辑一致、人名/公司名/数字无冲突、文件格式合规
专家审查 Agent 产出，注入「authentic messiness」：故意引入版本冲突的文档、拼写错误的邮件、遗漏附件的线程、前后矛盾的数据点。同时修正任何不符合领域惯例的内容
专家定义 5-10 个核心任务（高复杂度），Agent 基于核心任务扩展 10-20 个变体任务（参数变换/场景微调）。每个任务配套生成评分标准和自动验证器
专家执行三项最终检查：① 从业者视角审查整个 World 的可信度；② 随机抽取 3 个任务手动执行，验证评分标准合理性；③ 评估是否存在 AI 生成模式让被测模型占便宜
| 环节 | 执行者 | 产出 | 不可替代性 |
|---|---|---|---|
| 场景设计 | ● 专家 | 场景骨架、角色定义、剧本 beat | 高——Agent 不知道什么是「真实的混乱」 |
| 邮件/聊天生成 | ● Agent | 邮件线程、聊天记录、会议纪要 | 低——格式化内容，Agent 产量高 |
| 文档/报告生成 | ● Agent | 备忘录、分析报告、合同草稿 | 中——需要领域模板指导 |
| 数据表/模型生成 | ● Agent | 财务模型、数据集、日程表 | 低——结构化数据 Agent 擅长 |
| 噪声注入 | ● 专家 | 现实缺陷、不一致、遗漏 | 高——需要知道什么样的错误是「自然的」 |
| 核心 Task 设计 | ● 专家 | 高复杂度任务 + 评分标准 | 高——需要领域判断力 |
| 变体 Task 扩展 | ● Agent | 参数变换、场景微调的衍生任务 | 低——机械扩展 |
| Verifier 生成 | ● 自动化 | 自动评分脚本 | 低——规则驱动 |
| 终期验收 | ● 专家 | 质量报告、同源偏差评估 | 高——最终质量兜底 |
| 方案 | 专家工时/World | 估算成本/World | 质量等级 | 同源偏差风险 |
|---|---|---|---|---|
| Mercor 纯专家 | 3-5 人 × 3-5 天 = 60-125 人时 | $5,000 – $15,000 | ★★★★★ | 极低 |
| 混合方案（推荐） | 1 人 × 3 天 = 24 人时 + Agent | $2,000 – $4,000 | ★★★★☆ | 中等（可控） |
| 纯 Agent | 0 人时 | $50 – $100 API | ★★☆☆☆ | 严重 |
注：混合方案需额外 2-3 人周工程投入搭建 Agent Pipeline（一次性成本，不计入 per-World 成本）
| Agent | 输入 | 产出 | 关键约束 |
|---|---|---|---|
| Orchestrator | 场景骨架 + 剧本 beat | 执行计划 + 角色 System Prompt | 严格遵循专家定义的 beat 序列 |
| Email Agent | 角色信息 + 剧情节拍 | 邮件线程（.eml / .txt） | 保持回复链引用关系、时间戳递增 |
| Doc Agent | 文档类型模板 + 上下文 | 备忘录/报告/合同草稿 | 使用领域标准格式、引用其他已生成文件 |
| Sheet Agent | 数据 schema + 业务规则 | 表格/财务模型/数据集 | 数值内部一致、公式逻辑正确 |
| Chat Agent | 角色 persona + 事件触发 | 即时消息对话记录 | 口语化、含缩写和非正式表达 |
Agent 生成后，自动化脚本进行多维度一致性检查：
专家噪声注入的具体操作：
| 风险 | 影响 | 概率 | 应对措施 | 残余风险 |
|---|---|---|---|---|
| 同源偏差 Agent 生成的 World 对 AI 模型更友好 |
高 | 中 |
① 保留 10% 纯专家对照组 ② 专家验收时评估「AI 友好度」 ③ 测试时对比对照组 Pass Rate 差异 |
中低 |
| 内容过于干净 缺少真实工作场景的混乱感 |
中高 | 高 |
① 专家噪声注入（Phase 3） ② 噪声清单标准化 ③ 与 Mercor 真实 World 做 A/B 比对 |
低 |
| 领域深度不足 Agent 在专业细节上犯错 |
中 | 中 |
① 专家提供领域模板和术语表 ② Agent 只生成框架内容，核心判断点由专家定义 ③ 自动化领域术语一致性检查 |
低 |
| Agent 间不一致 多 Agent 生成的文件互相矛盾 |
中 | 中 |
① 共享上下文 memory ② Orchestrator 统一分配事实 ③ 一致性引擎自动检测 |
低 |
| 评分标准偏差 Agent 生成的变体任务评分标准不合理 |
中 | 中低 |
① 变体任务由核心任务规则化派生 ② 专家抽检 20% 变体任务 ③ LLM 交叉审计评分标准 |
低 |
| 里程碑 | 时间 | 交付物 | 决策点 |
|---|---|---|---|
| M1: Pipeline Ready | T+1w | 可运行的 Agent Pipeline | — |
| M2: Pilot Complete | T+2w | 4 个 World + 对比报告 | Go / No-Go 决策 |
| M3: Scale 50% | T+5w | ~50 个 World | 质量中期审查 |
| M4: Full Delivery | T+8w | 80-100 个 World + 1,500+ Tasks | — |
| M5: Validation | T+10w | Benchmark 对比报告 | 方案效果确认 |
混合方案不是 Mercor 的替代品，而是补充品。建议策略：