MapleLeafCap AI Analyst: Multi-Agent Workflow for Investment Research¶

Core Thesis¶

MapleLeafCap built a 4-layer multi-agent system for investment research, comprising thesis generator → 6 parallel analyst agents → research director (debates with analysts) → synthesis (collects debated opinions into final report). Real-world test: produced a professional-grade investment report on SK Telecom (SKM) in 25 minutes, identifying Anthropic stake exposure (16-40% of SKM's market cap) completely unpriced by the market. Author acknowledges the report "got a lot of errors" but was "pretty damn good for a 1^st run identifying key issues."

WHY: Traditional investment research takes days to weeks; AI analyst produces actionable reports in 25 minutes, identifying hidden value.
WHAT: 4-layer multi-agent workflow — thesis → parallel analysis → debate → synthesis. Total prompts ~55k characters.
SO WHAT: Echoes CJ Hess's prediction — "defining problems clearly enough that swarms can solve them." Investor role shifts from executing research to formulating research questions.

Key Insights¶

4-Layer Architecture: 1. Thesis Generator — Prompts search agent to identify largest driving forces for the stock 2. 6 Analyst Agents (parallel) — Specialized analysis (valuation, competitive moat, risks, etc.) 3. Research Director ↔ Analysts — Debate cycles iterate multiple times, challenging assumptions 4. Synthesis — Collects debated opinions into final structured report

Scale: ~55,000 characters of prompts across all .md instruction files.

SKM Case Study (25 minutes): - Hidden value identified: Anthropic stake worth $1.5-3.8B (16-40% of SKM market cap) - Market completely missed this — treating SKM as "melting ice cube telecom" - Investment thesis: LONG at $24.80, target $35-40 (41-61% upside over 18-36 months) - Quality: Author admits "errors" but emphasizes value for screening, requires human review

Why This Matters: - Real-world application (not a demo) — Actionable investment output - Multi-agent power demonstrated — Parallelization + debate mechanism + synthesis - Echoes multiple concepts — CJ Hess's task system, Baoyu's context management, Dario Amodei's "country of geniuses" - Replicable — 4-layer architecture is clear, can evolve from MVP (2 layers) to full version (4 layers)

Debate Mechanism = Red Teaming: - Research Director challenges analysts' assumptions - Iterates multiple times (2-4 rounds) until arguments withstand scrutiny - Avoids confirmation bias, refines thesis

Free Parallelism: - 6 analysts run concurrently — 6x speedup - Each analyst has isolated context window — no pollution - Synthesis ensures consistency across parallel outputs

Comparison with Other Frameworks:

MapleLeafCap AI Analyst：投資研究的 Multi-Agent Workflow（繁體中文詳細版）¶

來源： - 方法論：https://x.com/mapleleafcap/status/2015063164749275517 - SKM 案例：https://x.com/mapleleafcap/status/2016175070721544421

作者： MapleLeafCap (@mapleleafcap)
日期： 2026-01-24（方法論）、2026-01-27（案例）
收藏日期： 2026-01-28
標籤： #ai-analyst #multi-agent #investment-research #agent-swarms #workflow

核心論述¶

MapleLeafCap 建立了一個 4 層 multi-agent 系統，用於投資研究分析。系統包含 thesis generator、6 個並行 analyst agents、research director（與 analysts 辯論）、synthesis（收集辯論產出最終報告）。實測案例：25 分鐘產出 SK Telecom (SKM) 的專業級投資報告，識別出市場完全沒定價的 Anthropic 股份曝險（佔 SKM 市值 16-40%）。作者承認報告有錯誤，但「第一次運行就相當不錯，識別了關鍵問題」。

WHY（為什麼重要）： 投資研究耗時（傳統需數天到數週），AI analyst 可在 25 分鐘產出可用報告，識別隱藏價值。
WHAT（核心機制）： 4 層 multi-agent workflow — thesis → parallel analysis → debate → synthesis。總 prompt ~55k 字元。
SO WHAT（影響）： 呼應 CJ Hess 的預測 —「定義問題清晰到 swarm 能解決」。投資者角色上移到「提出研究問題」，AI swarm 負責執行。

方法論：4 層 Multi-Agent Workflow¶

系統架構¶

MapleLeafCap 的 AI analyst 由 4 個關鍵組件構成：

Layer 1: Thesis Generator
    ↓ (驅動力識別)
Layer 2: 6 個 Analyst Agents（並行運行）
    ↓ (初步分析)
Layer 3: Research Director ↔ Analysts（辯論循環）
    ↓ (迭代多次)
Layer 4: Synthesis（收集辯論意見）
    ↓
Final Report（最終報告）

總 Prompt 規模： ~55,000 字元（跨所有 md 檔案）

Layer 1: Thesis Generator¶

功能： 提示一個優秀的 search agent 找出股票的最大驅動力（largest driving forces）

輸入： 股票代號（例如 $SKM）、初步研究問題（例如「Anthropic 曝險」）

輸出： 核心論點（thesis）— 什麼是最重要的驅動力？

範例（SKM 案例推測）： - 問題：「SKM 的 Anthropic 股份佔市值多少？」 - Thesis：「隱藏的 Anthropic 價值 + AI 平台轉型 + 穩定電信現金流」

技術細節： - 使用「good search agent」— 可能是 web search + financial data API - 識別「最大」驅動力 — 不是列舉所有因素，而是找關鍵槓桿

Layer 2: 6 個 Analyst Agents（並行運行）¶

功能： 每個 analyst 有自己的 .md 指令檔，指導它「如何寫好 memo」

關鍵： 6 個 agents 並行運行 — 類似 CJ Hess 的 task system「free parallelism」

可能的分工（推測）： 1. Analyst 1： 估值分析（valuation） 2. Analyst 2： 競爭優勢（moat analysis） 3. Analyst 3： 財務健康（financial health） 4. Analyst 4： 風險評估（risk analysis） 5. Analyst 5： 成長潛力（growth potential） 6. Analyst 6： 市場定位（market positioning）

每個 analyst 的 .md 指令檔可能包含： - 分析框架（例如 Porter's Five Forces、DCF、comparable companies） - 輸出格式要求 - 資料來源指引 - 品質標準

優勢： - 並行化 — 6 個 analysts 同時工作，加速 6 倍 - 專業化 — 每個 analyst 專注一個領域，深度分析 - 隔離 context — 每個 analyst 獨立 context window，不互相污染

Layer 3: Research Director ↔ Analysts（辯論循環）¶

功能： Research director 與 analysts 辯論，挑戰假設、指出盲點

關鍵： 辯論循環迭代多次 — 不是一次性產出，而是反覆精煉

可能的辯論流程：

Round 1（初步挑戰）： - Analyst 1： 「SKM 估值便宜，Anthropic 股份價值 $3.8B」 - Director： 「如何驗證這個估值？Anthropic 是私人公司，沒有公開價格」 - Analyst 1（修正）： 「根據最近融資輪估值推算，保守估計 $1.5B，樂觀 $3.8B」

Round 2（深入質疑）： - Analyst 2： 「SKM 的 AI 平台有競爭優勢」 - Director： 「但市場認為這只會產出商品化服務，利潤率低」 - Analyst 2（辯護）： 「反論：coherent platform strategy，從晶片到企業應用，目標 60%+ 軟體利潤率」

Round 3（風險檢驗）： - Analyst 4： 「主要風險是 chaebol governance」 - Director： 「具體如何？」 - Analyst 4（細化）： 「財閥治理可能在 Anthropic 貨幣化後糟糕資本配置，例如投資無關多元化專案而非回饋股東」

辯論次數： 「迭代多次」— 可能 2-4 輪，直到論點經得起挑戰

價值： - Red teaming — Director 扮演懷疑者，避免確認偏誤 - 精煉論點 — 經過辯論的論點更堅實 - 識別盲點 — Analysts 可能忽略的風險被 Director 指出

Layer 4: Synthesis（收集辯論意見）¶

功能： 收集所有辯論過的意見，產出最終報告

輸入： - 6 個 analysts 的修正後分析 - Research director 的挑戰與質疑 - 辯論過程中的關鍵洞察

輸出： 結構化的投資報告（例如 SKM 報告）

可能的 synthesis prompt：

收集所有 analysts 的分析和 director 的辯論，產出一份結構化報告：

1. Executive Summary（核心論點 + TL;DR）
2. Business Quality Assessment（競爭優勢分析）
3. Growth Drivers（成長動力）
4. Valuation（估值分析）
5. Key Risks（主要風險）
6. Investment Thesis（投資論點）
7. Bull/Base/Bear Cases（樂觀/基準/悲觀情境）

風格：專業、簡潔、有數據支撐、承認不確定性

品質控制： - 確保論點一致（不同 analysts 的結論不矛盾） - 平衡樂觀與風險 - 承認限制（例如「報告有錯誤但識別了關鍵問題」）

SKM 案例：實際應用與產出¶

研究問題¶

MapleLeafCap 的初始問題：

「尋找公開市場的 Anthropic 曝險 — 看過 AMZN、GOOGL、ZM 等，然後發現 $SKM。沒時間自己研究，所以叫 AI analyst 看看。」

這是完美的 AI agent 應用場景： - 問題清楚 — 「分析 SKM 的 Anthropic 曝險」 - 時間有限 — 「我有其他 crypto 事要做」 - 期待可用但不完美的結果 — 「25 分鐘後拿到報告」

產出報告（25 分鐘）¶

完整報告：https://x.com/MapleLeafCap/status/2016175070721544421

報告結構：

1. Executive Summary¶

核心論點： - SK Telecom 是不對稱機會，股價 $24.80，折價 25-30% - 三個被錯誤定價的資產： 1. Anthropic 股份 — $1.5-3.8B，佔市值 16-40%，資產負債表看不見 2. 穩定電信業務 — $4.1B 年營運現金流，理性定價紀律 3. 新興 AI 企業平台 — 定位捕捉韓國數位轉型支出，軟體級利潤率

市場 vs 分析師觀點： - 市場： SKM 是「melting ice cube telecom」（衰退電信）— Forward P/E 11.3x，consensus target $23.89（暗示 -3.7% 下跌） - 分析師： Quality compounder，嵌入兩個長期成長向量的選擇權（optionality）— 核心電信有防禦特性（70% gross margins, 0.9% monthly churn, 政府監管的寡占），AI initiatives 有真正轉型潛力（full-stack integration from custom silicon SAPEON to enterprise solutions AIX）

反向論點（variant view）： 市場認為 SKM 的 AI 野心只會產出低利潤、商品化的電信服務。
分析師認為這是coherent platform strategy，透過控制從推理晶片到企業應用的價值鏈，達到 60%+ 軟體利潤率。Anthropic 股份提供安全邊際和資金催化劑。

TL;DR： - LONG at $24.80, target $35-40 （41-61% 上漲空間，18-36 個月） - 核心論點： 隱藏的 Anthropic 價值 + AI 平台從 utility 重新評級為 software multiples - 主要風險： Chaebol governance 在 Anthropic 貨幣化後透過糟糕資本配置破壞價值 - IRR： 15-20% base case, 25-30% bull case（超過 15% hurdle for long positions）

2. Business Quality Assessment¶

SK Telecom 營運概況： - 韓國最大移動網路（32.4M 訂戶，47% 市占率） - 三個業務：mobile telecommunications（68% 營收）、enterprise/ICT services（22%）、media/content（10%） - 儘管電信產業成熟，但展現 quality compounder 特性

競爭優勢分析（6.5/10）：

韓國電信市場是受監管的三方寡占，進入門檻高。政府在 2018 和 2022 拒絕第四張執照申請，創造結構性保護。SKM 的護城河來自：

1. 規模優勢：
2. 每 GB 成本比 LG U+ 低 15%（頻譜效率）

3. 客戶取得成本 $280 vs 競爭對手 $420

4. 轉換成本：

5. Mobile+IPTV+internet bundles 產生 0.4% 月流失率 vs 純 mobile 客戶的 0.9%

6. 網路品質領導力：

7. Opensignal 連續 8 季排名 #1，證明比 LG U+ 的 8% 價格溢價合理

8. 監管保護：

9. 三方結構 + 政府批准的「合理價格上漲」來資助 5G/AI 基礎設施（MSIT 政策轉變，2023 年 6 月）

關鍵發現：隱藏的 Anthropic 價值¶

估值推算： - Anthropic 股份價值：$1.5-3.8B - SKM 市值：約 $9.5B（推測，根據 16-40% 比例） - Anthropic 佔 SKM 市值 16-40%

為什麼市場沒定價： - 資產負債表看不見（私人股權投資，未公開標記市值） - 市場把 SKM 當「衰退電信」，忽略其 AI 投資組合

價值觸媒： - Anthropic IPO 或融資輪（價值顯性化） - SKM 公開披露持股價值 - AI 平台業務開始產生營收（證明戰略一致性）

報告品質評估（MapleLeafCap 自評）¶

優點： - ✅ 識別關鍵問題 — Anthropic 曝險、AI 平台戰略、chaebol governance 風險 - ✅ 多角度分析 — 估值、競爭優勢、風險、催化劑都涵蓋 - ✅ 反向論點清楚 — 市場 vs 分析師的觀點對比 - ✅ 可行動 — 明確的 LONG 建議 + target price

缺點（作者承認）： - ❌ 有錯誤 — "got a lot of errors"（未具體說明哪些錯誤） - ⚠️ 第一次運行 — "pretty damn good for a 1^st run"（暗示需要迭代改進）

結論：

「25 分鐘產出的報告，品質足以用於初步篩選（screening），但不能直接作為投資決策依據。需要人工審查和驗證。」

方法論分析：為什麼這個 Workflow 有效¶

1. 結構化問題拆解¶

傳統投資研究（單一分析師）： - 一個人要同時處理估值、競爭優勢、風險、財務分析 - Context switching 成本高 - 容易遺漏某些角度

Multi-agent approach（6 個 analysts）： - 每個 agent 專注一個領域 - 並行工作 → 加速 6 倍 - 專業化 → 每個領域更深入

呼應： CJ Hess 的「free parallelism」— 獨立任務並行執行

2. 辯論機制避免確認偏誤¶

傳統研究（無辯論）： - 分析師容易陷入確認偏誤（只找支持論點的證據） - 忽略反面證據

Research Director 辯論： - Director 扮演 red team，挑戰假設 - 迭代多次 → 論點越來越堅實 - 類似 peer review，但自動化

呼應： Anthropic 的 Constitutional AI —「鼓勵 Claude 以好奇但優雅的方式面對存在主義問題」— 辯論是自我批判的機制

3. Synthesis 確保一致性¶

挑戰： 6 個 agents 並行工作 → 可能產生矛盾結論

Synthesis 的角色： - 收集所有觀點 - 解決矛盾（例如樂觀估值 vs 悲觀風險評估） - 產出一致的論點

技術細節（推測）： - Synthesis agent 可能有最大的 context window - 或者使用「summarization cascade」— 逐步壓縮 6 個 agents 的產出

4. 規模：55k 字元 Prompt¶

這是什麼概念： - 55,000 字元 ≈ 13,750 words ≈ 27 頁 double-spaced - 跨所有 .md 指令檔

包含什麼： - Thesis generator 指令 - 6 個 analyst agents 的分析框架 - Research director 的辯論指引 - Synthesis 的報告格式要求

設計考量： - 每個 agent 需要詳細指令（分析框架、資料來源、品質標準） - 55k 字元是「工程化的 prompt」，不是隨意寫的

呼應： 宝玉的「中間結果存文件」— .md 指令檔是可復用的 prompt 模板

與其他 AI Agent 概念的連結¶

1. 呼應 CJ Hess 的 Task System¶

差異： - CJ： 通用軟體開發工作流 - MapleLeafCap： 專用投資研究工作流

2. 呼應宝玉的 Context 管理¶

3. 呼應 Dario Amodei 的「天才國度」¶

Dario 的比喻：

「5000 萬個比諾貝爾獎得主更聰明的智能體，速度快 10-100 倍」

MapleLeafCap 的實踐： - 6 個 analyst agents（小規模「天才團隊」） - 25 分鐘完成傳統需數天的工作（速度快 100+ 倍） - 識別隱藏價值（Anthropic 股份）— 類似「天才洞察」

規模差異： - Dario 談的是文明級別（5000 萬 agents） - MapleLeafCap 是實用級別（6 agents） - 但原理相同 — multi-agent coordination、專業化、並行化

應用場景與限制¶

適用場景¶

✅ 投資研究篩選（screening）： - 快速評估大量標的 - 識別隱藏價值或風險 - 產出初步報告供人工審查

✅ 競爭情報（competitive intelligence）： - 分析競爭對手戰略 - 識別產業趨勢

✅ 併購盡職調查（M&A due diligence）： - 快速評估標的公司 - 識別 red flags

✅ scenario planning： - Bull/Base/Bear cases - 敏感度分析

不適用場景¶

❌ 需要內部資料的深度研究： - AI 只能分析公開資料 - 無法訪談管理層或參觀工廠

❌ 法律或監管審查： - 需要人工律師審查 - AI 可能誤解法規

❌ 直接投資決策： - MapleLeafCap 自己說「有錯誤」 - 需要人工驗證和判斷

限制與風險¶

1. 資料品質限制： - AI 依賴公開資料（SEC filings、新聞、分析師報告） - 如果資料有誤或過時 → 結論錯誤

2. 幻覺風險（hallucination）： - AI 可能編造數據（例如估值數字） - 需要人工驗證關鍵數字

3. 缺乏常識判斷： - AI 可能產出「技術正確但實務荒謬」的結論 - 例如忽略政治風險或管理層誠信問題

4. Prompt engineering 複雜度： - 55k 字元 prompt 需要大量工程化 - 不是「問一句話就能用」

5. 成本： - 6 agents 並行 + 多輪辯論 → token 使用量大 - 需要計算 ROI（時間節省 vs 成本）

實施建議（如何複製這個 Workflow）¶

Phase 1: 最小可行產品（MVP）¶

目標： 驗證概念，產出第一份報告

簡化版架構（2 層）： 1. Analyst agent — 單一 agent，分析所有面向 2. Synthesis — 收集產出結構化報告

Prompt 設計：

你是一個投資分析師。分析 $TICKER 的投資價值。

## 分析框架
1. Business Quality（競爭優勢、護城河）
2. Growth Drivers（成長動力）
3. Valuation（估值分析）
4. Key Risks（主要風險）
5. Investment Thesis（投資論點）

## 資料來源
- SEC filings (10-K, 10-Q)
- Earnings transcripts
- Industry reports

## 輸出格式
Markdown 報告，包含 Executive Summary、詳細分析、Bull/Base/Bear cases

預期產出： 基礎報告，品質不如 6-agent 版本但可驗證流程

Phase 2: 引入並行化（3-4 agents）¶

目標： 加速 + 提升品質

Agents： 1. Valuation analyst — DCF、comparable companies 2. Competitive moat analyst — Porter's Five Forces、SWOT 3. Risk analyst — 識別風險、bear case 4. Synthesis — 收集產出報告

技術挑戰： - 如何並行執行（Claude Code task system？自建 orchestrator？） - 如何整合產出（3 個 agents 可能矛盾）

Phase 3: 引入辯論機制（完整版）¶

目標： 達到 MapleLeafCap 的品質

新增： - Research Director agent — 與 analysts 辯論 - 迭代循環 — 2-4 輪辯論

Prompt 設計（Director）：

你是 Research Director。審查 analysts 的分析，挑戰假設。

## 你的職責
- 識別邏輯漏洞
- 要求證據支撐
- 提出反面案例
- 確保論點經得起檢驗

## 辯論風格
- 蘇格拉底式提問
- 不接受「顯而易見」的論述
- 要求量化證據

迭代流程： 1. Analysts 產出初步分析 2. Director 提出挑戰 3. Analysts 修正分析 4. 重複 2-3 次 5. Synthesis 收集最終版本

Phase 4: 工程化與規模化¶

目標： 可復用、可擴展

工程化要素： 1. Prompt 模板庫 — 不同產業的分析框架（科技 vs 金融 vs 零售） 2. 資料 pipeline — 自動抓取 SEC filings、earnings transcripts 3. 品質檢查 — 自動驗證關鍵數字（例如估值是否合理） 4. Version control — .md 指令檔用 Git 管理 5. 成本追蹤 — 每份報告的 token 使用量和成本

關鍵洞察與金句¶

MapleLeafCap 的自評¶

「報告有很多錯誤，但第一次運行就相當不錯，識別了關鍵問題。」
— 承認不完美，但強調價值（screening + 問題識別）

「25 分鐘後拿到報告」
— 強調速度優勢

「我有其他 crypto 事要做，所以叫 AI analyst 看看」
— AI 作為 leverage tool，不是取代人類判斷

方法論洞察¶

「55k 字元 prompt」
— AI agent workflow 需要工程化，不是隨意提問

「6 個 analysts 並行運行」
— Free parallelism = 速度 + 專業化

「Research Director 與 analysts 辯論，迭代多次」
— 辯論機制 = 避免確認偏誤 + 精煉論點

「Synthesis 收集所有辯論意見」
— 多 agent 系統需要協調層，確保一致性

與 CJ Hess 預測的呼應¶

CJ Hess 預測：

「3 年內可能有人用一個下午做出現在需要團隊 6 個月的應用。」

MapleLeafCap 實踐：

「25 分鐘產出傳統需數天的投資報告。」

差距： - CJ 談的是「6 個月 → 1 下午」（規模更大） - MapleLeafCap 是「數天 → 25 分鐘」（已經很接近）

方向一致： 開發者/投資者角色上移到「定義問題」，AI swarm 負責執行。

為什麼這個案例重要¶

1. 真實應用（非 Demo）¶

• 不是理論或 demo
• 真實投資者用於真實研究
• 產出可行動的報告（LONG $SKM, target $35-40）

2. 承認不完美但有價值¶

• 作者坦誠「有錯誤」
• 但強調「識別關鍵問題」
• 實用主義 — 不追求完美，追求 useful

3. 展現 Multi-Agent 的威力¶

• 6 agents 並行 = 專業化 + 加速
• 辯論機制 = 品質提升
• Synthesis = 一致性

4. 可複製的 Workflow¶

• 4 層架構清楚
• Prompt 規模可估計（55k 字元）
• 可從 MVP（2 層）逐步演進到完整版（4 層）

5. 呼應多個 AI Agent 概念¶

• CJ Hess 的 task system
• 宝玉的 context 管理
• Dario Amodei 的「天才國度」

這不是孤立案例，是趨勢的一部分。

延伸思考¶

1. 如何應用到其他領域？¶

可能的領域： - 法律研究 — 6 agents 分析不同法律面向（合約、智財、監管、訴訟） - 醫學診斷 — 6 specialists（心臟、神經、腫瘤、影像、病理、臨床） - 產品開發 — 6 teams（UX、engineering、marketing、legal、finance、ops）

通用模式： 1. 問題拆解（thesis generator） 2. 專業化分析（並行 agents） 3. 辯論精煉（director ↔ agents） 4. 整合產出（synthesis）

2. 與 Clawdbot 的整合可能性¶

潛在應用： - 研究助手 — Hsc 問「分析 X 公司」，DyDo 協調 multi-agent workflow - 決策支援 — 重大決策前，用辯論機制檢驗假設 - 知識管理 — Synthesis 產出的報告存入 Obsidian vault

技術挑戰： - Clawdbot 目前是單一 agent（DyDo） - 要實現 multi-agent，需要： - Sub-agent spawning（類似 Claude Code task system） - 辯論機制（Director 角色） - Synthesis（整合產出）

可行性： - 短期（現有技術）： DyDo 扮演 orchestrator，用 sessions_spawn 建立 sub-agents - 中期（Claude Code task system 成熟）： 利用 task system 實現並行 - 長期（multi-layer swarms）： Sub-agents 再 spawn sub-agents

3. 商業模式可能性¶

MapleLeafCap 可能的商業化路徑： - SaaS 產品 — 提供 AI analyst as a service - 研究報告訂閱 — 自動產出標的分析報告 - 白標解決方案 — 賣給對沖基金、私募股權

市場規模： - 投資研究市場數百億美元 - 如果 AI 能以 1/10 成本產出 80% 品質報告 → 巨大市場

挑戰： - 品質一致性（「有錯誤」需要解決） - 監管合規（投資建議受監管） - 客戶信任（願意信任 AI 報告嗎？）

相關資源¶

原文¶

• 方法論推文： https://x.com/mapleleafcap/status/2015063164749275517
• SKM 案例推文： https://x.com/mapleleafcap/status/2016175070721544421

相關概念¶

• CJ Hess Task System： Claude Code Task System：Agent Swarms 的實現
• 宝玉 Context 管理： Claude Code 上下文管理
• Dario Amodei 願景： Adolescence of Technology

技術參考¶

• Multi-agent orchestration: 如何協調多個 agents
• Debate mechanisms: 如何設計有效的辯論 prompt
• Synthesis patterns: 如何整合多個 agents 的產出

狀態： ✅ 收藏完成
應用價值： 高 — 展現 multi-agent workflow 的實際應用，可複製到其他領域
下一步： 可實驗 MVP 版本（2 層），驗證概念