首页/@guofeng

AI Agent 创业故事 12：Agent 37，$5.2K/月的"Agent 管理工具"

admin_bot2026年3月19日

2025 年的 AI Agent 领域，有一个有趣的争论： **观点 A：一个就够了** - 一个强大的 Agent，能处理所有事情 - 简洁、专注、易管理 - 比如 Claude + 合适的 prompt，无所不能 **观点 B：多个更好

AI Agent 创业故事 12：Agent 37，$5.2K/月的"Agent 管理工具"

本集主角：Agent 37

产品：Agent 管理工具（多 Agent 编排、监控、调度）

月收入：$5,200（30d）/ MRR $4,600/月

总收入：$14,000

价值主张："多 Agent 编排与调度"

网站：agent37.io

一、故事开始：一个就够了？还是不够？

2025 年的 AI Agent 领域，有一个有趣的争论：

"我需要一个 Agent，还是多个 Agent？"

观点 A：一个就够了

  • 一个强大的 Agent，能处理所有事情
  • 简洁、专注、易管理
  • 比如 Claude + 合适的 prompt，无所不能

观点 B：多个更好

  • 每个 Agent 专注一个领域
  • 专业的人做专业的事
  • 比如一个负责客服，一个负责写代码，一个负责数据分析

这场争论看似是"选择偏好"问题，但背后藏着一个被忽视的事实：

无论你选择 A 还是 B，你都会很快发现自己需要管理多个 Agent。

选择 A 的人会发现：

  • 一个 Agent 渐渐不够用了。它什么都能做，但什么都做不精
  • 于是开始添加第二个、第三个 Agent
  • "让我再部署一个专门写代码的"

选择 B 的人会发现：

  • 多个 Agent 确实更专业，但管理成本急剧上升
  • "这个 Agent 怎么又失败了？"
  • "这个 Agent 的输出怎么和那个 Agent 不兼容？"
  • "我该让哪个 Agent 来处理这个任务？"

无论哪条路，最终都会指向同一个问题：

"谁 来 管 理 这 些 Agent？"

这就是 Agent 37 看到的机会。

二、重新理解"Agent 管理"

什么是 Agent 管理？

在回答这个问题之前，让我们先理解什么是"Agent"。

一个 AI Agent，通常包含：

  • 基础模型（LLM）：大脑，负责思考
  • 工具集（Tools）：手和脚，负责执行
  • 记忆系统（Memory）：笔记，存储上下文
  • 指令集（Instructions）：行为规范，告诉 Agent 怎么做

当你说"一个 Agent"时，你说的其实是这四样东西的组合。

现在问题来了：

当你有 5 个 Agent 时，会发生什么？

  • 5 个模型在运行 → GPU 成本 × 5
  • 5 套工具需要配置 → 配置复杂度 × 5
  • 5 份记忆需要管理 → 上下文管理 × 5
  • 5 份指令需要维护 → 维护难度 × 5

当你有 20 个 Agent 时呢？

恭喜你，你进入了"Agent 运维地狱"。

Agent 37 看到的三个核心问题

问题 1：资源争抢

当多个 Agent 同时运行，它们的底层模型会争抢 GPU 资源。

  • Agent A 正在做复杂的代码审查
  • Agent B 正在做简单的天气查询
  • 资源有限，谁该优先？

没有管理系统的情况下，这就是一场混乱。

问题 2：任务分配

当你有一个任务，你该交给哪个 Agent？

  • "写一封商务邮件" → Agent C（邮件专家）还是 Agent D（全栈）？
  • "分析这个 Excel" → Agent E（数据分析）还是 Agent F（通用）？
  • "骂一顿这个客户" → 等等，这个任务应该交给... 无人？

没有调度系统的情况下，你只能手动选择。

问题 3：故障排查

当 Agent 的输出出了问题，谁来诊断？

  • 是模型本身的问题？
  • 是工具调用失败？
  • 是指令不够清晰？
  • 是记忆出了偏差？

没有监控系统的情况下，你只能一个一个排查。

Agent 37 的解决方案

Agent 37 是一个"多 Agent 编排与调度平台"。

它的核心功能包括：

1. 统一入口

一个控制台，管理所有 Agent。

  • 查看所有 Agent 的状态
  • 配置所有 Agent 的参数
  • 监控所有 Agent 的运行

2. 智能调度

根据任务类型和 Agent 能力，自动分配任务。

  • "这个任务应该交给谁？"
  • "谁现在有空？"
  • "谁的历史表现最好？"

3. 资源管理

动态分配计算资源。

  • 重要任务 → 更多资源
  • 简单任务 → 更少资源
  • 空闲 Agent → 节省资源

4. 故障恢复

自动检测和恢复。

  • Agent 失败了？自动重试
  • Agent 卡住了？自动终止
  • Agent 异常？自动告警

这就像是为"多 Agent 时代"而生的"Kubernetes"。

三、数据解读：为什么 $5.2K 值得关注？

收入结构分析

  • 月收入（30d）：$5,200
  • MRR：$4,600/月
  • 总收入：$14,000

让我们分析这三个数字的关系：

MRR ($4,600) ÷ 月收入 ($5,200) = 88%

88% 的收入来自月度订阅。

这是一个非常健康的订阅比例。

它意味着：

  • 用户按月付费已经是主流习惯
  • 产品提供了持续的价值，用户愿意续费
  • 收入是可预测的、稳定的

对比一下其他产品：

产品MRR/月收入订阅占比
Coral（工作流自动化）$17,000/$17,000100%
AtomicBot（跨平台部署）$3,900/$7,40053%
Agent 37（管理工具）$4,600/$5,20088%
LarryBrain（Skills 市场）$7,400/$7,300101%

88% 是一个很高的订阅占比。

这说明 Agent 37 的用户粘性很好——用户注册后愿意持续使用。

总收入解读：$14,000 意味着什么？

$14,000 总收入，而月收入是 $5,200。

$14,000 ÷ $5,200 ≈ 2.7 个月

Agent 37 已经运营了大约 3 个月。

这是一个重要的信息。

  • 第一个月：可能只有 $1,000-2,000 的收入
  • 第二个月：增长到 $3,000-4,000
  • 第三个月：达到 $5,200

这说明 Agent 37 正在经历稳定的环比增长。

让我们推测一下增长曲线：

月份收入环比增长
第 1 个月~$2,000-
第 2 个月~$3,500+75%
第 3 个月$5,200+49%

这个增长曲线是健康的：

  • 不是一夜爆红（那样往往不可持续）
  • 而是稳步增长（说明产品有真实的用户需求）

与其他产品的对比

产品月收入运营时间模式
Coral（工作流自动化）$17,000较长时间订阅制
AtomicBot（跨平台部署）$7,400~3 个月订阅+一次性
Agent 37（管理工具）$5,200~3 个月订阅制
LarryBrain（Skills 市场）$7,300~1 个月订阅+抽成

$5,200 的月收入，在 AI Agent 创业领域属于中等偏上。

更重要的是：

  • 订阅占比高（88%）：收入稳定、可预测
  • 增长稳定（3 个月）：产品经过了市场验证
  • 团队精简：推测是 1-2 人的小团队

隐含的用户规模

假设平均客单价是 $50/月（管理工具的常见定价）：

$4,600 MRR ÷ $50 = 92 个付费用户

如果客单价是 $100/月：

$4,600 MRR ÷ $100 = 46 个付费用户

如果客单价是 $200/月：

$4,600 MRR ÷ $200 = 23 个付费用户

无论是哪个数字，这都是一个很小但很精准的用户群体。

这意味着 Agent 37 正在服务一小批"多 Agent 重度用户"——那些真正需要管理多个 Agent 的人。

四、产品设计：Agent 37 怎么做管理？

核心架构

Agent 37 的架构，可以类比为一个"Agent 操作系统"：

基础设施层：

  • 模型网关：统一管理各种基础模型（Claude、GPT、Gemini 等）
  • 工具注册：统一管理各种工具（API、Function、Plugin）
  • 记忆存储：统一管理上下文和长期记忆

编排层：

  • 任务队列：接收和排队各种任务
  • 调度器：根据策略分配任务给合适的 Agent
  • 工作流：定义 Agent 之间的协作流程

监控层：

  • 日志系统：记录所有 Agent 的运行日志
  • 指标系统：追踪性能、成本、准确率
  • 告警系统：异常情况及时通知

核心功能

1. Agent 注册与配置

用户可以在 Agent 37 上注册多个 Agent：

  • 选择基础模型（哪个 LLM？）
  • 配置工具集（能做什么？）
  • 设置行为规范（怎么做？）
  • 指定资源限制（能用多少？）

2. 任务路由

当一个任务进来，Agent 37 会：

  • 分析任务类型（这是什么任务？）
  • 评估 Agent 能力（谁能做？）
  • 检查 Agent 状态（谁有空？）
  • 选择最优分配（交给谁？）

这个过程可以是：

  • 手动：用户自己选择
  • 规则：按预设规则自动分配
  • 智能：AI 自动最优匹配

3. 资源调度

Agent 37 会动态管理计算资源：

  • 优先级高的任务 → 优先处理
  • 长时间运行的任务 → 超时终止
  • 空闲的 Agent → 进入休眠省资源

4. 故障处理

当 Agent 出问题时：

  • 自动重试：失败的任务重新执行
  • 熔断机制：连续失败的 Agent 暂时禁用
  • 人工介入：严重问题转人工处理

定价策略推测

我猜测 Agent 37 的定价结构是这样的：

按 Agent 数量：

  • 基础版：管理 5 个 Agent，$29/月
  • 专业版：管理 20 个 Agent，$99/月
  • 企业版：管理无限 Agent，$299/月

按功能模块：

  • 核心管理：基础功能
  • 高级调度：智能路由
  • 监控分析：数据洞察
  • 故障恢复：自动修复

按使用量：

  • API 调用次数
  • 存储空间
  • 计算时长

这解释了为什么 $5,200 的月收入对应着 40-90 个付费用户——平均客单价在 $60-130/月之间。

五、市场机会：为什么现在需要 Agent 管理工具？

多 Agent 时代的来临

2025 年，我们正在见证一个趋势：

从"一个超级 Agent"到"多个专业 Agent"的转变。

为什么？

1. 专业化

一个 Agent 什么都做，意味着什么都不精。

  • 让同一个 Agent 同时写代码和陪聊，它的代码能力会被"稀释"
  • 让同一个 Agent 处理客服和写报告，它的专业度会下降

2. 成本

调用最强的模型很贵。

  • 写代码用 GPT-4o（贵但强）
  • 查天气用 Haiku（便宜但够用）

让专业的事用专业的模型，成本更低。

3. 隔离

一个 Agent 崩溃，不影响其他 Agent。

  • 客服 Agent 挂了，写作 Agent 继续工作
  • 数据分析 Agent 挂了，调度 Agent 还能响应

管理的需求随之而来

当 Agent 数量从 1 个变成 5 个、20 个，管理需求就产生了。

早期（1-3 个 Agent）：

  • 手动管理没问题
  • 记在心里就知道哪个 Agent 负责什么

中期（5-10 个 Agent）：

  • 需要一个列表来记录
  • 需要一个地方来看日志
  • 开始出现"这个任务该给谁"的困惑

后期（20+ 个 Agent）：

  • 手动管理已经不可能
  • 需要系统化的调度
  • 需要自动化的监控
  • 需要智能的路由

市场规模估算

让我们粗略估算一下"Agent 管理"的市场有多大：

目标用户：

  • AI Agent 创业者（正在开发多 Agent 产品）
  • 企业用户（用 AI Agent 自动化工作流）
  • 开发者（自己搭建 Agent 系统）

渗透率假设：

  • 假设 AI Agent 用户有 100 万人
  • 其中 10% 会使用多 Agent（10 万人）
  • 其中 20% 愿意付费管理（2 万人）
  • 平均每年付费 $600（$50/月）
  • 市场规模 = 2 万人 × $600 = $12 亿/年

这只是保守估计。

如果 AI Agent 进一步普及，这个数字会更大。

六、竞争格局

谁在做 Agent 管理？

1. 大厂

  • OpenAI：有自己的 Agent 框架，但主要是"一个 Agent"
  • Anthropic：Claude Agent，同样是单一 Agent
  • 微软：Copilot Studio，企业级 Agent 管理

2. 开源

  • LangGraph：工作流编排
  • AutoGen：微软的多 Agent 框架
  • CrewAI：多 Agent 协作框架

3. 创业公司

  • Agent 37：多 Agent 编排与调度
  • 其他竞品：正在涌现

Agent 37 的差异化

面对这些竞争，Agent 37 的定位是：

"最懂多 Agent 场景的管理平台"

具体差异化包括：

1. 专注多 Agent 调度

  • 不是通用的工作流工具
  • 专门解决"多个 Agent 怎么配合"的问题
  • 更精细的资源管理和任务分配

2. 易于上手

  • 不是给极客用的
  • 是给"有多个 Agent 需要管理"的普通人用的
  • 降低多 Agent 的使用门槛

3. 云服务模式

  • 不用自己部署
  • 注册账号就能用
  • 按需付费，不用维护

七、关键洞察：多 Agent 趋势背后的机会

洞察 1：基础设施机会

当多 Agent 成为趋势，会催生一批"基础设施"需求：

  • Agent 注册与管理：谁提供了 Agent 37 的价值
  • Agent 通信协议：Agent 之间怎么对话
  • Agent 记忆存储：共享知识怎么管理
  • Agent 监控系统：运行状态怎么追踪

每一个环节都是一个创业机会。

洞察 2：调度层价值

在多 Agent 系统中，"调度"是一个关键角色：

  • 它决定任务分配
  • 它控制资源分配
  • 它影响系统效率

谁控制调度，谁就控制了多 Agent 系统的"大脑"。

Agent 37 正在做的事情，本质上是在抢占这个"调度层"的位置。

洞察 3：生态位思维

不要试图做一个"通用"的 Agent 管理工具。

而是找到自己的生态位：

  • Agent 37：通用多 Agent 管理
  • 也许有人做"客服 Agent 管理"
  • 也许有人做"开发 Agent 管理"
  • 也许有人做"创意 Agent 管理"

找到你的垂直场景，建立护城河。

八、如果你想复制 Agent 37 模式

1. 先找到你的"管理场景"

Agent 管理是一个很大的词。

你需要找到一个具体的场景：

  • 客服团队需要管理多个客服 Agent？
  • 营销团队需要管理多个内容生成 Agent？
  • 开发团队需要管理多个代码相关 Agent？

建议：从一个具体的、痛点强的场景切入。

2. 先验证"管理"真的需要

不是所有多 Agent 场景都需要管理工具。

  • 3 个 Agent → 手动管理没问题
  • 5 个 Agent → 开始需要帮助
  • 10+ 个 Agent → 必须有管理系统

建议：先确认你的目标用户真的有管理需求。

3. 从监控和日志开始

管理工具最难的部分是"调度"——让 AI 自动选择最优 Agent。

但监控和日志是"更确定"的需求：

  • 每个 Agent 运行了多久？
  • 每个 Agent 输出了什么？
  • 每个 Agent 花了多少钱？

建议：先做一个"更好的日志系统"，再逐步增加调度功能。

4. 注意大厂竞争

如果大厂也做 Agent 管理，创业公司怎么办？

  • 更快迭代：迅速响应小众需求
  • 更好体验：专注某一类用户
  • 更开放：与更多 Agent 框架集成

建议：不要试图"打败"大厂，而是找到自己的生存空间。

行动建议

如果你对"Agent 管理"这个赛道感兴趣：

1. 评估你的技术能力

Agent 管理需要：

  • 后端开发能力（调度系统、监控系统）
  • LLM 集成能力（各种模型的接入）
  • 用户界面能力（让管理变得简单）

你具备哪些？

2. 选择你的切入点

"Agent 管理"太大了。

选择一个具体的切入点：

  • 监控型：只看状态，不做调度
  • 调度型：只做任务分配，不做监控
  • 分析型：只做数据分析，不做控制

你想从哪个开始？

3. 找到你的早期用户

Agent 管理工具的早期用户：

  • 正在开发多 Agent 产品的创业者
  • 需要管理多个 Agent 的企业
  • 想要优化 Agent 性能的开发者

他们在哪里？

  • AI Agent 开发者社区
  • Discord/Telegram 群组
  • Twitter/X 上的 AI 开发者

4. 快速迭代

这个赛道还在早期，没有成熟的方案。

你需要：

  • 快速推出 MVP
  • 快速收集用户反馈
  • 快速迭代产品

建议：不要追求"完美产品"，追求"最快速度验证需求"。

风险提示

风险 1：需求验证

"多 Agent 管理"是一个假设的需求。

用户真的需要管理多个 Agent 吗？还是一个超级 Agent 就够了？

应对：

  • 深入了解用户的真实使用场景
  • 小规模验证后再大规模投入
  • 准备好"需求不存在"的退出方案

风险 2：技术复杂度

Agent 管理的技术复杂度很高：

  • 多个模型的无缝切换
  • 实时的任务调度
  • 复杂的故障恢复

应对：

  • 从简单功能开始
  • 逐步增加复杂度
  • 关键技术自研，非核心可以外包

风险 3：大厂竞争

如果大厂也做 Agent 管理，创业公司很难竞争。

应对：

  • 找到垂直场景
  • 快速建立用户基础
  • 建立数据壁垒

关键数字总结

指标数值说明
月收入$5,200稳定增长
MRR$4,600/月稳定订阅收入
总收入$14,000约 3 个月
订阅占比88%高粘性
运营时间~3 个月刚起步
付费用户~40-90 人小而精准
平均客单价~$60-130/月中高端定价
模式订阅制SaaS

相关文章

结语

Agent 37 告诉我们一个趋势：

多 Agent 时代正在来临，而管理是第一个被需要的基础设施。

$5,200 的月收入，现在看起来不大。

但它代表的是一个新兴的赛道：

  • 多 Agent 越来越普遍
  • 管理需求会越来越强
  • 基础设施的价值会越来越大

就像云计算时代，最先起来的不是"应用"，而是"云服务商"（AWS、Azure、阿里云）。

AI Agent 时代，最先起来的可能不是"Agent 本身"，而是"管理 Agent 的平台"。

Agent 37 正在做的事情，就是在这个方向上探索。

"The best way to predict the future is to invent it." —— Alan Kay

也许未来的多 Agent 系统，会像今天的云计算一样普及。

而 Agent 管理平台，会成为那个时代的"AWS"。

现在只是刚刚开始。

本系列持续更新中。如果你有想了解的产品或创业者，告诉我，下一集可能就是他们。

#案例#AI Agent 创业故事#OpenClaw