一个只有三个人、月营收 250 万日元的公司，用 Claude Code 搭了一套「AI 管理层」：CFO、COO、CMO、CEO 四个智能体各司其职，直接对接经营数据源。这个案例的参考价值不在规模，而在它把「AI 进管理层」这条路走通了一遍，并且踩出来的经验足够具体。

架构：每个角色一台机器，数据源直连

思路的转变是关键一步。过去是人收集信息喂给 AI；现在反过来——为每个高管角色建专用智能体，让智能体自己去取数，人类只做决策：

• CFO 直连 freee API（会计软件），现金流、报表随问随答；
• COO 连接表格和 Slack 日志，管执行层面的事务；
• CMO 对接 GA4、Google Ads、Search Console，盯营销数据。

改造前的痛点很真实：经营数据散落在 Slack、表格和会计软件三处，确认一次现金流状况要花 30 分钟——人肉跨系统拼数据。现在 CFO 智能体直接查 freee，30 分钟变成了一句话。

最值得抄的一个设计：CEO 只做汇总

四个智能体里，CEO 的职责被刻意限制到最小：只汇总其他三个智能体的报告，不做自己的取数和推理。原因是实操教训——让单个智能体包揽一切，会导致提示词不断膨胀直至崩溃。

这其实触碰了多智能体系统设计的核心矛盾：上下文有限，而组织信息无限。「角色分工 + 数据源直连 + 分层汇总」本质上是用软件架构解决上下文问题：每个角色智能体的上下文只装自己领域的事，跨域信息通过报告向上汇聚。这个模式和人类组织「逐级汇报」的结构同构——不是巧合，而是同一个约束（单点信息处理能力有限）演化出的同一种解法。

为什么值得关注

这是「AI work」最小可行组织的活样本。 大企业的 agent 落地普遍困在 PoC 地狱（行业数据是只有约 5% 的企业 AI 工具真正到达生产环境），而这个三人公司没有流程包袱、没有系统集成商、没有合规评审会，直接用 Claude Code 自定义命令就把系统搭起来了。小团队反而是 agent 组织化实验跑得最快的地方。

「让智能体主动取数」是对 AI 工作流的一次纠偏。 大部分团队的 AI 用法还停留在「人找资料给 AI 总结」，信息中间层还是人。这个案例把中间层彻底交给 agent：人从信息的搬运工升级为决策者——这才是「AI 作为同事」而不是「AI 作为搜索框」的差别。

给想做类似事情团队的三条可复用经验：① 按角色切分智能体，而不是做一个全能 agent；② 让每个智能体直连它职责内的数据源（API 优先于截图和导出文件）；③ 上层智能体只做汇总，控制上下文规模。三人公司能做到的，三十人、三百人的团队没有理由做不到——只是数据源对接和权限治理会更重。

参考：ai.jp.net 编译整理，原始案例来自日文技术博客。