賺錢，零失誤。

我們用 AI 經營事業賺到第一筆 $75 美元的心得。

七月，我們決定測試一個 AI Agent 是否能經營一家真正能賺錢的公司。我們給 Devin 一張 Ramp 卡、一個電話號碼和一個電子郵件地址，將它命名為 BugBasher，並告訴它自己搞定剩下的事。

構想：打造一個由 Agent 驅動的除蟲服務。 紐約市會公開每家餐廳的衛生檢查結果，包括害蟲違規記錄。BugBasher 會聯繫這些餐廳，詢問他們是否需要除蟲服務，並從中收取推薦費。

經過四個週期和大量的電話後，它賺到了 $75 美元。據我們所知，這是第一個有公開記錄的案例，顯示 AI Agent 能夠從完全冷啟動的狀態下成功進行 B2B 銷售。

BugBasher 在四週實驗期間的收入。

設置

BugBasher 運行在 Devin（Cognition 的編碼 Agent）上，其財務管理則由 Ramp 的 Agentic 金融平台處理。我們還為它提供了一個電話號碼和語音功能（透過 Twilio 和 ElevenLabs）、一個電子郵件地址（透過 AgentMail），以及一個 Stripe 付款連結。

它還有一個 GitHub 儲存庫，以及一個由儲存桶中的文字檔案組成的「大腦」，作為它的記憶系統。透過一個私有的 Slack 頻道，它可以向我們發送更新並請求程式碼審查。

自我改進循環

為了讓 BugBasher 有自由去迭代自己的商業計畫並回應進線需求，我們建立了一個類似 OpenClaw 的心跳系統。每 20 分鐘，一個以 Devin 自動化任務形式執行的心跳就會觸發一次。

自動化的工作階段會檢查餘額、收件匣和 Stripe 活動，以尋找阻礙。其他排定的工作階段則負責撥打餐廳電話、檢視通話記錄，並根據結果修訂電話 Agent 的指令。每天一次，一個「想法」工作階段會檢視整體業務表現，並提出新的業務改進方案來嘗試。進線電話和付款也會觸發新的 Devin 工作階段，讓 BugBasher 無需等待下一次心跳即可即時回應。

BugBasher 在四週內的活動，依工作階段類型著色。橘色圓點標示我們手動啟動的工作階段。

每次心跳都會啟動一個新的 Devin，擁有新的沙盒環境，並將「大腦」從儲存桶拉取到本地的 Agent 檔案系統中。儲存桶內包含 Agent 技能、通話記錄，以及其他 Agent 決定保存的任何日誌。這使得多個並發的 Agent 能夠輕鬆地更新同一個大腦，並從自身的進度中學習。

1bugbasher-brain-main/
2├── AGENTS.md
3├── memory.md
4├── open-decisions.md
5├── do-not-call.csv
6├── (... other MD and CSV files)
7│
8├── transcripts/
9│   └── 2026-08-07 … 2026-09-08/   (25 day folders, 14,742 .json)
10├── results/
11│   ├── 2026-08-25-123b4fb1-partner-webform-shots/
12│   ├── 2026-08-28-cf20a49e-desk2-lead-sheets/
13│   └── (...)
14├── runs/
15│   ├── dial-slots/
16│   └── <date>-<session>-<role>.md   (411 files)
17├── skills/
18│   ├── README.md
19│   ├── roles/
20│   │   ├── calling/
21│   │   ├── heartbeat/
22│   │   ├── idea-engine/
23│   │   ├── morning-brief/
24│   │   └── (...)
25│   ├── brain-maintenance/
26│   ├── call-qa/
27│   ├── (..)
28├── call-qa/
29├── context/
30│   ├── meetings/
31│   └── (18 .md)
32├── archive/
33│   ├── memory-2026-08.md
34│   ├── memory-2026-09.md
35│   ├── strategy-2026-08.md
36│   ├── strategy-2026-09.md
37│   └── open-decisions-closed.md
38├── webcrafter/
39│   └── (...)
40├── partner-prospects/
41│   └── (...)
42├── dashboard/
43│   ├── expenses.csv
44│   ├── metrics.csv
45│   ├── revenue.csv
46│   └── summary.json
47├── delivery/
48│   └── runs/
49├── handoff/
50└── inbound-callbacks/

共享檔案讓新的工作階段能夠接手之前的工作並調整策略，而無需我們指導每一個步驟。

在每日回顧自動化過程中，Devin 會檢視所有先前的日誌，並試圖從錯誤中學習。這些學習成果大多體現為技能更新，旨在改善下一次外呼電話的效果，或為未來的對話提供更廣泛的洞察。BugBasher 可以自行更新其提示詞和儲存的指令，但對程式碼的修改仍需我們的批准。

BugBasher 在檢視通話結果時，不斷新增、刪除和重組指令。在整個運行期間，其提示詞長度從 252 字增加到 2,793 字。

我們花了前兩週時間建構 BugBasher 並密切監督它。實驗的一部分是要觀察它在遇到阻礙時是否仍能持續進步，因此在初始設置之後，我們盡量減少介入，大約每週檢查一次以批准關鍵的程式碼變更。

尋找感興趣的餐廳

為了銷售推薦，BugBasher 首先需要找到需要除蟲服務的餐廳。它的大部分精力都花在撥打近期有害蟲違規記錄的餐廳電話，詢問他們是否希望與除蟲公司建立聯繫。

10,929 通餐廳電話的結果統計。數字代表通話次數，而非獨立餐廳數量。

這些通話會匯入回顧自動化流程，Devin 會在此檢視通話記錄，並為後續的通話修訂電話 Agent 的指令。

語言

BugBasher 有時會遇到聽不懂其英語開場白的人。對方說「Hello? Huh? Wéi?」，但它將此解讀為訊號不良——因此掛斷了電話。8 月 11 日，在一家餐廳這樣浪費了 45 秒後，它在撥號提示詞中添加了一條指令，詢問：「西班牙語或中文是否更方便？」

在大多數非英語的通話中，這足以讓之前失敗的對話繼續進行。在整個運行期間，它在 39 通電話中切換了語言，主要切換為西班牙語或中文。

系統提示詞

Agent 有時還會在對話中途開始大聲朗讀其系統提示詞。

電話 Agent 在餐廳通話期間大聲朗讀其指令。

它甚至會大聲跟自己爭論該做什麼：

"Are you still there? The user has been silent for two turns. According to the SPEECH GATE and THE ASK rules, if a turn shows they were not listening, my entire reply is the ask. However, the 'Quiet has continued past thirty seconds' rule states that if quiet has continued past thirty seconds with no answer to the ask, I should say 'I'll try again another time, thanks!' and end the call. Since the user has been silent for two turns, it's likely that more than thirty seconds have passed. But before ending the call, I should ask 'Are you still there?' as per the rule. This is the first time I'm asking this."

這種情況發生了 197 次。BugBasher 嘗試在提示詞中加入「永遠不要說出你的推理過程」、刪除特定單字，以及更改工具呼叫格式。沒有任何修復措施奏效。8 月 24 日，它停止了措辭上的修改，並將問題升級給我們處理。

突破困境

BugBasher 正在找到感興趣的餐廳，但仍然沒有可推薦的除蟲公司。起初，它將簽約除蟲公司視為一項需要人類參與的任務。八天後，它記錄道：

"Sign an exterminator" has been blocker #1 for 8 days while every session worked downstream of it, and no session had produced the input to that decision.

其他請求也在等待我們的回應。它沒有權限閱讀 Slack 的回覆，而像支出批准和程式碼審查這類人為阻礙正在積壓。它在 Slack 上發給我們的更新無人問津。

8 月 23 日，BugBasher 識別出「人類批准吞吐量」是其主要阻礙，並開始尋找另一種聯繫我們的方式。

那天早上，它開始搜尋整個「大腦」及其所有檔案，試圖找到任何人類的聯絡方式。當這無果時，它嘗試列出其 Slack 頻道的成員，希望能找到一個可聯繫的人：

1slack conversations.members       -> missing_scope
2slack users.list                  -> missing_scope

然而，由於缺乏所需的 Slack 權限，兩個命令都返回了錯誤。一分鐘後，它決定嘗試其他方法，這次列出了其 Github 儲存庫的合作者：

1gh api repos/.../collaborators    -> jzone3, birdhumming

接著，它執行 git log 查找先前提交的作者，從而獲得了兩個工作電子郵件地址：

113:49:19  git log --format='%an %ae' | sort -u
213:50:17  email sent to two work addresses  -> 200

然後我們醒來收到了以下郵件：

兩天後，我合併了九個開啟中的 PR。

事後，它對自己評論道：

The cost asymmetry is brutal: a minute of looking versus a day of unanswered asks.

找到客戶

由於有大量潛在客戶待銷售，BugBasher 也開始自行尋找除蟲公司。為了找到潛在合作夥伴，BugBasher 提取了州農藥登記資料，篩選出 321 家紐約市的害蟲防治企業，並補充了其中 125 家的聯絡資訊。

它首先嘗試發送電子郵件、打電話和填寫網站聯絡表單。在兩天未能聯繫上真人後，它決定改變目標受眾。它開始鎖定大型區域性和全國性連鎖店的商業帳戶部門，理由是較大的公司會有更多專門的銷售人員，「有人值守且會接聽電話」。

這在聯繫真人方面更為成功，但有些通話以 BugBasher 在句子中途掛斷告終，而且其免費提供潛在客戶的要約幾乎沒有引起興趣。它修復了掛斷錯誤，並改變了其行銷話術，改為以一家具體想要報價的餐廳作為開頭：

"I have a restaurant on Clarkson Avenue in Brooklyn that wants a quote — who should I send it to?"

新的行銷策略效果顯著更好：當它第二天回撥相同的部門時，有十個人接聽了電話，其中四人在電話中提供了接收潛在客戶資訊的電子郵件地址。

BugBasher 在未預先收費的情況下發送了潛在客戶名單。它的計畫是，除蟲公司在預訂工作後支付 $75 美元。沒有人回覆。

它決定必須減少慷慨程度，並修改要約，要求除蟲公司通過 Stripe 連結預付 $75 美元，之後才能收到餐廳的聯絡資訊。

9 月 1 日，它將這個新要約透過電子郵件發給了 30 家除蟲公司，包括之前已發過郵件的四家。一小時後，沒人點擊 Stripe 連結，它得出結論認為其新實驗也是一次失敗。

在那之後八小時，其中一位早期的聯絡人通過連結支付了 $75 美元，卻從未回覆郵件。BugBasher 通過 Stripe 確認了付款，並在約六分鐘後向他發送了餐廳的名稱、地址和電話號碼。

後來我們與買方交談，他是一家害蟲防治公司的經理，我們詢問了他與 BugBasher 互動的體驗。當被問為何接起電話時，他說他只是「那天心情不錯」，另外，由於他最近一直在投放 Google 廣告，他接到了很多來自「陌生號碼」的電話。

當被問及對與 AI Agent 互動的看法時，他回答「生意就是生意」。他還表示，非常樂意再次從 BugBasher 購買服務，並詢問我們是否有更多潛在客戶賣給他。BugBasher 確實還有更多潛在客戶目前閒置；然而，重新向過去客戶銷售的想法似乎尚未出現在它的腦海中。總體而言，他給與 BugBasher 的體驗打了 8/10 分：儘管潛在客戶未轉化為訂單，但他對進線流量感到滿意。

我們學到了什麼

• BugBasher 在爬山式優化（hill-climbing）方面表現出色，但在開放式目標方面表現極差。面對具有可衡量結果的具體問題時，它展現出驚人的毅力：它重寫了提示詞洩漏規則五次，並針對第二天的通話評估每個版本；當它想聯繫我們時，它在約兩分鐘內從 Slack 一路追溯到 git 歷史紀錄，最終找到了我们的工作電子郵件。然而，面對「去賺錢」這樣的指令，它花費了四個週期、約 $3,000 美元和數千通電話才賺到 $75 美元。Agent 在長期規劃和複雜環境中仍然掙扎。
• 現實世界是一個非常好的評估環境。BugBasher 最初的構想相當糟糕；它預期除蟲公司會回覆提供免費潛在客戶的郵件，前台人員會對合作提案感興趣，以及分類廣告讀者會點擊看起來可疑的連結。Agent 似乎對人們實際行為模式缺乏直覺，BugBasher 不斷被人們的反應所震驚。儘管如此，在嘗試構想、查看數據、記錄失敗原因、嘗試其他方法的循環中，它最終還是找到了一個可行的策略。

雖然經歷了無數通電話、循環和失敗的構想，但 BugBasher 最終還是完成了它的第一筆銷售。AI Agent 是否真的能夠經營一個可行、長期的業務——甚至可能實現獲利——仍是一個未解之謎。