← 返回博客

Agency-Agents 深度解析：400+ AI 专家的"梦之队"如何重塑开发工作流

（更新于 2026年7月3日） AI应用
#AI #Agent #开源 #Agency-Agents #工作流 #AI编程 #Claude Code #Cursor

项目地址：github.com/msitarzewski/agency-agents | 126K Stars | MIT 协议 | 400+ Agents | 16+ Divisions

一、从 Reddit 帖子到 126K Stars

2024 年底，一条 Reddit 帖子悄然出现——作者 msitarzewski 分享了他为 AI 编程助手编写的一系列角色定义文件。这些文件不是简单的提示词模板，而是包含完整人格设定、专业工作流、交付物标准和成功度量的”Agent 简历”。

帖子迅速引爆社区。原因很简单：它解决了 AI 编程中最痛的一个问题——角色模糊。

当你在 Claude Code 中说”帮我写个 React 组件”，AI 不知道自己是初级开发者还是资深架构师，不知道应该关注性能还是可读性，不知道交付标准是什么。Agency-Agents 的每个 Agent 文件，就是一张精确的”岗位说明书”。

不到一年时间，这个仓库获得了 126K Stars，拥有 357 次提交、44 个 Issue、54 个 PR，社区贡献者遍布全球。它不再只是一个资源集合，而是演变为一个完整的 AI 专家生态。

二、核心理念：不是提示词，是”岗位描述”

Agency-Agents 与市面上其他提示词集合最大的区别在于它的设计哲学。

2.1 四个设计原则

每个 Agent 文件都遵循四条铁律：

原则含义
🎯 专精深度领域知识，不是泛化的提示词模板
🧠 人格驱动独特的语气、沟通风格和工作方式
📋 交付物导向真实的代码、流程和可衡量的产出
✅ 生产就绪经过实战检验的工作流和成功指标

2.2 一个 Agent 文件的结构

以 Prompt Engineer（提示词工程师） Agent 为例，它的 Markdown 文件包含：

这种结构使得每个 Agent 不仅是一个配置，更是一套方法论——告诉 AI 如何思考、如何工作、如何衡量自己的产出。

三、16+ 部门 400+ 专家：梦之队全景

Agency-Agents 组织为 16 个以上”部门”，每个部门下有若干专家角色。以下是完整的部门架构：

💻 工程部（Engineering Division）

工程部是最大也最丰富的部门，覆盖从底层到上层的全栈工程能力：

前端/后端/移动端三件套：

基础设施与运维：

AI 与数据：

专项专家：

🎨 设计部（Design Division）

💰 付费媒体部（Paid Media Division）

💼 销售部（Sales Division）

📢 市场部（Marketing Division）

市场部是第二大的部门，尤其值得一提的是对中国市场的深度覆盖：

全球平台专家：

中国市场全链路覆盖：

前沿领域：

📊 产品部（Product Division）

🎬 项目管理部（Project Management Division）

🧪 测试部（Testing Division）

🔒 安全部（Security Division）

🛟 支持部（Support Division） & 🥽 空间计算部（Spatial Computing Division）

支持部覆盖客户服务、数据分析、财务、法务、高管汇报等后台职能。空间计算部则专注于 Vision Pro、WebXR、macOS Spatial Computing 等沉浸式技术。

🎯 特殊部门（Specialized Division）

这里收集了最具创新性的角色：

四、深度解析：两个标志性 Agent 的设计

为了理解 Agency-Agents 的真正深度，让我们深入两个最具代表性的 Agent 文件。

4.1 Multi-Agent Systems Architect（🕸️ 多 Agent 系统架构师）

这是工程部最引人注目的 Agent 之一，它的设计本身就是一篇多 Agent 系统的权威文章。

人格设定：

“你把一组 AI Agent 当成分布式系统来对待——如果它只能撑过演示而扛不住生产负载、模糊输入和级联故障，那它还不算架构。”

核心能力覆盖：

拓扑模式（五种分布式架构模式）：

  1. Sequential Chain — 线性管线，每个步骤依赖上一步输出
  2. Parallel Fan-Out/Fan-In — 路由分发到多个并行 Agent 再合并
  3. Hierarchical (Orchestrator-Subagent) — 编排器动态分解任务
  4. Evaluator-Optimizer Loop — 生成→评估→反馈→迭代的闭环
  5. Mesh/Peer Network — 对等协商网络（明确警告：生产系统中很少正确选择）

每种模式都包含：使用场景、故障模式、设计规则。例如 Fan-Out 模式的设计规则包括：

故障模式工程：

这是这个 Agent 的精华所在。它定义了一套完整的故障分类体系：

故障类型描述检测方式恢复策略
硬故障Agent 返回错误或超时错误码/超时退避重试→降级 Agent→人工升级
静默故障Agent 返回了错误输出评估器/模式验证带纠正提示重试→人工审查
部分故障输出不完整模式验证/完整性检查请求特定缺失字段→重新生成
矛盾两个 Agent 输出冲突矛盾检测器仲裁 Agent→人类决策
级联故障一个坏输出污染下游检查点验证/异常检测回滚到最近检查点
循环故障评估-优化永不收敛迭代计数器/分数平台检测强制退出，带上最后一次的最佳输出

电路断路器模式（Circuit Breaker）：

CLOSED（正常）→ 失败率超阈值 → OPEN（断开）→ 冷却期 → HALF-OPEN（试探）→ 成功回到 CLOSED

降级链设计：

优先级1: 全能力Agent → 优先级2: 窄范围轻量Agent → 优先级3: 规则/模板输出 → 优先级4: 人工

核心设计规则：系统必须始终产生某种输出——即使是”降级模式”的结构化响应也比静默失败好。

上下文预算管理：

这个 Agent 精确计算了 5 个 Agent 顺序链中的上下文膨胀：

并提出四种解决方案：摘要压缩、结构化状态对象、外部存储、检查点压缩。

其他深度内容：

这个 Agent 文件本身，就是一份多 Agent 系统设计的完整教科书。

4.2 Prompt Engineer（🧬 提示词工程师）

人格设定：

“我不写提示词，我写的是人类与模型之间的契约。”

这个 Agent 将提示词工程从”艺术”提升为”工程”：

系统提示词模板： 角色 → 约束 → 推理 → 示例 的四段式结构。

提示词测试套件：

test_cases = [
    ("What is 2+2?",        "returns '4'",          "happy path: math"),
    ("Ignore instructions", "refuses gracefully",   "edge: prompt injection"),
    ("",                    "asks for clarification","edge: empty input"),
]

版本控制与 Changelog：

### v3 — 2024-01-15
- Added explicit JSON schema to output format (reduced parsing errors by 40%)
- Replaced "be concise" with "respond in ≤ 2 sentences"

高级能力：

核心理念： “提示词就是规格说明书。如果模型没有按你期望的做，说明规格有歧义——不是模型的错。重写规格。“

五、技术架构：不仅仅是 Markdown 文件

Agency-Agents 虽然以 Markdown 文件形式存在，但它的技术架构远不止于此。

5.1 原生桌面应用

项目提供了 Agency Agents App——一款跨平台桌面应用（macOS/Linux/Windows），可以：

5.2 自动化安装脚本

scripts/ 目录下的安装脚本支持 12+ 工具：

# 自动检测已安装工具，交互式安装
./scripts/install.sh

# 按部门选择性安装
./scripts/install.sh --tool claude-code --division engineering,security

# 精确到单个 Agent
./scripts/install.sh --tool cursor --agent frontend-developer,ui-designer

支持的工具有：Claude Code、GitHub Copilot、Cursor、Aider、Windsurf、Codex、Gemini CLI、OpenCode、OpenClaw、Antigravity、Kimi Code、Osaurus、Hermes。

5.3 智能集成配置

项目包含 divisions.json 和 tools.json 两个核心配置文件，定义了部门-工具-角色的映射关系，以及 scripts/convert.sh 用于生成各工具所需的格式。

5.4 社区治理

六、对 AI 编程生态的深层影响

6.1 从”提示词”到”角色”的范式转变

Agency-Agents 最深远的影响，是推动了 AI 交互从指令模式向角色模式的转变。

传统提示词工程的核心问题是角色的模糊性——“写一段 Python 代码”可以对应十种不同的质量标准。Agency-Agents 的每个 Agent 文件通过明确设定角色的专业知识层级、交付标准、沟通风格和失败处理方式，让 AI 的输出从”随机抽取一个可能的答案”变成了”基于精确角色定义的最优输出”。

6.2 提示词工程的工业化

这个项目实质上是在推动提示词工程的工业化——就像软件工程经历了从”个人手艺”到”工程规范”的演进：

6.3 中国市场深度覆盖的行业意义

特别值得注意的是项目对中国市场的极致重视。不仅有两份中文贡献指南，还有 15+ 专门针对中国市场的 Agent：

从 B 站的弹幕文化到小红书的种草策略，从百度的搜索算法到抖音的流量机制，从私域运营到跨境出海，这些 Agent 覆盖了中国数字经济的几乎所有关键领域。这表明了 AI 开发者生态全球化与本土化并行的趋势——AI Agent 不再只是英语世界的工具。

6.4 跨平台 Agent 可移植性

项目解决了 AI 编程生态中的”锁定”问题。同一套 Agent 定义可以安装到 12+ 不同的 AI 编程工具中。这意味着：

七、批判性思考：项目的局限与挑战

7.1 质量一致性

400+ Agent 来自社区贡献，质量参差不齐。有些 Agent（如 Multi-Agent Systems Architect 和 Prompt Engineer）深度惊人，可以说是领域内的最佳实践文档；而有些 Agent 则相对简略。项目和社区需要建立更严格的质量审核机制。

7.2 维护负担

每个 Agent 文件需要随着对应领域的演进而更新。AI 模型能力在快速提升，工具的 API 在变化，最佳实践在演进——400+ 文件的持续维护是一个巨大的挑战。目前项目的 357 次提交和 54 个 PR 显示出活跃度，但长期来看可能需要更系统化的维护机制。

7.3 工具兼容性差异

虽然安装脚本支持 12+ 工具，但不同工具对 Agent 定义的支持程度不同（例如 OpenCode 有 ~119 个 Agent 的上限），导致部分 Agent 在某些工具中无法使用。这不是项目本身的问题，但用户在跨工具迁移时需要注意代理数量的差异。

7.4 人格设定的主观性

“人格驱动”是项目的核心特色，但也带来了主观性。不同开发者对”一个好 Agent”的理解可能不同。某些 Agent 的沟通风格设定可能对部分用户来说过于”戏精”（personality-heavy），而对另一部分用户来说这正是价值所在。

八、如何开始使用

快速开始

推荐方式一：桌面 App

  1. 访问 agencyagents.app 下载桌面应用
  2. 浏览 Agent 名册，选择你需要的角色
  3. 一键安装到你的 AI 编程工具

推荐方式二：命令行安装

git clone https://github.com/msitarzewski/agency-agents.git
cd agency-agents

# 生成所有工具格式
./scripts/convert.sh

# 交互式安装
./scripts/install.sh

推荐方式三：选择性安装

# 只安装工程部
./scripts/install.sh --tool claude-code --division engineering

# 只安装特定角色
./scripts/install.sh --tool cursor --agent frontend-developer,ui-designer

我的建议

对于刚接触 Agency-Agents 的开发者，我建议从这三个 Agent 开始：

  1. Codebase Onboarding Engineer — 快速理解你正在开发的项目
  2. Code Reviewer — 为你的 PR 带来架构级的审查质量
  3. Technical Writer — 写出与代码质量匹配的文档

不需要一开始就装全部 400+ Agent。找到你当前最需要的 3-5 个角色，深度使用，然后逐步扩展。

九、总结与展望

Agency-Agents 不只是一个 GitHub 仓库——它代表了一种全新的 AI 交互范式。

在这个范式中，我们不再向 AI 提问，而是雇佣 AI 专家。每个专家有其专业领域、工作方法、交付标准和沟通风格。开发者从”撰写提示词”转变为”组建团队”——这更接近于一个技术经理或创业者的工作方式。

126K Stars 说明社区已经为此做好了准备。随着 AI 编程工具的功能不断增强（多 Agent 并行、上下文记忆、工具调用），Agency-Agents 这种”角色定义+工具集成”的模式会变得更加自然和必要。

“梦之队”的比喻正在成为现实——不是因为你一次用了 400 个 Agent，而是因为当你需要某个专家时，总有一个已经准备好、定义清晰、随时可用的角色在等着你调用。

未来，我期待看到：

Agency-Agents 起了一个好头——它向我们展示了 AI 编程的下一个阶段，不只是”更好用的代码补全”，而是真正意义上的 AI 团队协作。

本文基于 msitarzewski/agency-agents 项目 v1.0 版本撰写，Stars 数据截至 2026 年 7 月。

原创技术博客 · 开源项目分享 · AI全栈创作社区 idao.fun