如果你经常使用 Claude Code、Cursor、GitHub Copilot、Gemini CLI、Aider、Windsurf 等 AI 编程工具，应该会遇到一个共同问题：同一个大模型在不同任务里需要不同的工作方式。写前端、做后端架构、查性能、写文档、做增长方案、审代码、排故障，这些场景需要的上下文、输出标准和沟通风格并不一样。
Agency Agents 就是为这个问题准备的一套开源 AI Agent 角色库。它不是单个聊天机器人，也不是一个完整 SaaS，而是一组可以复制、安装、改造的专业智能体提示词/角色配置集合，目标是让用户在不同工作场景中快速切换“专家模式”。
项目简介
Agency Agents 的项目名来自“The Agency”概念：把一整支 AI 专家团队放到你的工作流里。项目 README 将它描述为一组经过打磨的 AI agent personalities，每个 Agent 都有自己的身份设定、核心任务、工作流程、交付标准和沟通方式。
它的核心价值不是“多几个提示词”，而是把常见工作角色结构化：例如前端开发、后端架构、移动应用、AI 工程、DevOps、技术写作、产品经理、增长营销、测试分析、客户支持、项目管理等，都拆成独立的 Markdown Agent 文件，方便在支持 Agent 的开发工具中加载。
适合解决什么问题？
- AI 编程上下文不稳定：每次都要重新告诉模型“你现在是前端专家/架构师/测试专家”，容易遗漏要求。
- 团队工作流难以标准化：不同成员使用 AI 的方式不一致，输出质量参差不齐。
- 复杂项目需要多角色协作：一个需求往往同时涉及产品、架构、开发、测试、文档和发布。
- 想快速搭建个人 Agent 库：可以直接复制项目里的角色配置，再根据自己的业务微调。
主要特点
1. 角色覆盖面很广
项目把 Agent 按职能分成多个部门，包括 Engineering、Design、Paid Media、Sales、Marketing、Product、Project Management、Testing、Support、Spatial Computing、Specialized、Finance、Game Development、Academic 等。对于开发者来说，最常用的通常是工程、测试、产品、技术写作和项目管理相关角色。
2. 不只是泛泛的提示词
每个 Agent 文件通常会包含身份定位、任务边界、核心流程、输出标准、成功指标和沟通风格。这样的结构更像“可复用的岗位说明书 + 工作 SOP”，比一句简单的“你是某某专家”更容易稳定产出。
3. 支持多种 AI 编程工具
README 中推荐优先用于 Claude Code，也提供了脚本方式生成和安装多工具集成文件。项目提到的支持工具包括 Claude Code、GitHub Copilot、Antigravity、Gemini CLI、OpenCode、OpenClaw、Cursor、Aider、Windsurf、Kimi Code 等。对于已经把 AI 工具接入日常开发的人来说，这一点比较实用。
4. 可复制、可改造、可团队化
项目文件以 Markdown 为主，理解成本低。你可以直接把某个 Agent 拿来用，也可以根据团队技术栈、代码规范、交付流程和业务语境进行改写。比如把“Frontend Developer”改成适合自己团队 React + Tailwind + shadcn/ui 的版本，或者把“Code Reviewer”改成符合内部 PR 模板的版本。
安装和使用方式
项目提供了脚本安装方式。以 Claude Code 为例，可以运行：
./scripts/install.sh --tool claude-code如果只想手动使用，也可以直接复制某个目录下的 Markdown 文件到对应工具的 Agent 配置目录。对于其他支持的工具，可以先运行转换脚本，再执行安装脚本：
./scripts/convert.sh
./scripts/install.sh更轻量的方式是把它当作参考库：打开自己需要的 Agent 文件，复制核心提示词到常用 AI 工具中，再按自己的项目背景补充约束条件。
推荐使用场景
- 个人开发者：给 Claude Code、Cursor 或 Aider 准备一套常用专家角色，例如架构、前端、测试、文档。
- 创业团队：把产品、设计、开发、增长和支持流程沉淀成可复用 Agent，提高协作一致性。
- 内容与运营团队：使用营销、社媒、SEO、增长、研究类 Agent 做选题、复盘和内容策略。
- 企业内部：基于项目模板改造出符合内部规范的 AI 工作助手，但需要注意权限、数据安全和合规边界。
优点与不足
优点
- 角色数量丰富，覆盖研发、产品、设计、营销、销售、财务、支持等多个方向。
- Markdown 形式易读易改，不依赖复杂后端服务。
- 与多种 AI 开发工具的工作流比较契合。
- 适合当作团队 AI 工作流标准化的起点。
可能的不足
- 角色很多，首次使用需要挑选和筛选，不建议一次全部启用。
- Agent 质量最终仍取决于所使用模型、上下文质量和任务描述。
- 不同工具对 Agent 文件的支持方式不同，可能需要根据实际工具做适配。
- 企业场景落地前，需要补充内部安全、权限、审计和数据边界规则。
我的使用建议
不要把 Agency Agents 当作“装上就自动提升效率”的万能插件。更合理的做法是先选择 3 到 5 个高频角色，例如 Code Reviewer、Frontend Developer、Backend Architect、Technical Writer、Reality Checker，在真实项目中试用一段时间，再逐步改写成适合自己的版本。
如果是团队使用，可以把 Agent 文件纳入代码仓库管理，像维护工程规范一样维护 AI 角色配置。这样每次提示词更新都有版本记录，也方便讨论某个 Agent 的职责边界和输出质量。
项目地址
GitHub：https://github.com/msitarzewski/agency-agents
总结
Agency Agents 是一个很适合 AI 编程和团队工作流建设的开源项目。它的价值不在于提供某个单一功能，而在于把大量“AI 专家角色”整理成可安装、可复制、可改造的知识资产。对于已经频繁使用 AI 开发工具的用户来说，这类 Agent 角色库可以帮助减少重复提示、稳定输出标准，并为团队建立更统一的 AI 协作方式。
评论