9.4k stars!手中就有一整个 AI 团队:agency-agents 深度解析手中就有一整个 AI 团队:agency-agents 深度解析!

9.4k stars!手中就有一整个 AI 团队:agency-agents 深度解析手中就有一整个 AI 团队:agency-agents 深度解析!

手中就有一整个 AI 团队:agency-agents 深度解析

当别人还在反复调试同一个"万能提示词",有人已经在用一支分工明确的 AI 精英团队在干活了。

一、你是不是也有这些痛点?

用 Claude Code 写代码,前一秒在解 Bug,后一秒又要帮你想营销文案,再后一秒还得审查 UI 设计——同一个 AI 上下文频繁切换,结果每件事都做得平平无奇。

通用 AI 的问题在于:它什么都能做,但什么都不够专。

你有没有想过,如果 AI 也能像真实公司一样——前端有前端工程师、设计有 UI 设计师、增长有增长黑客——每个岗位的人用自己深耕多年的方式来工作,结果会有多大不同?

agency-agents 就是为了解决这个问题而生的。


二、agency-agents 是什么?

agency-agents 是 GitHub 上一个开源项目,⭐ Star 数已突破 6000+,由开发者 Michael Sitarzewski 创建,起源于一场 Reddit 讨论——关于 AI Agent 专业化分工这个话题,第一个版本发布 12 小时内就收到 50+ 名 Redditors 的强烈反响。

它的核心理念很简单:

把一支专业团队的能力,压缩进一套可直接调用的 AI Agent 配置文件。

每一个 Agent 都是一个 .md 文件,包含:

  • 🎯 专业方向:深度垂直,而非泛化的提示词模板
  • 🧠 独特人格:有自己的沟通风格和工作方式
  • 📋 交付导向:明确的产出物和可衡量的成功标准
  • 生产可用:经过真实项目打磨的工作流

项目使用 MIT 开源协议,商用、个人用均免费,无需署名。

在这里插入图片描述

三、团队里都有哪些"人"?

项目按部门组织,目前覆盖以下核心岗位:

🎨 设计部门(Design)

  • UI Designer — 构建设计系统、组件库,注重可访问性与规模化
  • UX Architect — 用户体验架构,信息层级与交互流程设计
  • UX Researcher — 用户旅程地图、行为分析、设计决策验证
  • Brand Guardian — 品牌一致性守卫者
  • Visual Storyteller — 视觉叙事专家
  • Whimsy Injector — “每一个趣味元素都必须服务于功能或情感目的”——这位专门注入设计趣味感

⚙️ 工程部门(Engineering)

  • Senior Developer — 全栈高级开发,专注 Laravel/Livewire 等技术栈的高品质实现
  • Frontend Developer — React/Vue 前端专家
  • AI Engineer — ML 模型开发、RAG 系统、LLM 微调的 AI 工程师
  • Mobile App Builder — iOS/Android 双端,离线优先架构

📣 市场部门(Marketing)

  • Content Creator — 内容创作者,面向不同平台生产高质量内容
  • Growth Hacker — 增长黑客,A/B 测试、病毒裂变机制、产品驱动增长
  • Reddit Community Ninja — “你不是在 Reddit 上做营销,你是在成为一个真正代表品牌的社区成员” — 这位专门做社区运营

✅ 质量部门(QA)

  • QA Engineer — “我默认寻找 3-5 个问题,并且对所有问题都需要视觉证明” — 不放过任何缺陷

四、怎么用?

第一步:克隆项目

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

第二步:将 Agents 复制到 Claude Code 目录

cp-r agency-agents/* ~/.claude/agents/ 

第三步:在 Claude Code 中激活

直接在对话中告诉 Claude 你想使用哪个 Agent 模式,例如:

激活 Frontend Developer 模式,帮我搭建一个 React 组件库 
切换到 Growth Hacker 模式,分析我们的用户增长瓶颈并制定实验计划 
用 QA Engineer 模式审查这段代码,告诉我有哪些问题 

Agent 会立刻切换身份、调用对应的专业知识框架来响应你的需求,而不是给你一个泛化的通用回答。


五、为什么它和普通提示词不一样?

很多人会说:“我自己写个 system prompt 不就行了?”

差别在于深度和经验积累

以 Senior Developer 这个 Agent 为例,它不仅定义了角色,还内置了:

  • 具体的代码架构模式和质量标准
  • 常见实现误区的规避策略
  • 跨项目的记忆机制(记住成功的模式和踩过的坑)
  • 明确的交付物格式

这是数月迭代打磨的结果,而不是三分钟写出来的提示词。


六、总结

维度普通 Claude 提示词agency-agents
专业度泛化通用深度垂直
人格一致性每次重置角色固定,风格稳定
工作流随机标准化流程
交付物不确定明确可衡量
维护成本每次重新调试一次配置,持续复用

agency-agents 最大的价值不是"更强的 AI",而是"更专业的分工"。 它把 Claude Code 从一个万能助手,变成了一支有专业分工的 AI 团队。

对于独立开发者、创业团队、内容创作者来说,这相当于用一人之力撬动了多角色协作的效率杠杆。


📌 项目地址:https://github.com/msitarzewski/agency-agents

⭐ MIT 开源,免费商用,欢迎 Star 和贡献新 Agent

你在用 Claude Code 做什么项目?评论区聊聊,说不定我们可以一起设计一个专属 Agent。

Read more

《Science》观点解读:AI无法创造真正的智能体(AI Agent)

《Science》观点解读:AI无法创造真正的智能体(AI Agent)

无论是想要学习人工智能当做主业营收,还是像我一样作为开发工程师但依然要运用这个颠覆开发的时代宠儿,都有必要了解、学习一下人工智能。         近期发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,入行门槛低,讲解极为丰富。          点击跳转:前言 – 人工智能教程 目录 《Science》观点解读:AI无法创造真正的智能体(AI Agent) 前言 一、大模型的"超能力"从何而来? 1、如何理解大模型的核心运作逻辑 2、大模型的文化技术本质 二、为何说"超级智能体"是个伪命题? 三、结语         作者:watermelo37         ZEEKLOG万粉博主、华为云云享专家、阿里云专家博主、腾讯云、支付宝合作作者,全平台博客昵称watermelo37。         一个假装是giser的coder,做不只专注于业务逻辑的前端工程师,Java、Docker、Python、

零基础学AI大模型之嵌入模型性能优化

零基础学AI大模型之嵌入模型性能优化

大家好,我是工藤学编程 🦉一个正在努力学习的小博主,期待你的关注实战代码系列最新文章😉C++实现图书管理系统(Qt C++ GUI界面版)SpringBoot实战系列🐷【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案分库分表分库分表之实战-sharding-JDBC分库分表执行流程原理剖析消息队列深入浅出 RabbitMQ-RabbitMQ消息确认机制(ACK)AI大模型零基础学AI大模型之LangChain Embedding框架全解析 前情摘要 前情摘要 1、零基础学AI大模型之读懂AI大模型 2、零基础学AI大模型之从0到1调用大模型API 3、零基础学AI大模型之SpringAI 4、零基础学AI大模型之AI大模型常见概念 5、零基础学AI大模型之大模型私有化部署全指南 6、零基础学AI大模型之AI大模型可视化界面 7、零基础学AI大模型之LangChain 8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路 9、零基础学AI大模型之Prompt提示词工程 10、零基础学AI大模型之Lan

软件测试中引入人工智能(AI)

在软件测试中引入人工智能(AI),能够解决传统测试的痛点(如重复劳动多、回归测试成本高、难以覆盖复杂场景、缺陷定位慢等),实现测试的自动化、智能化、高效化。以下是AI在软件测试中的核心应用场景、技术方案、工具及实施步骤,兼顾理论与实操。 一、 AI在软件测试中的核心价值 1. 替代重复手工劳动:自动生成测试用例、执行测试、回归验证,减少人力成本。 2. 覆盖复杂场景:模拟真实用户的随机操作、边界场景、异常流,提升测试覆盖率。 3. 提前发现潜在缺陷:通过数据分析预测高风险模块,精准定位缺陷根因。 4. 自适应动态测试:根据软件版本迭代,自动更新测试用例,适配界面/功能变化。 二、 AI在软件测试中的核心应用场景 1. 测试用例智能生成 传统测试用例需人工编写,耗时且易遗漏场景;AI可基于需求文档、代码、历史测试数据自动生成用例。 * 技术原理: * 自然语言处理(NLP)

用快马ai快速原型一个永久在线crm网站,验证你的产品思路

最近在验证一个CRM产品的市场可行性,需要快速搭建一个能永久在线的基础原型。传统开发流程从环境搭建到功能实现至少需要一周,而通过InsCode(快马)平台的AI辅助,我用不到半天就完成了核心功能验证。以下是具体实践过程: 1. 明确最小可行功能集 原型系统聚焦四个核心模块:客户信息管理(基础CRUD)、销售机会跟踪(状态流转)、数据仪表盘(关键指标可视化)、基础权限控制(管理员/用户视图)。这种设计能覆盖80%的CRM基础使用场景,避免陷入细节开发。 2. AI生成基础框架 在平台输入"React+Node.js的CRM系统,包含客户管理、跟进记录和仪表盘",AI在10秒内生成了包含路由配置、API接口定义和基础组件的脚手架代码。特别惊喜的是自动配置好了MongoDB连接模块,省去了手动安装驱动和写连接池代码的时间。 3. 客户模块快速迭代 * 客户信息表单通过AI生成的React Hook自动绑定数据 * 地址字段智能识别省市区三级联动需求,自动补全地区选择器组件 * 联系方式验证逻辑直接内置了手机号/邮箱的正则校验 4. 销售跟踪状