别再让 AI 装全能了：11.6 万 Star Agency Agents，直接把 Codex/Claude/Cursor 分成专家团队

嗨，我是小华同学，专注解锁高效工作与前沿AI工具！每日精选开源技术、实战技巧，助你省时50%、领先他人一步。👉免费订阅，与10万+技术人共享升级秘籍！

Agency Agents 最值得看的地方，不是“它有很多 Agent”，而是它把 AI 工作里的角色、流程、交付标准，整理成了一套可以安装到不同工具里的专家团队。 如果你平时用 Codex、Claude Code、Cursor、OpenClaw 或 Kimi Code，一定遇到过一个问题：每次都要重新告诉 AI，你现在是谁、按什么标准做、最后交付什么。 这篇不做完整安装教程，只用 3 分钟讲清：它为什么火、和普通 Prompt 库有什么不同、以及技术团队能不能把它当成自己的 Agent 标准库。

最近我看到一个很适合程序员收藏的开源项目：msitarzewski/agency-agents。

截至 2026-06-27，我通过 GitHub API 查到它已经有 116k+ Star、19k+ Fork，MIT 协议，主语言是 Shell。

README 里对它的描述很直接：

一套完整的 AI agency，把不同专业角色放到你的工作流里。

换成人话说：

它不是让你复制一段“Act as xxx”的提示词，而是把前端、后端、安全、测试、产品、增长、销售、GIS、游戏开发等角色，做成一整套可复用的 AI 专家团队。

白板手绘趣味图：一个通用 AI 拆成专家团队

30 秒看懂它

这个项目官方 README 里写到：它有 232 个 specialized agents，覆盖 16 个 divisions。

比较有代表性的方向包括：

• Engineering：前端、后端、DevOps、SRE、代码评审、数据库优化等。
• Design：UI、UX、品牌、视觉叙事、图像提示词等。
• Security：安全架构、应用安全、渗透测试、威胁检测等。
• Marketing / Sales / Product：增长、内容、私域、销售、产品策略等。
• Specialized：多 Agent 编排、MCP Builder、Reality Checker 等。

我最喜欢的一点是，它不是简单列一个名字。

比如 Code Reviewer 这个 agent，里面会写清楚：

• 它的角色和沟通方式。
• 它优先看 correctness、security、maintainability、performance、testing。
• 它的评论要分 blocker、suggestion、nit。
• 它要给出具体原因和修改建议。

这就比一句“你是资深代码评审专家”扎实多了。

白板板书定位对比图：Agency Agents 的关键反差

它和普通 Prompt 库有什么不一样？

很多 Prompt 库的问题是：看起来很全，但真正用的时候还是要自己复制、粘贴、改格式。

Agency Agents 更像一个“角色资产包”。

真正的差别在于：它把“提示词”往“工作规范”推进了一步。

这点对程序员很重要。

因为你会发现，AI 编程效率的瓶颈，很多时候不是模型不够强，而是你每次都在重复解释：

“你先当代码评审。”

“你不要只看样式，要看安全。”

“你输出要有优先级。”

“你别大改，只做最小改动。”

如果这些标准可以变成固定 agent，下一次就不用重新发明轮子。

怎么用？

它提供了安装脚本和转换脚本。

如果你用 Claude Code，可以直接安装：

./scripts/install.sh --tool claude-code

如果你想给 Codex 用，README 里也给了目标：

./scripts/convert.sh --tool codex
./scripts/install.sh --tool codex

如果不想一下子装太多，也可以只装某个团队：

./scripts/install.sh --tool codex --division engineering,security

或者只装具体 agent：

./scripts/install.sh --tool cursor --agent frontend-developer,code-reviewer

白板板书工作流图：把专家团队装进 AI 编程工具

我建议第一次不要贪多。

更适合的方式是先选 3 类：

程序员为什么该关注？

我觉得它值得收藏，原因有三个。

第一，它把 AI 使用经验变成了结构化文件。

很多团队现在的问题不是不会用 AI，而是每个人用法都不一样。有人让 AI 直接改，有人让 AI 先分析，有人让 AI 只输出方案，最后效果很不稳定。

把角色、规则、交付标准写成 agent 文件，本质上是在沉淀团队工作规范。

第二，它适合跨工具迁移。

你今天用 Claude Code，明天用 Codex，后天用 Cursor，如果每个工具里都重新写一套角色，很容易散掉。

Agency Agents 的价值在于：同一套 agent 资产，可以转换到多个工具里。

第三，它给了我们做自己 Skill/Agent 标准库的参考。

我们现在写文章也在做同一件事：不是每次临时发挥，而是把标题、首屏、图文混排、质量门都沉淀成标准。

AI Agent 也是一样。

不是每次都问“你能不能帮我做”，而是逐渐明确：

做什么角色、按什么流程、交付什么结果、怎么判断合格。

但它也不是万能的

这个项目适合收藏，但不要把它理解成“装完就自动变强”。

它有几个边界：

• Agent 多，不代表每个都适合你的项目。
• 很多内容是英文，中文团队可能需要本地化和删减。
• 不同工具对 agent 的支持能力不完全一样。
• 真正落地时，还要结合你的代码规范、业务上下文、测试流程。
• 一次装太多 agent，反而可能让选择成本变高。

所以我的建议是：

先把它当成一个高质量参考库，而不是一次性全量安装包。

你可以先从工程、安全、测试这几类挑几个角色，用在真实项目里跑几次，再决定要不要沉淀成自己的团队标准。

小结

Agency Agents 真正有启发的地方，不是“232 个 Agent 很多”，而是它提醒我们：

AI 工作流正在从“写提示词”，走向“沉淀角色、流程和质量标准”。

这对程序员很现实。

因为未来你真正需要的，可能不是一个什么都能聊的 AI，而是一组可以稳定协作的专家角色。

这篇先做项目速览。后面如果大家感兴趣，我会继续拆：它的 agent 文件结构、Codex 自定义 agent 怎么生成、以及我们能不能把自己的文章写作 Skill 也做成类似的专家库。

项目地址

• GitHub：https://github.com/msitarzewski/agency-agents
• README：https://github.com/msitarzewski/agency-agents/blob/main/README.md
• 示例：https://github.com/msitarzewski/agency-agents/tree/main/examples