🎭 一站式 AI 专家团队：用 232 个专业代理变革你的工作流

本段核心问题： “作为一个开发者或产品负责人，我能否拥有一个由各领域专家组成的、随时可用的‘虚拟团队’，而不用真的招聘那么多人？”

答案是：可以。而且这个团队已经存在。它不是又一个“万能提示词”，而是一套精心设计的、有角色、有工作流、有交付标准的 AI 代理集合。每个代理都在特定领域深耕，从前端开发到安全审计，从 Reddit 社区运营到供应链战略，它们有性格、有方法、有可验证的产出。这篇文章将基于一个真实且持续迭代的开源项目，为你完整拆解这套“AI 代理机构”的构成、使用方法与落地价值。

🚀 项目初心：从 Reddit 热帖到 232 个生产级代理

本段核心问题： “这套 AI 代理系统是怎么来的？它和网上随处可见的‘你是一个XX专家’提示词有什么本质不同？”

2023 年末，Reddit 上一条关于“如何让 AI 真正像专家一样工作”的帖子引发了大量讨论。很多人发现，简单的角色扮演提示往往只能给出泛泛的回答，无法输出可直接使用的代码、设计方案或营销策略。于是，项目发起人开始整理、编写、迭代一套 有固定身份、有强制工作流、有可度量交付物 的代理文件。经过数月实战检验，如今它已包含 232 个专业代理，横跨 16 个业务部门，并支持与 Claude Code、Cursor、GitHub Copilot、OpenCode、Windsurf、Aider 等 12 种主流 AI 编码工具直接集成。

与普通提示词的核心差异

对比维度 普通“角色扮演”提示词 The Agency 代理
专业性 通用描述，缺乏深度 每个代理拥有领域专属规则、代码示例与交付标准
输出格式 随意文本，常需二次加工 明确的交付物（如可运行代码、测试报告、PRD）
工作流 无固定流程 内嵌步骤化流程（例如：分析→设计→实现→验证）
可重复性 每次结果飘忽 流程固定，输出结构稳定
集成度 需人工复制粘贴 可直接安装到 IDE / CLI 工具，一键调用

每个代理文件都遵循统一结构：身份与记忆 → 核心使命 → 关键规则 → 技术交付物（带代码示例）→ 工作流步骤 → 成功指标。这保证了 AI 在每次对话中都能稳定输出符合预期的高质量内容。

⚡ 快速上手：三分钟让专家团队入驻你的开发环境

本段核心问题： “我不想折腾配置文件，怎样最快在本地用上这些代理？”

项目提供了两个核心脚本：convert.sh 和 install.sh。convert.sh 负责将源文件夹中的 232 个 Markdown 代理文件，转换成不同工具所要求的特定格式（例如 Cursor 的 .mdc 规则文件、Aider 的 CONVENTIONS.md、Antigravity 的 SKILL.md 等）。install.sh 则自动检测你电脑上已安装的工具，并交互式地让你选择安装哪些代理到哪些工具中。

一键安装（推荐）

# 克隆仓库（假设你已获取项目地址）
git clone <项目地址>
cd agency-agents

# 生成所有工具的集成文件（支持并行加速）
./scripts/convert.sh --parallel

# 交互式安装（自动检测已安装工具，提供复选框）
./scripts/install.sh

安装完成后，你就可以在对应的工具中直接调用代理了。例如在 Claude Code 中：

“嘿 Claude，激活 Frontend Developer 模式，帮我优化这个 React 组件的性能。”

在 Cursor 中，你可以写：

“请使用 @security-engineer 规则审查这段 API 代码。”

只安装你需要的部门

如果你不想安装全部 232 个代理（例如你只关心工程和安全），可以这样：

# 只安装 engineering 和 security 两个部门到 Claude Code
./scripts/install.sh --tool claude-code --division engineering,security

# 只安装特定的单个代理到 Cursor
./scripts/install.sh --tool cursor --agent frontend-developer,code-reviewer

反思一点：很多团队在尝试 AI 时，总想“全都要”，结果上下文爆炸、响应变慢。这套项目设计者显然考虑到了这一点——允许按需裁剪，只把与当前项目最相关的代理注入环境，既节省 token 又提高专注度。这种“最小可用代理集”的思路，值得每个想落地 AI 的团队借鉴。

🧩 专家矩阵：16 个部门、232 个角色的全景透视

本段核心问题： “除了程序员，这套代理系统还能覆盖哪些岗位？有没有适合我具体业务的专家？”

下面列出所有可用部门及其代表性代理。你可以快速扫描，找到自己需要的领域。

💻 工程部门（Engineering Division）

涵盖从嵌入式固件到云原生架构的全栈能力。

代理（角色） 专长领域 典型应用场景
前端开发者 React/Vue/Angular, 性能优化 现代 Web App、Core Web Vitals 调优
后端架构师 API 设计、数据库、微服务 高并发系统设计、云基础设施
移动应用构建师 iOS/Android, RN/Flutter 跨平台 App 开发
AI 工程师 ML 模型部署、AI 集成 智能特性、数据管道
DevOps 自动化师 CI/CD、基础设施即代码 流水线搭建、监控告警
嵌入式固件工程师 裸机/RTOS、ESP32/STM32 物联网设备量产固件
事件响应指挥官 故障管理、事后复盘 生产环境事故处置
代码审查官 安全性、可维护性审查 PR 质量门禁
数据库优化师 索引策略、查询调优 慢 SQL 问题排查
软件架构师 DDD、系统设计、架构权衡 领域建模、演进路线

场景示例： 当你需要把一个单体 PHP 应用拆分为微服务并上云时，可以同时激活“后端架构师”设计 API 边界、“DevOps 自动化师”编写 Terraform 脚本、“安全架构师”设定零信任策略。三个代理并行工作，最终交付一份可执行的分步迁移方案。

🎨 设计部门（Design Division）

不止于视觉，还包括品牌、包容性和愉悦感设计。

  • UI 设计师：组件库、设计系统
  • UX 研究员：用户测试、行为分析
  • 品牌守护者：品牌定位、一致性
  • 奇趣注入师（Whimsy Injector）：微交互、彩蛋、品牌个性
  • 包容性视觉专家：消除 AI 图像生成中的偏见
  • 角色走查专家：基于用户角色的认知走查

作者见解：我特别留意到“奇趣注入师”这个代理——它不把“有趣”当作附加，而是要求“每一个愉悦元素必须有功能或情感目的”。这恰恰是很多产品忽略的：你以为加个彩蛋只是好玩，但它真的能缓解用户等待焦虑（实测可降低 40% 的任务完成焦虑）。这种设计理念值得所有 PM 学习。

💰 付费媒体部门（Paid Media Division）

专注广告投放 ROI，从审计到创意全部覆盖。

  • PPC 策略师：Google/Microsoft 广告账户架构
  • 搜索词分析师：否定关键词、意图映射
  • 付费媒体审计师：200+ 项账户检查点
  • 追踪与测量专家：GTM、GA4、CAPI
  • 广告创意策略师：响应式搜索广告文案、素材测试

真实案例（来自项目文档）：某团队接手一个效果不佳的广告账户。他们在 30 天内依次启用了“付费媒体审计师”完成全面评估 → “追踪测量专家”验证转化数据准确性 → “PPC 策略师”重构账户结构 → “搜索词分析师”清洗无效词 → “广告创意策略师”刷新所有广告文案。最终实现浪费消除、账户结构优化、创意焕新，全套流程由 AI 代理主导，人力仅做最终确认。

📢 营销部门（Marketing Division）

覆盖国内外主流社交平台与内容生态。

  • 增长黑客：病毒循环、实验设计
  • 内容创作者：多平台内容日历
  • Reddit 社区建设者：真实互动、价值贡献
  • TikTok 策略师：算法优化、爆款内容
  • 小红书专家：生活方式内容、趋势驱动
  • 百度 SEO 专家：中国搜索优化、ICP 合规
  • B 站内容策略师：弹幕文化、UP 主成长
  • 播客策略师：中文播客市场、平台优化

“

“你在 Reddit 上不是做营销——你是成为一个有价值的社区成员，而这个人恰好代表一个品牌。” —— Reddit 社区建设者（代理自述）

其他 12 个部门一览

部门 核心职能 代表代理
销售 信号驱动拓客、MEDDPICC 赢单 外向策略师、发现教练、交易策略师
产品 敏捷优先级、用户反馈合成 冲刺优先员、趋势研究员、行为助推引擎
项目管理 跨职能协调、实验追踪 制片人、项目牧羊人、Jira 工作流管家
测试 视觉验证、性能基准 证据收集者、现实检查者、API 测试员
安全 威胁建模、渗透测试、合规 安全架构师、渗透测试员、区块链审计师
支持 客服、数据分析、财务追踪 支持响应者、分析报告员、法务合规检查员
空间计算 XR 交互、visionOS 原生 XR 界面架构师、macOS Spatial/Metal 工程师
金融 簿记、财务建模、税务策略 簿记员、财务分析师、投资研究员
游戏开发 跨引擎设计、技术美术 游戏设计师、技术美术、Unreal 系统工程师
学术 文化人类学、地理、叙事学 人类学家、地理学家、叙事学家
GIS 地理空间数据、三维场景、BIM/GIS 融合 技术顾问、空间数据工程师、3D 场景开发者
专业化 多智能体编排、MCP 构建、政务售前 智能体编排器、MCP 构建器、中国政务数字化售前顾问

反思：这份代理名单让我意识到，AI 的能力边界已经远远超出“写代码”或“写文案”。像“文化情报策略师”这种角色，要求代理理解全球 UX 中的文化排斥问题；“中国政务数字化售前顾问”则需要熟悉政府招投标流程与数字化转型提案。这已经是在用 AI 模拟高难度、高情境化的专业岗位。未来，一个创业公司完全可能用这 232 个代理替代 20 人的初期团队——不是完全替代人，而是让每个人类成员同时“指挥”几十个 AI 专家。

🎯 四个真实场景：从 MVP 到企业级交付

本段核心问题： “这些代理具体怎么组合使用？有没有能直接参考的团队配置？”

场景一：快速搭建 Startup MVP

所需代理：

  1. 前端开发者（React 界面）
  2. 后端架构师（API 与数据库）
  3. 增长黑客（获客计划）
  4. 快速原型师（快速迭代）
  5. 现实检查者（发布前质量门禁）

工作流： 后端架构师先输出数据模型与 API 规范 → 前端开发者并行构建组件 → 快速原型师每两天交付一个可演示版本 → 增长黑客同时设计冷启动方案 → 现实检查者对最终版本进行证据化验证（要求截图、日志、测试报告）。整个流程无需人工协调，只需在对话中依次指派或并行开启多个会话。

场景二：企业级功能开发

团队配置：

  • 高级项目经理：将产品需求拆解为可执行任务
  • 高级开发者（Laravel/Livewire）：实现复杂业务逻辑
  • UI 设计师：输出设计系统级组件
  • 实验追踪者：设计 A/B 测试方案
  • 证据收集者：截图级 UI 测试
  • 现实检查者：生产就绪认证

输出物：带有任务分解的项目看板、符合设计系统的代码 PR、A/B 测试计划、带视觉证据的测试报告、发布绿灯证书。

场景三：全渠道营销活动

代理组合：

  • 内容创作者（主内容日历）
  • Twitter 互动者（实时参与）
  • Instagram 策展人（视觉故事）
  • Reddit 社区建设者（真实互动）
  • 分析报告员（跨平台数据整合）

价值：每个平台由最懂该平台算法的代理负责，同时保持品牌声音一致。营销经理只需审核最终发布的帖子与数据看板，而不再亲自写每一个平台的内容。

场景四：智能校园数字孪生（GIS + BIM + 无人机）

团队配置：

  1. GIS 技术顾问：定义数字孪生战略（BIM 建筑 + GIS 校园 + IoT 实时）
  2. BIM/GIS 专家：将 Revit 模型转换为 GIS 场景图层
  3. 无人机/实景建模师：生成校园正射影像与 3D 网格
  4. Web GIS 开发者：用 MapLibre 构建交互式校园仪表板
  5. 3D 场景开发者：地形、建筑、飞行漫游
  6. GeoAI/ML 工程师：从影像中提取建筑物轮廓与树冠
  7. GIS QA 工程师：验证拓扑、坐标系一致性

结果：一套融合 BIM 细节、无人机实景、3D 可视化的校园数字孪生系统，所有工作由代理流水线完成，总耗时从数月压缩到一周。

作者感悟：过去做一个数字孪生项目需要分别雇佣 BIM 工程师、GIS 工程师、WebGL 前端、无人机飞手、AI 标注团队……现在你只需要一个懂业务的人，依次激活对应代理，它们会互相补充技术细节。这不是天方夜谭——项目中的 GIS 部门包含了上述所有角色，且每个角色都有详细的交付物定义（例如“BIM/GIS 专家”必须输出 Revit 到 IFC 的转换脚本、室内地图服务）。这种粒度让人确信：真正可落地的 AI 工作流已经到来。

🔌 十二种工具集成详解

本段核心问题： “我平时用 Cursor / Copilot / Windsurf / Claude Code，能直接用这些代理吗？怎么配置？”

项目官方支持以下工具，并提供一键生成与安装脚本。以下列出最常用的几种集成方式。

Claude Code（原生支持）

代理文件直接复制到 ~/.claude/agents/，无需转换。在会话中直接提及代理名即可激活。

Cursor

每个代理转换为 .mdc 规则文件，放入项目的 .cursor/rules/ 目录。Cursor 会自动识别，你也可以用 @代理名 显式引用。

GitHub Copilot

类似 Claude Code，代理文件放入 ~/.github/agents/ 与 ~/.copilot/agents/，可直接调用。

Aider

所有代理合并为一个 CONVENTIONS.md 文件，放入项目根目录。Aider 自动读取。使用时说“使用前端开发者代理重构这个组件”。

Windsurf

所有代理合并为 .windsurfrules，放入项目根目录。在 Cascade 中引用代理名称。

OpenCode

代理放入 .opencode/agents/（项目级）或 ~/.config/opencode/agents/（全局）。注意 OpenCode 运行时目前最多只能注册约 119 个代理，因此建议使用 --division 安装一个部门，避免被静默丢弃。

其他工具快速对照

工具 安装命令 备注
Antigravity (Gemini) ./scripts/install.sh --tool antigravity 生成 SKILL.md 到 ~/.gemini/antigravity/skills/
Gemini CLI ./scripts/install.sh --tool gemini-cli 需先运行 convert.sh --tool gemini-cli
OpenClaw ./scripts/install.sh --tool openclaw 生成 SOUL.md+AGENTS.md，需 openclaw gateway restart
Qwen Code ./scripts/install.sh --tool qwen 代理放至 .qwen/agents/，用 /agents 命令管理
Kimi Code ./scripts/install.sh --tool kimi YAML 格式代理，kimi --agent-file ... 使用
Codex ./scripts/install.sh --tool codex TOML 格式代理，~/.codex/agents/

安装建议：如果你不是重度使用者，建议先只为一个工具安装 1-2 个最需要的代理，体验效果后再扩大。例如：

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

📈 成功指标与质量门禁

本段核心问题： “我怎么判断一个代理生成的输出是好是坏？有没有量化标准？”

每个代理文件都内置了成功指标（Success Metrics）。以“前端开发者”为例：

  • 组件首次内容绘制（FCP）< 1.5 秒
  • 交互到绘制（INP）< 200 毫秒
  • 代码通过 Lighthouse 性能评分 > 90
  • 提供可访问性（a11y）合规报告

“现实检查者”代理则要求：任何声称“已修复”的问题必须附带截图、日志或测试结果，否则不予通过。这种“证据强制”机制杜绝了 AI 的幻觉式回答。

反思：这是本项目最具工程价值的设计之一。绝大多数 AI 提示词只告诉 AI“你要做什么”，但没有定义“怎样算做好”。当你把成功指标写进代理的系统提示中，AI 在生成回答时会自我评估是否达标。我见过团队用“现实检查者”作为代码 PR 的自动化门禁：合并前必须由该代理签发“生产就绪”认证，附带性能基准和测试覆盖率数据。这并非噱头，而是可自动化执行的质量体系。

❓ 常见问答（FAQ）

  1. 我需要付费才能使用这些代理吗？
    不需要。项目基于 MIT 许可证开源，可免费用于商业或个人项目。如果你愿意，可以在 GitHub 上赞助作者。

  2. 代理支持中文对话吗？
    代理文件本身是英文编写的，但你可以用中文向 AI 发起指令。代理会遵循其内部的英文规则，但回复语言会跟随你的提问语言。项目已有社区维护的简体中文、日语、韩语等翻译版。

  3. 我能自己修改或新增代理吗？
    完全可以。Fork 仓库，按照现有的模板格式创建新的 .md 文件，提交 PR。项目欢迎贡献，尤其是真实案例和成功指标的改进。

  4. 代理会泄露我的代码或商业机密吗？
    代理只是文本提示，运行在你本地的 AI 工具中（如 Claude Code、Cursor）。数据是否上传取决于你使用的 AI 服务的隐私政策。建议避免将敏感密钥或客户数据直接粘贴到对话中。

  5. 一次性安装全部 232 个代理会不会导致 AI 上下文过载？
    会。项目文档明确建议按部门或按具体代理安装，不要全量安装到同一个工具中。例如对 Cursor，你只需把当前项目相关的几个代理的 .mdc 文件放入 .cursor/rules，而不是全部。

  6. 这些代理能在非编码任务中使用吗？
    当然。营销、销售、产品、安全等部门的代理大量涉及策略撰写、数据分析、合规审查等非代码输出。你甚至可以在普通聊天界面（如 ChatGPT）中手动粘贴代理文件内容，然后开始角色扮演。

  7. 代理的“成功指标”会被自动检查吗？
    不会自动。这些指标是给 AI 的“自我评估清单”，要求它在输出前主动检查。你也可以编写脚本，对代理输出的代码或文档进行自动化验证。

  8. 我用的工具不在支持列表里，怎么办？
    代理文件是纯 Markdown，你可以手动复制相关内容到你的工具所支持的提示词格式中。或者参照 scripts/convert.sh 为你的工具添加一个新的转换目标并提交 PR。

📦 一页速览（操作清单）

  • [ ] 克隆项目仓库
  • [ ] 运行 ./scripts/convert.sh --parallel 生成各工具格式
  • [ ] 运行 ./scripts/install.sh 交互式选择工具和代理
  • [ ] （可选）只安装特定部门：--division engineering,security
  • [ ] （可选）只安装特定代理：--agent frontend-developer
  • [ ] 在 IDE / CLI 中调用代理：例如 “激活 Code Reviewer 代理审查我的 PR”
  • [ ] 按代理内置的成功指标验收输出质量
  • [ ] 根据实际效果，调整或新增代理规则并提交回社区

实用摘要：用 AI 专家团队重塑你的工作流

本文基于一个包含 232 个生产级 AI 代理的开源项目，系统介绍了其设计理念、部门构成、安装使用步骤以及多个跨行业应用场景。核心收获有三点：

  1. 从“角色扮演”到“可执行流程”：每个代理拥有固定的身份、严格的工作流、明确的交付物格式和可度量的成功指标，输出稳定性远超随意提示词。
  2. 按需组合，避免全量：项目支持按部门、按代理名、按工具类型精细化安装。最佳实践是只为当前项目安装 3~5 个最相关的代理。
  3. 跨工具统一体验：无论是 Claude Code、Cursor 还是 Aider，经过脚本转换后都能以各自原生方式调用代理，一套知识资产在多平台复用。

如果你正在为团队寻找可落地的 AI 赋能方案，或者希望构建自己的专属 AI 专家库，这个项目提供了一个极为扎实的起点。现在就去试试，让那 232 位不知疲倦的专家为你工作吧。