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

被问爆的Agent实战:从0到1搭建可落地AI智能体

被问爆的Agent实战:从0到1搭建可落地AI智能体

🎁个人主页:User_芊芊君子 🎉欢迎大家点赞👍评论📝收藏⭐文章 🔍系列专栏:AI 文章目录: * 【前言】 * 一、先搞懂:2026年爆火的AI Agent,到底是什么? * 1.1 Agent的核心定义 * 1.2 Agent的4大核心能力 * 1.3 2026年Agent的3个热门落地场景 * 二、框架选型:2026年6大主流Agent框架,新手该怎么选? * 三、实战环节:从0到1搭建可落地的“邮件处理Agent”(全程代码+步骤) * 3.1 实战准备:环境搭建(10分钟搞定) * 3.1.1 安装Python环境 * 3.1.2 创建虚拟环境(避免依赖冲突) * 3.

Llama Factory微调显存不够?试试这个云端GPU的终极方案

Llama Factory微调显存不够?试试这个云端GPU的终极方案 作为一名数据工程师,我在微调大模型时经常遇到显存不足的问题。即使使用了多张A100显卡,全参数微调像Baichuan-7B这样的模型仍然会出现OOM(内存溢出)错误。经过多次尝试和调研,我发现云端GPU资源可能是解决这一问题的终极方案。本文将分享如何利用预置环境快速部署Llama Factory进行大模型微调,避开显存不足的坑。 为什么大模型微调需要云端GPU? 大模型微调对显存的需求远超想象。根据实测数据: * 全参数微调7B模型至少需要80GB显存 * 微调32B模型可能需要多张A100 80G显卡 * 截断长度从2048增加到4096时,显存需求呈指数级增长 本地环境往往难以满足这些需求。即使使用Deepspeed等技术优化,显存不足的问题依然存在。这时,云端GPU资源就显得尤为重要。 提示:ZEEKLOG算力平台提供了包含Llama Factory的预置镜像,可以快速部署验证微调任务。 Llama Factory镜像预装了什么? 这个镜像已经为你准备好了大模型微调所需的一切: *

本文从实际应用角度出发,对8个热门论文降重与AI写作工具进行了全面对比

本文从实际应用角度出发,对8个热门论文降重与AI写作工具进行了全面对比

工具对比总结 目前AI论文工具的综合排名如下:DeepL Write凭借精准的语法修正和学术风格优化居首,QuillBot的实时改写与多模式输出紧随其后,Grammarly的基础校对功能和跨平台兼容性位列第三,ChatGPT因生成创意内容但偶现事实性错误排名第四,Paperpal的期刊投稿适配性第五,Writefull的上下文感知改写第六,Jasper的模板化写作第七,而Wordtune因侧重商务场景在学术适用性上暂居末位。该排序综合考量了文献润色深度、响应效率及学术场景适配度,其中前三位工具在IEEE等标准文献修订测试中错误率低于8%。 工具名称 主要功能 优势亮点 aibiye 降AIGC率 20分钟处理,AIGC率降至个位数�� aicheck 论文降重 速度快,高重复率压至10%以下�� askpaper 降AIGC率 带AIGC查重,适配知网等平台 秒篇 写作+降重 多任务支持,适合初稿创作(补充信息) 千笔AI论文 降AI率 免费无限次修改,智能重构语句 Papermaster AI检测+降重 精准识别AI内容,自动提供建议

生成式人工智能(AIGC)在开放式教育问答系统中的知识表征与推理机制研究

一、引言 (一)研究背景与意义 在数字化浪潮席卷全球的当下,教育领域正经历着深刻的变革,教育数字化转型进程显著加速。这一转型不仅是技术层面的更新换代,更是教育理念、教学模式以及知识传播与获取方式的全面革新。开放式教育问答系统作为教育数字化的关键支撑,在满足学习者多样化学习需求方面发挥着日益重要的作用。它打破了传统教育在时间和空间上的限制,为学习者提供了随时随地获取知识的便捷途径,使得学习不再受限于课堂和教材,极大地拓展了教育的边界。 随着知识的快速更新和学科交叉融合的不断深入,开放式教育问答系统面临着前所未有的挑战。它需要处理来自多领域、多学科的知识,并且要适应知识动态化发展的趋势,满足学习者在不同学习场景下的知识交互需求。例如,在跨学科研究中,学习者可能需要同时了解物理学、化学、生物学等多个学科的知识,并探索它们之间的内在联系;在解决实际问题时,学习者需要将理论知识与实际应用相结合,获取具有针对性的解决方案。传统的知识表征与推理机制在应对这些复杂多变的需求时,逐渐显露出其固有的局限性。 从灵活性角度来看,传统机制往往采用预先设定的规则和框架来表示知识,缺乏对新知识和新情况的自