当 AI 有了”灵魂”:Agency-Agents 深度剖析
开源项目 agency-agents 在 GitHub 上线后迅速积累了 43k+ Stars,其核心目标是通过结构化定义解决大语言模型(LLM)在执行专业任务时的不稳定性。该项目起源于 Reddit 关于“AI 能否专精某个领域”的讨论,旨在为 AI 提供固定的专家身份、工作流程及成功标准,从而解决“角色漂移”带来的输出不一致问题。
01核心痛点:角色漂移与输出不可控
在使用通用 LLM 进行代码审查等专业任务时,常遇到输出质量参差不齐的情况。由于 LLM 无状态特性,它无法自动保持稳定的专家身份,导致每次审查的流程、标准和风格均不一致。这种“角色漂移”现象使得 AI 的行为难以预测,缺乏衡量工作成果的量化标准。
02解决方案:结构化专家定义
Agency-Agents 的核心在于将“知道什么”升级为“怎么工作”。每个 Agent 文件由 YAML 头部和结构化 Markdown 正文组成,不仅定义了角色的性格,更重要的是规定了固定的四阶段工作流(Discovery → Planning → Execution → Review)和量化的成功指标。例如,安全工程师被要求“每次审查至少发现一个中危以上漏洞”,从而确保行为的可预期性和可复现性。
03多端适配与自动化部署
| 工具平台 | 安装路径 | 文件格式 |
|---|---|---|
| Claude Code | ~/.claude/agents/ | .md 文件 |
| Cursor | .cursor/ | rules 文件 |
| Windsurf | .windsurfrules 文件 | |
| Aider | CONVENTIONS.md 文件 |
不同 AI 工具的 Agent 适配路径
项目提供了智能安装脚本,自动检测系统环境并提供交互式 UI,支持 Claude Code、Cursor、Copilot 等多平台。通过独立的工具适配层,同一份 Agent 定义可以编译成不同格式,实现了逻辑与宿主工具的解耦。
04Agent 编排实战:Nexus Spatial Discovery
项目展示了“Nexus Spatial Discovery Exercise”示例,通过同时部署 8 个专业 Agent(包括产品趋势研究员、后端架构师、品牌守护者等),在单次会话中完成对软件机会的全方位评估。这种编排模式覆盖了从市场验证到技术架构、从品牌策略到 UX 研究的完整业务链条,相比通用 LLM 包打天下,各司其职的专家模式显著提升了产出的专业度和可靠性。
05设计哲学与关键决策
- 分离性格与流程
将 Identity & Memory 块与 Workflow 块分开存储,分别保障角色一致性和行为可预期性。 - 量化成功指标
摒弃模糊的“做得好”描述,采用可执行的约束条件(如“找出 ≥3 个问题”),便于自动化评估。 - 独立工具适配层
通过编译脚本适配不同 IDE,保持 Agent 逻辑的纯粹性,避免与特定工具格式耦合。 - 社区驱动扩展
目前拥有 147 个 Agent 分布在 12 个专业部门,通过全球贡献者的测试与迭代,构建可持续的高质量模板库。
当前文章无评论,是时候发表评论了