📌 项目地址：msitarzewski/agency-agents | ⭐ 102,807 颗星 | 🔧 Shell | 📜 未标注
这东西到底是啥
项目名 msitarzewski/agency-agents，GitHub 102807 颗星，语言标 Shell，但核心资产是 16 个目录下的 Markdown 文件。每个文件定义一个 AI 代理的完整人设：身份、性格、工作流程、交付标准、沟通风格。配合两个脚本 install.sh 和 convert.sh，你能把这套人设装进 Claude Code、Cursor、Copilot、Aider 等工具里，在对话时 AI 就按指定角色回答。
项目起点是一个 Reddit 帖子，迭代了几个月。我花了一晚上读代码和文档，它的价值可以用两句话说清。
第一，让 AI 输出行为可预测。 直接跟 Claude 聊，今天回答偏保守，明天可能写诗。但你把 frontend-developer.md 装进工具说“激活前端开发者模式”，每次调用的行为是固定的。团队里五个人都用同一个“代码审查专家”代理，代码规范、决策流程、沟通语气能对齐。
第二，复杂提示词变成可复用的资产。 一个前端开发专家的提示词可能包含几百行约束、最佳实践、代码风格。每次重新写是不现实的。把它固化到 Markdown 里，一次写对，反复用。文件可以放进 Git 做版本控制，跟同事共享。
这两点指向同一个问题：提示词工程里的重复劳动和协调成本。项目通过文件系统加安装脚本，把提示词变成了可版本控制、可共享的东西。
怎么装到你的工具里
README 列出了三种安装方式。
方式一：装到 Claude Code（项目最推荐的路径）
./scripts/install.sh --tool claude-code装完后，你可以在 Claude Code 对话里说：
“Hey Claude, activate Frontend Developer mode and help me build a React component”
AI 就会用 frontend-developer.md 里的人设回答。
如果你只想要某个部门（比如 engineering），手动拷贝指定目录：
cp engineering/*.md ~/.claude/agents/方式二：只当参考，不安装
直接打开某个 agent 文件，看它的身份定义、工作流程、交付标准。复制你需要的部分，粘到你自己的提示词里。灵活但少了自动化。
方式三：装到其他工具
先运行 convert.sh，把 Markdown 转成各工具需要的格式（比如 Cursor 的 rules），然后用 install.sh 指向具体工具：
./scripts/convert.sh
./scripts/install.sh --tool cursor支持的工具列表：GitHub Copilot, Antigravity, Gemini CLI, OpenCode, OpenClaw, Cursor, Aider, Windsurf, Kimi Code, Codex。
安装时可以按部门（division）筛选，也可以精确到某个代理（agent）：
./scripts/install.sh --tool claude-code --division engineering,security
./scripts/install.sh --tool cursor --agent frontend-developer,ui-designer不带参数时，install.sh 进入交互模式，自动检测已安装的工具，问你要哪些部门。--dry-run 只看拷贝预览，--list teams 列出所有部门及每个部门的代理数。
一个 agent 文件里到底写了什么
我看了 engineering/ 下的文件。每个 Markdown 包含六个固定部分：
- Identity：你是谁（“前端开发者，专攻 React 和 TypeScript”）
- Core mission：每次合作的目标
- Workflows：从接到需求到交付的步骤
- Technical deliverables：代码示例、测试规范、文档模板
- Success metrics：怎么判断工作做得好
- Communication style：语气、报告频率、是否用 emoji
这些不是空泛的提示，是具体行动指南。比如某个 workflow 要求“在写代码前先列出三种方案，选最优”。你不需要每次都说一遍，agent 文件已经写死了。
项目目前有 16 个部门（divisions），每个部门有多个代理。我抽查了几个文件，结构完整。但 README 没有给出具体内容示例，也没有评测数据或用户案例。效果得自己试。
我的判断：提示词工程的产品化尝试
上限在模型本身。 如果 GPT-4 或 Claude 3.5 推理能力差，包装再好的提示词也没用。项目解决的是“怎么用”，不是“用什么”。
下限在提示词质量。 16 个部门的几百个 agent 文件，结构统一，但实际效果取决于写提示词的人的水平。我不是作者，无法判断所有 agent 质量。你需要挑一个跟自己工作相关的，装上去跑半天。
项目结构非常轻：两个 Shell 脚本，不到 100 行代码。不引入依赖，不要求 runtime。install.sh 只是文件拷贝，convert.sh 只是格式转换。半小时内能搞清楚值不值得继续用。
适合谁： 已经在用 Claude Code、Cursor、Aider 这类工具的人；管理一个开发者团队，希望统一 AI 输出风格的人。
不适合谁： 对提示词毫无概念、只想装完就跑出完美代码的人。工具不是魔法。
建议
别装全套。挑一个跟你当前工作最相关的代理，比如“前端开发专家”或“调试专家”。运行安装脚本，用一天。对比它定义的流程和你自己写提示词的差异。觉得顺手，再考虑装其他部门。
项目不依赖外部服务，离线可用。所有 agent 文件可手动编辑，你随时能改。如果你在找一种“把你的 AI 工具调教成稳定专家”的方法，这个项目值得花一小时研究。