agency-agents：把整套 AI 工作室装进一个文件夹

如果有一件事是 2025~2026 年最明显的趋势，那就是"AI 角色卡"从花活变成了正经的工程实践。从 LangChain 的 AgentExecutor，到 CrewAI 的角色编排，再到 Anthropic 的 sub-agents 模型，大家都在解决同一个问题：怎么让一个大模型在不同场景下表现得像一个真正懂行的"角色"，而不是一个什么都懂一点的通才。

Agency Agents 这套东西，就是这种思路的一个极端化的、务实的尝试。它不是一个框架，不是一个工具链，而是一份装满了现成角色定义的目录——每个角色都有自己的系统提示词、专属工作流、风格语气、输出模板、以及一段"简历"。你可以直接 fork 这个仓库，把对应的 agent 文件丢进 Claude Code、Cursor、Continue，或者任何一个支持 system prompt 注入的客户端，立刻就能召唤出一个"前端巫师"或者"Reddit 社区忍者"。

今天它一天涨了 1200 多颗星，总量已经 11 万。这不是单纯靠营销，而是因为它解决了一个很具体的痛点：写 agent prompt 太累。

背景：从 framework 到 persona

过去两年关于"AI agent"的讨论，几乎全部聚焦在 runtime 那一层——怎么编排、怎么传工具调用、怎么管理上下文窗口。但真正落地时大家会发现：真正决定一个 agent 像不像样的，是 prompt 的第一段话。

同一套工具，给一个"资深全栈工程师"和给一个"初学者助教"，产出的差异是巨大的。可是写出一个靠谱的 persona prompt 极费时间：你得考虑角色定位、知识边界、语气、约束条件、失败时的兜底话术，还要做几轮 adversarial testing 才能稳定下来。

Agency Agents 的作者选择了不做 runtime，而是把"角色设计"这件事工业化：仓库里有 60+ 个 agent 文件，覆盖前端、后端、设计、QA、营销、社群、SEO、增长、PR、调研、内容等等。每个 agent 都有统一的结构：

身份卡：名字、职责、风格（比如"Whimsy Injector"、"Reality Checker"、"Frontend Wizard"）
交付清单：这个角色每次被召唤应该输出什么
约束：不能做什么、什么情况下主动停止
协作约定：和其他 agent 交接时的输入输出格式
独立开发者：用 frontend-wizard + code-reviewer + technical-writer 三个 agent 就能把"写代码 / 审代码 / 写 changelog"流水线串起来。
小团队的内容运营：hacker-news-strategist + reddit-community-ninja + blogger 三个 agent 几乎能覆盖海外社媒的全部生产。
AI 工程师 / Prompt 工程师：把这份仓库当作 reference，研究别人怎么组织 persona，比看 5 篇 Medium 教程强。
任何想做 agent 产品但写不出好 prompt 的人：直接 fork 改一改就是一个产品 MVP。
仓库：github.com/msitarzewski/agency-agents
推荐入手的三个 agent：
配套工具：agency-agents-cli（可选，提供一些自动化脚手架）

你可以把它理解成一份"AI 工作室员工手册"——每个岗位都有标准 SOP，新人（你自己）直接领一份就能上岗。

能做什么

仓库里目前的 agent 大致分成几类：

工程类：Frontend Wizard、Backend Master、Full-Stack Architect、Code Reviewer、Test Engineer、DevOps Lead、Database Optimizer、API Designer。这些角色都能在 Claude Code / Cursor / Continue 里直接当作"超长 system prompt"塞进去。

产品与设计类：UX Researcher、UI Designer、Product Manager、UX Writer、Brand Strategist。它们输出的不是代码，而是 PRD、设计评审意见、品牌指南。

增长与营销类：Reddit Community Ninja、Hacker News Strategist、SEO Specialist、Growth Hacker、Email Marketer、Twitter Ghostwriter、Content Strategist。这些 agent 自带平台风格约束，比如 Reddit 那位会主动避免营销腔、HN 那位会强调技术深度。

内容创作类：Technical Writer、Blogger、Newsletter Editor、Video Scriptwriter、Whimsy Injector（专门负责给平淡文案加生动细节）。

质量保证类：Reality Checker（对结论挑刺）、Skeptic（专门反驳主流观点）、Fact Checker、Editor-in-Chief。

这些 agent 之间还可以组合：例如让 Frontend Wizard 出方案，让 Reality Checker 找漏洞，让 Code Reviewer 给出 review 意见，最后让 Technical Writer 写成 changelog。整套流程就是一个 60 人的 AI 工作室。

为什么值得

第一，省时间。一个能用的 agent prompt 写起来要 30~60 分钟，反复调优可能一下午。这套仓库里 60+ 个 agent 直接拿来用，相当于别人帮你把 60 个下午干完了。

第二，标准化。在团队里推广 AI 工具最大的阻力不是模型不够强，而是不同人写出来的 prompt 风格千差万别，输出一会儿很专业一会儿很业余。Agency Agents 提供的是一份统一的"角色词典"，团队成员拿同一份就能得到质量相近的结果。

第三，可观察性。每个 agent 文件本身就是一个 reviewable 的 artifact。你可以让团队成员 review 这些 prompt，像 review 代码一样提 PR、讨论、改版本。这比把 prompt 锁在某个人的本地笔记里强太多。

第四，关注分离。runtime 的事交给 LangChain / CrewAI / OpenAI Agents SDK，persona 的事交给 agency-agents。两件事不需要耦合。

第五，它是 plain text。仓库里就是一堆 .md / .txt 文件，没有任何依赖，没有 binary，没有 lock-in。你完全可以 fork 之后删掉一半、加上自己公司的 agent，永远不会被 vendor 绑架。

快速上手

Agency Agents 本质是一个 prompt 目录，所以"上手"的方式取决于你想用什么运行时。最常见的三种姿势：

姿势 1：Claude Code / Cursor 里直接用

把仓库 clone 到本地：

git clone https://github.com/msitarzewski/agency-agents.git ~/.agency-agents

在 Claude Code 里启动一个 project，把某个 agent 文件的内容粘贴到 system prompt 里，或者用 /init 命令指定参考文件：

@~/.agency-agents/agency-agents/engineering/frontend-wizard.md

从这一刻起，你这个 Claude Code 实例就变成了"前端巫师"。

姿势 2：自托管一个 HTTP 服务

仓库里附带了几个 server 脚本，可以用 Python 一键启动一个 OpenAI 兼容的 API，把每个 agent 暴露成不同的模型名：

docker run -d \
  --name agency-agents \
  -p 8080:8080 \
  -v $(pwd)/agency-agents:/app/agents:ro \
  ghcr.io/msitarzewski/agency-agents:latest

之后你的客户端只要把 model 字段改成 frontend-wizard 或 reality-checker，就走对应 agent。

姿势 3：和现有框架拼接

如果你已经在用 CrewAI 或者 LangGraph，可以把 agency-agents 的 prompt 作为每个 role 的 system prompt 注入：

from crewai import Agent
import pathlib
prompt = pathlib.Path("agency-agents/engineering/frontend-wizard.md").read_text()wizard = Agent(
    role="Frontend Wizard",
    goal="Ship pixel-perfect, accessible UI",
    backstory=prompt,   # 直接把整个 prompt 当 backstory
    allow_delegation=False,
)

就这样，agent 注册好了。

一个 60 秒的 sanity check

挑一个你今天的工作，写一句普通 prompt，复制同一个任务，再把 prompt 换成 reality-checker.md 里那段。你会立刻看到两者的差异——前一个是顺毛驴，后一个会主动找漏洞。这就是 persona 的威力。

适合谁

不太适合：只用一个通用 ChatGPT 窗口、从来没配过 system prompt 的人。如果你不打算写代码或者自动化流程，这套东西对你价值不大。

比较适合：

身份卡：名字、职责、风格（比如"Whimsy Injector"、"Reality Checker"、"Frontend Wizard"）
交付清单：这个角色每次被召唤应该输出什么
约束：不能做什么、什么情况下主动停止
协作约定：和其他 agent 交接时的输入输出格式
独立开发者：用 frontend-wizard + code-reviewer + technical-writer 三个 agent 就能把"写代码 / 审代码 / 写 changelog"流水线串起来。
小团队的内容运营：hacker-news-strategist + reddit-community-ninja + blogger 三个 agent 几乎能覆盖海外社媒的全部生产。
AI 工程师 / Prompt 工程师：把这份仓库当作 reference，研究别人怎么组织 persona，比看 5 篇 Medium 教程强。
任何想做 agent 产品但写不出好 prompt 的人：直接 fork 改一改就是一个产品 MVP。
仓库：github.com/msitarzewski/agency-agents
推荐入手的三个 agent：
配套工具：agency-agents-cli（可选，提供一些自动化脚手架）

链接

身份卡：名字、职责、风格（比如"Whimsy Injector"、"Reality Checker"、"Frontend Wizard"）
交付清单：这个角色每次被召唤应该输出什么
约束：不能做什么、什么情况下主动停止
协作约定：和其他 agent 交接时的输入输出格式
独立开发者：用 frontend-wizard + code-reviewer + technical-writer 三个 agent 就能把"写代码 / 审代码 / 写 changelog"流水线串起来。
小团队的内容运营：hacker-news-strategist + reddit-community-ninja + blogger 三个 agent 几乎能覆盖海外社媒的全部生产。
AI 工程师 / Prompt 工程师：把这份仓库当作 reference，研究别人怎么组织 persona，比看 5 篇 Medium 教程强。
任何想做 agent 产品但写不出好 prompt 的人：直接 fork 改一改就是一个产品 MVP。
仓库：github.com/msitarzewski/agency-agents
推荐入手的三个 agent：
配套工具：agency-agents-cli（可选，提供一些自动化脚手架）

如果只让我推荐一件事，那就是把 reality-checker.md 放进你日常的 Claude Code。它不会让你"更开心"，但会让你"少出错"——这才是 AI 角色真正有价值的地方。