agency-agents-zh

🎭 215 个 AI 专家角色库：给 AI 编程工具装上「专业分身」

场景切入：一个人就是一个团队？

想象你正在开发一个电商小程序，代码写得飞快，但接下来要面对的问题让你头疼：安全漏洞怎么排查？运营推广方案谁来出？财务报表怎么设计？招人来不及，自己又不够专业——这时候你只能把 AI 助手叫来，让它扮演不同的专家角色，分别给你出方案。

这正是 agency-agents-zh 试图解决的问题。这个 GitHub 项目收录了 215 个经过精心设计的 AI 专家角色，从安全工程师到小红书运营专家，从机械设计工程师到区块链安全审计员，覆盖了工程、设计、营销、金融等 18 个业务部门。每个角色都有独立的人设、思考框架、工作流程和交付物标准——不是简单告诉 AI「你是一个安全专家」，而是定义了这个专家怎么思考问题、关注哪些细节、输出什么格式的结果。

背景：上游爆火，中文社区接力

这个项目的基础是 msitarzewski/agency-agents，原版在 GitHub 上拥有超过 10.5 万颗星，是提示词工程领域的标杆项目。作者从自己团队使用 AI 编程工具的实践中提炼出一套方法论：与其让 AI 扮演一个泛泛的「专家」，不如给 AI 一个完整的角色定义——包括身份定位、行为规则、专业流程和交付标准。

jnMetaCode 团队在此基础上做了两件事：第一是完整汉化——将英文版 165 个角色全部翻译成中文，降低中文用户的上手门槛；第二是本土化创作——新增 50 个中国市场特有的智能体角色，覆盖小红书运营、抖音策略、微信公众号运营、飞书/钉钉集成开发、政务合规、跨境电商、工业上位机设计等垂直场景，这些都是英文版完全没有的领域。

图1：agency-agents 上游项目页面（GitHub）

类比解释：这不是提示词模板，是「角色剧本」

如果把普通提示词比作「你是一个厨师」，agency-agents 的角色定义就更像是给演员的一份完整剧本——不仅告诉他演厨师，还告诉他：遇到刁钻的顾客怎么处理，遇到食材短缺怎么应对，厨房着火的标准流程是什么，交付菜品时要配上什么话术。

以安全工程师角色为例，AI 收到的不只是「你是一个安全工程师」这样一句话，而是一份包含以下内容的完整定义：

• 身份定位（应用安全工程师 / 安全架构师 / 对抗性思维者）
• 核心原则（7条硬性安全规则，如「永远不要建议禁用安全控制」）
• 工作流程（OWASP Top 10 逐项审查、CWE Top 25 检测、CI/CD 安全门禁搭建）
• 交付标准（每个漏洞发现必须包含：严重性评级 + 可利用性证明 + 修复代码示例）

这种结构化程度意味着，AI 在处理真实问题时的输出质量会显著高于通用提示词。

核心功能：角色库 + 编排工具

项目分为两层：

第一层：角色库本身。215 个角色分布在 18 个目录下，每个角色是一个 .md 文件，包含 YAML frontmatter（名称、描述、emoji、颜色）和 Markdown 正文（角色定义）。主要分类包括：

第二层：Agency Orchestrator 编排工具（独立项目）。这是让角色库真正活起来的关键——一个命令行工具，可以将多个角色组成 DAG 工作流，自动并行执行无依赖步骤，支持断点续跑，对接 Claude Code、Gemini CLI、Copilot 等 6 种免费 LLM，以及 DeepSeek、Claude API、OpenAI 等付费 API。用户只需一句自然语言描述需求，系统自动选角、自动编排、自动交付。

技术细节：安装机制与工具支持

安装方式非常简洁——一条 install.sh 脚本，自动检测用户本地已安装的 AI 编程工具（Claude Code、Cursor、Copilot、Windsurf、Kiro、Trae、OpenCode、Aider 等 17 种），然后将对应的角色定义文件复制到工具的配置目录中。安装过程不需要 Docker、不需要容器、不需要服务器，完全是本地文件操作。

从代码结构看，项目本身是纯文本文件集合：

• package.json：定义了发布到 npm 的包元数据，可通过 npm install -g agency-agents-zh 安装
• scripts/：包含 install.sh（主安装脚本）、lint-agents.sh（角色定义校验）、sync-tw.sh（繁简同步）等工具脚本
• integrations/：为每种 AI 工具提供独立的安装说明和配置文件
• examples/：6 个完整工作流示例，包括小红书产品首发、创业 MVP 开发、空间计算发现等场景

所有角色定义文件使用标准化 Markdown 格式，前端工程团队可以轻松扩展新角色，或将角色迁移到其他 AI 编程工具中。

上手门槛：零技术背景也能用

这个项目的使用门槛被设计得非常低。对于普通用户：

• 安装门槛：运行一条 ./scripts/install.sh 命令，自动适配本地工具，2 分钟完成
• 使用门槛：用自然语言激活角色，例如「请用安全工程师的角色帮我审查这段代码」
• 无需 GPU：纯文本处理，不需要任何硬件加速

对于开发者：

• 扩展门槛：按 templates 格式写一个新的 .md 文件即可创建角色，lint-agents.sh 提供自动校验
• 集成门槛：integrations/ 目录为每种工具提供了详细的安装说明，修改配置文件即可完成对接
• 编排门槛：Agency Orchestrator 支持 YAML 配置和自然语言两种模式，零代码也能编排多角色协作

唯一需要注意的是：角色库本身只是定义文件，真正的 AI 推理能力取决于用户本地安装的 AI 编程工具。工具本身是否付费、模型能力如何，直接影响角色输出的质量。

争议与局限

1. 提示词工程的本质局限：再精致的角色定义也无法突破底层模型的能力上限。如果模型本身不理解某个专业领域，再好的角色定义也救不了输出质量。

2. 中文原创角色的质量一致性：50 个本土原创角色（相比英文原版的 165 个翻译角色）新增时间较短，社区反馈数据有限，部分垂直领域（如畜禽养殖、机械设计）的专业深度有待验证。

3. 角色数量过多导致选择困难：215 个角色虽然覆盖面广，但用户在具体场景下如何快速找到最合适的角色，本身就是一个 UX 问题。项目提供了 CATALOG.md 速查表，但搜索和推荐能力有限。

4. 无 Web UI：所有交互依赖用户的 AI 编程工具，没有独立的网页界面或 API 服务，对非技术用户有一定门槛。

行业意义：提示词工程走向专业化

agency-agents 的流行代表了一个趋势：提示词工程正在从「写好一句话」走向「构建完整的专家系统」。当行业开始为 AI 定义角色、工作流和交付标准时，AI 编程工具就不再只是辅助代码生成的工具，而是可以承担更多专业分工的「虚拟团队成员」。

上游项目 10.5 万星的规模也说明，社区对这类资源有强烈需求。jnMetaCode 的中文本地化工作填补了中文市场的空白，50 个本土原创角色更是直击中国用户在小红书运营、微信生态、钉钉/飞书集成等场景下的实际痛点。随着 Agent 技术的成熟，这类结构化角色库的价值还会进一步放大。

jnMetaCode/agency-agents-zh 仓库截图