Agent Starter Kit：用 Markdown 文件驱动你的 AI 编程交响乐团

想象这样一个场景

你坐在工位前，手里有一杯咖啡，眼看就要完成一个复杂的功能模块——需要同时规划架构、写代码、做安全审查。往常这意味着你要在不同模型、不同工具之间来回切换，手动传递上下文，生怕哪个环节遗漏了什么。

现在，你只需要在终端输入一行指令——"请帮我完成这个功能"——然后，一个叫 Maestro 的 AI conductor 就自动启动了。它分解任务，派遣 Architect 做规划，调度 Coder 写代码，指挥 Reviewer 做质量把关。一切井然有序，就像一位经验丰富的乐团指挥，让每位乐手各司其职。

这就是 Agent Starter Kit——一个用纯 Markdown 文件构建的多模型 AI 编程框架。它的核心理念不是"做一个更强大的 AI 工具"，而是"做一个让你现有的 AI 工具更聪明、更协调的编排框架"。

背景：为什么需要 AI 编排框架？

模型焦虑与成本现实

Claude Code、Codex、OpenCode……每一个 AI 编程工具都声称能改变你的工作流。现实是：这些工具各有优劣。Claude Code 在复杂推理上表现出色，但费率较高；DeepSeek 便宜又快，但长上下文理解偶有退化；GPT-4o 在某些评测基准上领先，却在其他领域平平无奇。大多数开发者把宝押在一个模型上，然后忍受它的涨跌起伏。

Agent Starter Kit 的作者 ntorga 提出了一个更务实的思路：不要依赖单一模型，让专业的人做专业的事。不同模型负责自己最擅长的环节——贵一点的模型做需要深度推理的规划，便宜快速的模型处理常规任务，从而延长你的高级套餐使用时间。

框架演进：从硬编码到自然语言

传统的 AI 编程助手往往是一个"全能选手"，但把所有能力压缩进一个 prompt 里，既昂贵又低效。更优雅的思路是：将不同的专业能力拆分成独立角色（persona），每个角色只做好一件事，通过一个协调者统一调度。这种思路并非 Agent Starter Kit 独有，但它的实现方式独树一帜——完全基于 Markdown 文件。

核心理念：三个目录，一个编排逻辑

Agent Starter Kit 的代码仓库结构极为精简，整个框架由三个核心目录组成：

• personas/ — AI 角色定义。描述"我是谁"、"我做什么"、"我如何交接工作"、"我的底线是什么"。
• skills/ — 可复用的操作规程。回答"如何执行 X"，让角色专注"做什么"而非"怎么做"。
• rules/ — 约束与规范。包括代码规范、Git 工作流等。

这种结构的精妙之处在于：每个文件都是纯文本。没有 Docker，没有依赖安装，没有运行时环境。你不需要为了扩展框架去学某种 DSL（领域特定语言），只需要写 Markdown——任何人都能编辑的格式。

四大核心角色详解

Maestro：指挥家

Maestro 是整个框架的入口点和协调中枢。它负责：理解用户需求，将其分解为子任务；判断任务复杂度，决定使用快速模式还是完整编排模式；按需派遣不同的 persona 执行任务；管理跨会话记忆，确保中断后能从断点恢复。

Maestro 运行时有两种模式：快速模式（Quick Mode）下，Maestro 不介入，用户直接与 AI CLI 交互，框架仅自动加载 AGENTS.md 风格规范；完整编排模式（Full Orchestration）下，Maestro 接管全局，按流程调度各个专业角色。

Architect：架构规划师

Architect 的职责是在动手编码之前，先把事情想清楚。它负责：定义实现前后的状态对比（before/after）；规划多步骤实现路径；评估技术方案的取舍；自我审查：GRASP 原则检验。

有趣的是，Architect 的 prompt 里专门定义了一个 preferredModel 字段，允许你指定它使用哪个模型。你可以让贵的模型做规划，让便宜的模型执行代码，从而在保证质量的同时控制成本。

Coder：执行者

Coder 负责根据 Architect 的规划编写代码。它的设计哲学很有意思：不只是"写代码"，而是要在提交前完成 自我审查（GRASP 自评）；遵循 AGENTS.md 中的项目级编码规范；遇到循环重试时按 loop-recovery 技能处理。

Reviewer：质量守门人

Reviewer 是最后一道关卡。它执行多层审查：Coherence Review（逻辑一致性、正确性、结构完整性）；Quality Review（编码规范合规性）；Security Review（OWASP 对齐的安全检查清单）；Architect Adversarial（对 Architect 的规划进行对抗性验证）。

Reviewer 的审查等级按代码变更规模（LOC）自动选择——小改动轻量审查，大改动全量安全审计。这种分级策略避免了对小修改过度审查的繁琐，也确保了大改动的安全底线。

关键技术特性

多模型编排：打破单点依赖

框架通过 skills/dispatch.md 定义了一个 Providers 列表，映射每个模型家族到对应的 CLI 工具。当一个 persona 的 preferredModel 与宿主运行时一致时，Maestro 直接使用宿主内置的子 agent 机制；当需要跨 provider 调度时，Maestro 通过 stdin 管道向目标 CLI 工具发送组装好的 prompt。

这意味着：你可以让 Claude Code 作为 host，用它来编排整个工作流，但具体的代码编写任务实际分配给 DeepSeek 的模型执行。

跨会话记忆系统

框架维护两个记忆文件：.memory/long-term.md（长期记忆，存储用户偏好、经验教训、项目约定）和 .context/session.md（当前会话上下文，记录未完成任务和状态）。每次 session 启动时，Maestro 的 boot 序列会检查 .agents/ 是否有更新，若有则读取 changelog 并清理失效的长期记忆条目。

OpenCode 原生支持

Agent Starter Kit 对 OpenCode 提供了第一方支持。框架包含 shell 脚本，在检测到 yq 和 jq 工具后，自动生成 opencode.json，配置 persona 的 agent 绑定、temperature、thinking budget 等参数。

MoE 模型思维 token 上限

作者做了一项很有意思的研究：基于 121+ 次代码审查任务的统计，发现 MoE（混合专家）模型在思维 token 超过 16,000 后会出现退化——模型开始为发现的问题做辩护、软化严重性、合理化它本应标记的 bug。框架在 boot 序列中会自动为各 persona 设置符合此约束的 thinking budget。

部署与使用门槛

部署流程

cd /path/to/your/project
git clone git@github.com:ntorga/agent-starter-kit.git .agents
ln -s .agents/AGENTS.md AGENTS.md

安装就是 clone 一个仓库、创建一个软链接，没有 npm install，没有 pip install，没有 Docker build。

前置依赖

• 必须：Git + 至少一个 AI CLI 工具（claude / opencode / codex）
• 可选：yq + jq（启用 OpenCode 自动配置）
• 硬件：框架本身极轻量（< 1MB），无 GPU 要求

优势与局限

优势

1. 零依赖：整个框架是纯 Markdown，无需安装任何运行时
2. 高度可定制：每个 persona、skill、rule 都是可编辑的 Markdown 文件
3. 多模型编排：打破单模型依赖，按需分配计算资源
4. 跨会话记忆：解决 AI"失忆"问题，任务可中断可恢复
5. 自动质量门禁：Reviewer 的多级审查覆盖逻辑、代码质量、安全性

局限

1. 无容器化支持：无法通过 Docker 部署，不适合非开发环境使用
2. 依赖外部 AI CLI：框架本身只是 prompt 和流程编排，实际能力取决于宿主 AI CLI
3. 配置有一定门槛：理解 persona 之间的交互逻辑需要一定学习成本
4. Windows 兼容性存疑：文档以 Unix/Linux 为默认环境，Windows 上可能遇到路径和 shell 脚本兼容问题

行业意义

Agent Starter Kit 代表了一个趋势：从"一个模型做所有事"到"多模型协作各司其职"。它的 Markdown-first 设计哲学让框架本身变得透明、可审计、可 fork——你不是在用一个黑盒工具，而是在构建一个属于自己的 AI 工作流定义。

随着 Claude Code、Codex、OpenCode 等 AI CLI 工具日益普及，类似的编排框架将成为开发者工具链中越来越重要的一环。Agent Starter Kit 的价值不在于它现在有多少 stars，而在于它验证了一种用纯文本定义 AI 工作流的可行性。

Maestro 在 Clean Architecture Go 项目中启动——自动创建 .gitignore、自动更新框架、带 33 个上下文文件和记忆系统。

快速上手建议

如果你对 Agent Starter Kit 感兴趣，建议从以下路径开始：

1. 先用 快速模式 体验：clone 后直接向 AI CLI 提出一个小需求，感受框架的编码风格规范如何自动生效
2. 再尝试 完整编排模式：用一个稍微复杂的任务（如"实现一个用户认证模块"），观察 Maestro 如何分解任务并调度各个 persona
3. 最后 fork 并定制：在 personas/ 和 rules/ 中加入你项目的特定规范，让框架真正成为团队工作流的一部分