Agency Agents：144个AI角色模板一键安装到Cursor/Claude Code

每次让AI帮忙写代码、做设计、审查测试，是不是都要从"你是一个资深工程师"这句话开始？接着花大量时间补充细节——该先问什么、交付什么、什么算完成？Agency Agents 这个开源项目，把这件重复劳动彻底标准化了。

Agency Agents 项目介绍

不是聊天机器人，是一套结构化AI角色资产库

很多人对AI的使用还停留在"一句话人设"阶段：告诉AI你是某个角色，然后期待它给出专业回答。这种方式有用，但太粗糙。真正决定AI输出质量的，是角色背后的一整套细节定义——核心使命是什么、工作流程怎么走、交付物有哪些、成功指标如何衡量、沟通风格是什么样的。

这背后其实是"提示词工程"（Prompt Engineering）走向工程化管理的大趋势。传统的AI提示词通常是即兴编写的一段自然语言指令，缺乏标准化结构。随着大语言模型在企业级场景中的深入应用，业界逐渐认识到提示词本身需要像代码一样被模块化管理——将角色定义、任务约束、输出格式、评估标准等要素拆解为独立的可配置模块，使其具备可复用性和可维护性。这与软件工程中从脚本式编程走向模块化架构的演进路径高度一致。

Agency Agents 做的事情，就是把这些细节整理成结构化的 Markdown 文件，形成一个可安装、可复制、可改造的开源AI角色目录。当前仓库已经收录了 144个专业化Agent角色模板，横跨 12个业务领域，包括工程、设计、营销、产品、项目管理、测试、支持、财务、游戏开发、学术等。

144个AI Agent角色模板里到底有什么

这不是一个简单的提示词合集。每个角色文件都包含完整的职责定义，远比"你是XX专家"丰富得多。

在多Agent系统的研究中，一个高质量的Agent定义通常包含几个关键维度：核心使命（Mission）定义了Agent存在的根本目的；工作流程（Workflow）规定了任务执行的步骤和决策逻辑；交付物（Deliverables）明确了输出的具体形式和格式要求；成功指标（Success Criteria）提供了评估输出质量的量化或定性标准；沟通风格（Communication Style）则约束了Agent的语言表达方式和交互模式。这些维度共同构成了Agent的"行为契约"，使得AI的输出从随机性较高的自由发挥转变为可预期、可审计的标准化产出。

工程方向：覆盖软件开发全链条

工程目录涵盖了软件开发全链条的关键角色：Front-end Developer（前端开发者）、Back-end Architect（后端架构师）、Security Engineer（安全工程师）、Code Reviewer（代码审查员）等。每个角色不仅定义了身份，还明确了工作过程、交付标准和风险边界。

现代软件开发已经从"全栈一人搞定"演进为高度专业化的分工体系。前端开发者负责用户界面的交互实现，后端架构师设计系统的服务端结构、数据流和API接口，安全工程师专注于漏洞检测、威胁建模和合规审计，代码审查员则从代码质量、可维护性和团队规范的角度把关。在实际团队中，这些角色之间存在明确的职责边界和协作接口。Agency Agents 将这种成熟的分工模式映射到AI角色定义中，使得每个AI Agent都能聚焦于特定的专业领域，而不是试图成为一个"什么都懂但什么都不精"的通用助手。

设计方向：职责划分清晰

设计目录包含 UI Designer（界面设计师）、UX Researcher（用户体验研究员）、Brand Guardian（品牌守护者）等角色。这些角色之间有明确的职责划分，避免了"设计"这个笼统概念下的模糊地带。

测试与质量方向：远不止"跑一遍看看有没有bug"

测试目录的角色设计颇有深度，包括 Evidence Collector（证据收集者）、Reality Checker（现实检验者）、API Tester（接口测试员）等。这些命名本身就体现了对测试工作的深入理解——测试远不止"跑一遍看看有没有bug"那么简单。

软件测试领域远比大多数人认知的要复杂。现代测试理论将测试活动分为多个层次：单元测试验证最小代码单元的正确性，集成测试检查模块间的协作，端到端测试模拟真实用户场景，API测试验证接口契约的一致性。而"证据收集"和"现实检验"这类命名反映了测试工程中更高层次的思维——测试不仅是发现bug，更是系统性地收集证据来证明或否定软件行为符合预期。这种基于证据的测试方法论（Evidence-Based Testing）强调可追溯性和可重复性，与Agency Agents中角色定义的结构化理念高度契合。

产品原型开发实战：多角色协作工作流演示

理解 Agency Agents 最好的方式，是把它当成你的 AI工作团队素材库。假设你要做一个新产品原型，工作流可以这样组织：

先让 Rapid Prototyper 帮你快速搭出可运行版本
再让 Front-end Developer 处理界面实现
让 Back-end Architect 审查接口和数据结构设计
让 UI Designer 统一视觉体验
最后让 Code Reviewer 做上线前的质量检查

每个环节切换角色时，不需要从零编写提示词，直接加载对应的Agent文件即可。这些文件已经定义好了该角色应该关注什么、忽略什么、交付什么。

它的价值不在于自动完成所有任务，而在于你不用从零设计这些角色的职责边界。拿现成的角色模板开始，再按自己的团队习惯删改，效率远高于每次重新造轮子。

多平台兼容：不锁定任何AI编程工具

Agency Agents 在工具兼容性上做得相当务实，支持当前主流的AI编程工具，安装方式也很直接：

Claude Code：运行仓库提供的 install.sh 脚本，或手动将 Markdown 文件复制到本地 Agents 目录
Cursor、Windsurf、Aider：仓库提供了 Convert 和 Install 脚本，自动将角色文件转换成对应工具能读取的格式
Gemini CLI、Quant Code、Kimi Code 等：同样支持格式转换和安装

当前AI编程工具市场正处于快速分化和竞争阶段。Claude Code 是 Anthropic 推出的命令行AI编程助手，直接在终端中与开发者协作；Cursor 是基于VS Code的AI增强编辑器，将大语言模型深度集成到代码编辑工作流中；Windsurf（原Codeium推出）同样是AI原生IDE；Aider 是一个开源的命令行AI结对编程工具，支持多种模型后端；Gemini CLI 是Google推出的命令行AI工具。这些工具各有不同的配置格式和Agent加载机制，这也是为什么Agency Agents需要提供格式转换脚本——它解决的是角色资产在异构工具生态中的可移植性问题。

同一套角色资产可以在不同工具之间迁移。当你从一个AI编程工具切换到另一个时，积累的角色库不会白费。

使用Agency Agents前需要认清的边界

说完优点，也得说清楚 Agency Agents 不是什么：

不是SaaS产品：没有在线平台，没有付费订阅
不是工作流调度引擎：它不会自动编排多个Agent的协作顺序
不保证结果质量：真正执行任务的仍然是你使用的AI模型

它更像一套结构化、可审计、可版本管理的角色提示词模板和流程规范。你应该把它当成起点而非终点，根据自己的项目需求、质量标准和团队语言，持续迭代这些Agent文件。

谁最适合用这套AI角色模板库

根据项目特点，以下三类人能从 Agency Agents 中获得最大价值：

AI重度使用者。 经常用AI写代码、做设计、写文档，但已经厌倦每次重复编写角色设定。Agency Agents 让你把提示词模板标准化，一次定义，反复使用。

小团队或独立开发者。 想把产品、工程、测试、营销这些角色拆清楚，但暂时没有完整团队。通过AI角色库，一个人也能模拟多角色协作的工作模式。

多Agent工作流研究者。 想看一个较大规模的角色库如何组织分类、定义交付物、集成工具。144个角色、12个领域的组织方式本身就是很好的参考架构。

如果你只是偶尔问AI一个小问题，这个项目可能显得有点重。但如果你已经开始把AI当作长期协作对象，它就非常值得深入研究。

核心价值：从一句话人设到可管理的AI角色资产

Agency Agents 的核心价值，不是又多了100多个提示词模板。它真正解决的问题是：把专业角色的职责、流程和质量标准沉淀成文件，让这些文件可以安装、复制、修改、版本管理。

这和软件工程中"基础设施即代码"（Infrastructure as Code, IaC）的思路一脉相承。IaC是DevOps领域的核心理念之一，其核心主张是将服务器配置、网络拓扑、部署流程等基础设施定义用代码文件来描述，而非通过手动操作来管理。Terraform、Ansible、Pulumi等工具是这一理念的典型实践。IaC带来的核心收益包括：版本可追溯（通过Git管理变更历史）、环境可复现（任何人都能从同一份配置文件重建相同环境）、变更可审计（每次修改都有记录和审批流程）。当你的AI角色设定也变成这样可管理的代码资产时，团队协作的一致性、可维护性和可扩展性都会显著提升。

当你下一次想让AI扮演前端、后端、设计、测试、增长这些角色时，不必每次从"你是专家"开始。先拿一支现成的AI工作队，再把它调成适合自己的样子——这就是 Agency Agents 的正确打开方式。