/tag/agency

我看了一个 AI Agent 角色库：很多人用 AI 的方式，可能从一开始就错了

LinuxDo 最新话题 · 2026-06-07 18:04:28+08:00 · tech

近刷到一个挺有意思的开源项目，叫 agency-agents。 github.com GitHub - msitarzewski/agency-agents: A complete AI agency at your fingertips - From... A complete AI agency at your fingertips - From frontend wizards to Reddit community ninjas, from whimsy injectors to reality checkers. Each agent is a specialized expert with personality, processes, and proven deliverables. 它不是新的大模型，也不是那种复杂到需要研究半天的 Agent 框架，而是一个更直接的东西：一套 AI 专家角色库。我看了一下，项目在 GitHub 上已经有好几十万星左右，热度不算低。它里面放了大量不同岗位的 Agent 角色，比如程序员、架构师、产品经理、增长负责人、内容创作者、设计师、财务顾问、销售策略师、SEO 专家、公众号运营等等。一开始我以为这就是普通提示词库。但认真看完之后，我发现它真正有价值的地方，不是“角色很多”，而是它把一个模糊的专家身份，拆成了更具体的工作方式。以前很多人用 AI，最常见的写法是： “你是一个资深产品经理，帮我分析这个需求。” 或者： “你是一个高级程序员，帮我 review 这段代码。” 这种写法不是没用，但太粗了。一个真正的专家，不只是一个 title。他应该有自己的判断标准、工作流程、输出格式、风险意识和沟通方式。而 agency-agents 做的事情，就是把这些东西提前写进角色里。换句话说，它不是简单告诉 AI： “你是谁。” 而是告诉 AI： “你怎么工作。” “你应该重点关注什么。” “你输出什么东西才算合格。” “你遇到不确定信息时应该怎么处理。” “你应该怎么反驳用户，而不是一味顺着用户说。” 这才是它有意思的地方。我觉得它更像是一套“AI 岗位说明书”。如果你平时用 Claude Code、Cursor、Gemini CLI、GitHub Copilot、Aider、Windsurf 这类工具，可以直接把里面的角色文件拿出来用。比如你在写代码，可以调用 Code Reviewer、Software Architect、Backend Architect、Security Engineer 这些角色，让它们从不同角度检查代码。如果你在做产品，可以找 Product Manager、UX Researcher、Growth Hacker 这类角色，让它帮你拆用户需求、MVP 范围、转化路径和增长实验。如果你在做内容，也可以找 Content Creator、WeChat Official Account Manager、Xiaohongshu Specialist、Bilibili Content Strategist 等角色，让它帮你做选题、结构、标题和内容节奏。这类东西真正解决的不是“AI 会不会回答”，而是“AI 按什么标准回答”。这点很关键。很多人说 AI 不好用，其实不是模型能力完全不够，而是上下文给得太薄。你只给它一句“帮我分析一下”，它当然只能给你一堆平均正确但没什么杀伤力的答案。但如果你给它一个具体角色，告诉它工作边界、判断标准、交付物和反思方式，它的输出质量往往会明显提升。不过，我觉得这个库最值得玩的，不是单个角色，而是多角色组合。比如你有一个创业项目，可以同时让几个 Agent 从不同角度来拆：产品经理判断用户痛点是不是真实存在。增长负责人判断获客路径能不能跑通。财务顾问判断商业模式和成本结构有没有问题。技术架构师判断开发复杂度和系统风险。法律合规角色提醒你合同、隐私和数据使用风险。这时候 AI 就不只是一个聊天工具了。它更像是一场低成本的内部评审会。一个想法拿出来，不要只让一个 AI 夸你“这个想法不错”。要让不同角色来质疑它、拆解它、攻击它。很多方案真正的问题，不是没人执行，而是早期没人认真反驳。你自己想项目的时候，很容易陷入自我合理化。但如果你让 CEO 视角、产品视角、增长视角、财务视角、技术视角一起审一遍，很多隐藏问题会更早暴露出来。当然，也别把它神化。这种 Agent 角色库不是万能的。它不能保证事实一定准确，也不能替你承担专业责任。尤其是法律、财务、医疗、投资、合同、税务、合规这些高风险领域，AI 给出的东西最多只能当作初步分析，不能直接当最终结论。还有一个问题也很重要：只要涉及最新信息，一定要自己重新核查。比如项目 star 数、竞品情况、市场规模、政策变化、价格变化，这些东西都可能随时变。AI 的角色再专业，也不等于它掌握了最新事实。所以正确的用法不是： “让 AI 帮我做决定。” 而是： “让 AI 帮我把问题想得更完整，然后我自己做决定。” 我觉得 agency-agents 给我最大的启发是：提示词正在从一句话，变成一种工作流资产。以前大家说提示词工程，很多人以为就是收藏几个神奇 prompt。但现在越来越明显，真正有价值的不是一句“你是某某专家”，而是把一个岗位的经验、流程、判断标准和交付要求沉淀下来。这其实已经很接近企业里的 SOP 了。一个好的 Agent，不应该只是会说漂亮话。它应该知道自己负责什么、不负责什么；应该知道好结果长什么样；应该知道遇到不确定信息要先确认；应该知道什么时候要挑战用户的假设；也应该知道输出内容怎样才方便落地。这才是 AI 工具真正拉开差距的地方。现在大模型本身的能力差距在缩小，Claude、GPT、Gemini 都已经很强。真正决定效果的，往往不是你用哪个模型，而是你怎么定义任务、怎么提供上下文、怎么约束输出、怎么让 AI 进入正确的工作状态。 agency-agents 这种项目，本质上是在帮你解决“怎么用 AI”的问题。它不是让 AI 变成真人专家。但它能让 AI 更像一个有工作标准的协作者。如果你经常用 AI 写代码、做产品、写内容、拆商业模式，我建议你去看一眼这个项目。不要只复制里面的角色。更重要的是观察它怎么设计角色，怎么定义任务，怎么安排流程，怎么规定输出。那部分才是真正值得学的。未来真正厉害的人，不一定是收藏最多提示词的人，而是能把自己的经验、业务流程和判断标准，沉淀成一套 AI 工作系统的人。这也是我觉得这个项目值得看的原因。它提醒我们一件事： AI 不是你随便问一句，它就自动变强。你给它什么角色，什么上下文，什么标准，它才会朝什么方向工作。会用 AI 的人，已经不只是在“提问”了。他们在搭建自己的工作流。 3 个帖子 - 3 位参与者阅读完整话题

相关专题