title: "你装了 200 个 AI 专家，但它只会用 3 个——128K 星的 Agent 库到底值不值" description: "GitHub 128K 星项目 agency-agents 收录 200+ 专业 AI Agent，覆盖工程、设计、营销、安全等 20+ 部门。但装得多不等于用得好——上下文膨胀、质量参差、角色漂移，这篇把代价说清楚。" tags: ["AI Agent", "agency-agents", "Claude Code", "Cursor", "多Agent协作"]

你装了 200 个 AI 专家，但它只会用 3 个——128K 星的 Agent 库到底值不值

我承认，我 clone 完 agency-agents 的那一刻，感觉自己雇了一整个公司。前端开发、后端架构、安全审计、营销增长、甚至还有个「微信小程序开发者」——200 多号人，一分钱不花。

然后我发现，我根本叫不动它们。

不是工具的问题，是我的问题。200 个 Agent 装进 .claude/agents/，Claude Code 每次启动要读一遍所有人格文件，上下文还没干活就被占了一截。更尴尬的是，大部分 Agent 我根本用不上——我的项目不需要游戏开发，也不需要 GIS 地理信息，更不需要有人帮我做 Roblox 虚拟形象。

128K 星的项目，真正对你有用的可能不到 10 个。

从 Reddit 帖子到 128K 星

agency-agents 的起点很朴素：2025 年底，有人在 Reddit 上发帖讨论「AI 能不能真正专精某个领域」，而不是每次都给你一个万金油式的回答。项目作者 Michael Sitarzewski 顺着这个思路，开始为 AI 编程工具编写结构化的专家人格文件。

每个 Agent 不是一句 "Act as a developer" 的 prompt，而是一个完整的 Markdown 文件，包含：

• 身份与性格：不是泛泛的"专家"，而是有明确专业边界和沟通风格的角色
• 核心使命：只做一件事，做到极致
• 交付物：具体的代码、文档、流程，不是空洞的建议
• 成功指标：可量化的质量标准
• 工作流程：从接任务到交付的完整步骤

这种「结构化人格」的思路，比通用 prompt 在实测中提升了约 70% 的输出质量——这是 YouTube 频道 FuturMinds 用同一任务、同一模型做的对照测试结果。

项目从最初的几个工程 Agent，逐步扩展到今天的 20+ 部门、200+ Agent，社区贡献了 367 次 commit。现在还出了原生桌面应用，支持 macOS、Linux、Windows，一键安装到 Claude Code、Cursor、Codex 等 15+ 工具。

20 个部门，200+ 专家——先别急着全装

agency-agents 的 Agent 按部门分类，每个部门解决一类问题：

你大概率用得上的：

• 工程部（30 人）：前端开发、后端架构、DevOps、代码审查、数据库优化……这是核心
• 设计部（8 人）：UI 设计、UX 研究、品牌守护、视觉叙事
• 产品部（5 人）：Sprint 排期、趋势研究、反馈整合、行为助推
• 安全部（11 人）：安全架构、渗透测试、云安全、威胁情报

你可能用不上的：

• 游戏开发部：Unity、Unreal、Godot、Roblox 专项 Agent
• GIS 地理信息部：空间数据、无人机测绘、3D 场景
• 空间计算部：XR、Vision Pro、WebXR
• 学术部：人类学、地理学、叙事学、心理学——给世界观构建用的

中国市场专属：

• 百度 SEO 专家、抖音策略师、B站内容策略师
• 小红书运营、快手策略师、私域运营
• 多平台一键发布（知乎/小红书/CSDN/B站/公众号/掘金）
• 飞书集成开发、微信小程序开发

安装 3 分钟，但别装全量

# 推荐：只装你需要的部门
./scripts/install.sh --tool claude-code --division engineering,security

# 或者只装特定的 Agent
./scripts/install.sh --tool cursor --agent frontend-developer,code-reviewer

# macOS 也可以用 Homebrew 装桌面应用
brew install --cask msitarzewski/agency-agents/agency-agents

为什么要选择性安装？ 三个原因：

1. 上下文膨胀：Claude Code 启动时会读取 agents 目录下的所有文件。200 个 Markdown 文件，每个 2-5KB，就是 400KB-1MB 的上下文占用。你的有效窗口就这么被吃掉了。

2. 角色冲突：装了 Frontend Developer 和 Senior Developer，当你让 Claude 写前端代码时，它可能不知道该用哪个角色，导致输出风格混乱。

3. OpenCode 的硬限制：OpenCode 运行时最多注册约 119 个 Agent，超出部分会被静默丢弃。如果你全量安装，一半的 Agent 直接消失。

代价清醒：128K 星不等于 128K 认可

社区对 agency-agents 的态度并不是一边倒的赞美。

质量参差是最大问题。 Data Science Dojo 在评测中直言：Code Reviewer 还算可用作起点，但 AI Engineer 就是 "buzzword soup"（流行语大杂烩）。200+ Agent 里，有些是精心打磨的，有些明显是社区 PR 凑数的——格式对齐了，但专业深度不够。

角色漂移依然存在。 结构化人格能减少 AI 输出的不一致性，但不能根除。当你给一个 Backend Architect 提了一个前端相关的问题，它不会说"这不是我的领域"，而是会努力回答——然后用后端的思维给出一个糟糕的前端方案。

不是真正的多 Agent 系统。 agency-agents 提供的是「人格切换」，不是「多 Agent 协作」。你不能让 Security Architect 自动审查 Backend Architect 的输出。要实现真正的多 Agent 工作流，你需要自己搭建 Agent 间的通信和协调机制——agency-agents 帮不了你这个。

维护成本被低估。 项目更新频繁（367 次 commit），每次更新可能改变 Agent 的行为。如果你基于某个 Agent 的输出生成了自己的工作流，更新后可能需要重新适配。

谁该用，谁不该用

适合你，如果：

• 你是独立开发者/一人团队，需要多角色覆盖
• 你用 Claude Code 或 Cursor，想快速激活某个专业角色
• 你只需要 5-10 个核心 Agent，而不是全量安装
• 你愿意花时间测试哪些 Agent 真正提升了你的输出质量

不适合你，如果：

• 你期待安装后 AI 自动变成全能团队（它不会）
• 你需要真正的多 Agent 自动化协作（这不是这个项目解决的问题）
• 你的上下文窗口已经很紧张（全量安装会让问题更严重）
• 你追求每个 Agent 都是生产级质量（现实是质量参差）

趋势判断：Agent 人格化的下一步

agency-agents 的真正价值不是那 200 个 Markdown 文件，而是它验证了一个方向：AI 的竞争维度正在从「模型能力」转向「角色定义」。

同样的 Claude Sonnet，用通用 prompt 和用结构化 Agent 人格，输出质量差 70%——这差距不是模型能追回来的。未来的 AI 编程工具，比的不是谁的模型更大，而是谁能定义更精准的角色、更清晰的交付流程、更严格的成功指标。

agency-agents 是这个方向的早期实验。它粗糙、质量参差、全量安装还有副作用——但它指出了 AI 编程从「通用助手」到「专业团队」的转变路径。

装 3 个你真正用得上的 Agent，比装 200 个装点门面的强。

💡 快速上手

• GitHub 仓库：github.com/msitarzewski/agency-agents
• 桌面应用：agencyagents.app（macOS / Linux / Windows）
• Homebrew：brew install --cask msitarzewski/agency-agents/agency-agents
• 推荐安装：./scripts/install.sh --tool claude-code --division engineering,security