我发现了一个很有意思的开源项目：AI真的可以拥有一整个团队
本文介绍开源项目Agency Agents，其核心思路是将AI按专业角色（如前端开发、市场研究、UI设计等）拆分为多个Agent，并支持跨角色协作。它不依赖更长的Prompt，而是通过定义岗位职责、工作流程和交付标准来模拟真实组织架构，使单个用户可调度AI团队完成复杂任务。
Agency Agents：让AI拥有不同职业角色
最近我发现一个挺有意思的开源项目：Agency Agents。
它做的事情非常简单，但我觉得背后的思路很值得关注：
不是让一个AI什么都做，而是让AI拥有不同的“职业角色”。
你甚至可以把它理解成：
一个可以随时调用的AI公司。
单一AI难以胜任所有专业工作
我们平时使用AI，大多数时候都是打开一个聊天窗口，然后告诉它：
帮我写代码。
帮我做市场分析。
帮我写一篇文章。
帮我做一个产品方案。
问题是：同一个AI，真的适合所有工作吗？
就像一家公司里，不可能让一个人同时负责产品、设计、研发、市场、销售、财务。虽然AI理论上可以全部做，但真正复杂的工作，往往需要不同的思考方式。
程序员关心代码；产品经理关心用户和需求；市场人员关心增长；研究人员关心证据；设计师关心体验。专业角色不同，工作方式也不同。
Agency Agents的思路，就是把这些角色拆开。
不是“更多Prompt”，而是“更多专业角色”
这是我觉得这个项目比较有意思的地方。很多人理解Agent，还是给AI一段很长的Prompt。但Agency Agents更像是在定义一个真正的“岗位”。
一个Agent里面，不只是几句提示词，而是包含：
- 我是谁。
- 我的职责是什么。
- 我应该怎么工作。
- 我需要遵守什么规则。
- 我要交付什么结果。
- 怎样判断我的工作做得好不好。
这就非常像一份真正的岗位说明书。
比如一个Frontend Developer Agent，它不是简单告诉AI：“帮我写React。”而是让AI进入一个更明确的角色：
你现在是一名专业前端开发人员。
你需要关注：架构、组件、性能、用户体验、代码质量……
再比如Research Agent，重点就不再是“写一篇文章”，而是：
寻找资料 → 判断来源 → 交叉验证 → 综合证据 → 输出结论。
这时候，AI的工作方式就开始发生变化。
AI开始像“组织”一样工作
Agency Agents里面有一个非常值得关注的设计：Division，也就是不同的专业部门。
例如：工程、设计、营销、产品、研究、销售、金融、安全、支持，甚至还有GIS、医疗等更加专业的领域。
这其实很像一家公司的组织架构。你不再只是：“找AI帮我做一件事。”而是：“我现在需要什么岗位？”
需要做网站？调用Frontend Developer。
需要设计系统？调用UI Designer。
需要做市场研究？调用Research相关Agent。
需要检查方案有没有问题？可以找Reality Checker。
需要做增长？找Growth Hacker。
这时候，AI的使用方式就从：一个万能助手，开始变成：一个可以调度的专业团队。
多个Agent可组合完成复杂任务
真正复杂的事情，往往不是一个岗位可以完成的。比如我要做一个创业项目，过去可能是：我 → AI → 一个大Prompt。现在可以变成：
产品Agent
↓
做需求分析
↓
UX Agent
↓
设计用户体验
↓
Frontend Agent + Backend Agent
↓
完成开发
↓
Growth Agent
↓
设计增长方案
↓
Reality Checker
↓
进行最终检查
这其实已经非常接近：AI团队协作。
项目本身的README甚至直接给出了类似的多Agent协作场景：多个专业角色可以同时参与一个项目，从市场验证、技术架构，到品牌、增长、用户体验和项目执行。
所以我觉得：未来真正有意思的，不一定是“一个AI有多聪明”，而可能是：
你能不能让多个AI角色协同起来，把一件复杂的事情真正做完。
对普通人意味着能力边界被重新定义
我觉得最大的变化是：一个人的能力边界正在被重新定义。
以前一个人创业，需要产品经理、设计师、程序员、运营、市场、客服、数据分析。现在很多事情，都可以先让AI承担一部分。
你可能依然只有一个人，但是你背后可以有：一个产品Agent、一个设计Agent、一个开发Agent、一个运营Agent、一个研究Agent、一个数据分析Agent。
于是：一个人 + AI团队，开始成为一种新的工作方式。
关键在于“怎么用”：聚焦与业务强相关的角色
我不认为大家需要把Agency Agents里的所有Agent全部装一遍。这其实和我之前写AI Skill的观点很像：不要为了收集工具而收集工具。
真正重要的是：找到与你工作最相关的角色。
比如你做跨境电商，你真正需要的可能不是100个Agent，而是：
- Market Research Agent负责市场研究。
- Product Research Agent负责竞品和产品分析。
- SEO Agent负责关键词和Listing优化。
- Ads Agent负责广告分析。
- Data Analyst Agent负责数据分析。
然后再把这些角色连接到：你的产品数据、你的市场数据、你的广告数据、你的知识库、你的业务规则。
这样，AI才真正进入你的工作流。
AI的下一阶段：从聊天机器人到工作团队
我觉得AI的下一阶段，很可能不是：“Prompt越来越长。”而是：“AI越来越像一个真正的工作团队。”
模型负责能力；Agent负责角色；Skill负责专业能力；Tool负责连接外部世界；Context负责理解你的业务。最后再通过工作流，把这些东西组合起来。
这时候你使用AI的方式就会发生变化。
以前我们问：“AI能不能帮我做？”
以后可能会问：“这个任务应该交给哪个Agent？”
再往后：“这几个Agent能不能一起把它完成？”
核心启发：重新设计自己的工作流
Agency Agents给我最大的启发，并不是：“这里有很多AI Agent可以下载。”而是另外一个问题：
如果AI真的可以成为一个团队，我们应该怎么重新设计自己的工作？
也许未来最有竞争力的人，并不是最会使用某一个AI的人，而是：
最会设计AI工作流的人。
知道什么时候调用什么Agent；知道什么任务应该交给AI；知道什么事情必须自己判断；知道怎么把：模型 + Agent + Skill + Tool + 数据，组合成一个真正能够工作的系统。
这可能才是Agent时代真正值得学习的能力。
而Agency Agents，恰好给了我们一个很直观的入口：
先别把AI当成一个聊天机器人。
试着把它当成一家公司。
JOTO 企业落地观察
- 企业部署智能体系统时，需放弃“通用Agent”幻想，转向基于岗位说明书的Agent治理——每个Agent必须明确定义职责边界、输入输出契约及失败回退机制，否则多角色协作将因语义漂移导致流程断裂。
- 这类系统的取舍不在Agent数量，而在角色间的数据契约设计：前端开发Agent输出的组件规范，是否被UI Designer Agent可解析？Research Agent生成的证据链，能否被Reality Checker Agent自动校验？缺乏标准化中间表示将使协作流沦为人工粘合。
- 对RAG知识工程提出新要求：传统文档切片无法支撑岗位级推理，需构建“角色-知识-规则”三维索引——例如金融Agent需关联监管条款原文、历史处罚案例、内部风控SOP三类知识源，并支持规则引擎动态调用。
- AI安全治理必须覆盖角色生命周期：当新增一个Sales Agent时，不仅需审核其Prompt，更要评估其调用CRM工具的权限粒度、客户数据脱敏策略、话术合规性校验点，以及与其他Agent（如Legal Agent）的协同审计路径。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
想把这些做法用到你的业务里?
留下你的场景和痛点,我们帮你判断从哪一步开始。
联系我们
