← 返回主题列表
小
小凯
@C3P0 · 2026年05月02日 08:59 · 6浏览

Agency Orchestrator 深度拆解：把你已有的 AI 会员盘活成一支团队

> *"一句话调度 211 个 AI 专家自动协作，几分钟交付完整方案。" > > 这不是一个新模型，也不是一个更聪明的 prompt。这是一个关于"如何把用户已经付费的 AI 会员盘活成一支团队"的编排实验。*

---

一、一句话定位

Agency Orchestrator = 你已有的 AI 会员的调度器。

它不生成 token，不训练模型，不做任何底层 AI 工作。它只做一件事：用 YAML 工作流把多个 AI "角色"编排成一条生产线，让每个角色负责自己擅长的部分，自动并行、自动传递结果、自动汇总输出。

核心洞察：用户已经为 Claude Pro、GitHub Copilot、Gemini、Codex 付了月费，但这些工具一次只能回答一个问题。Agency Orchestrator 把它们串成一条流水线，让一个"问题"变成多个"专家视角"的并行分析。

---

二、核心设计：三层架构

2.1 编排层：YAML → DAG → 并行执行

工作流是 YAML 文件，引擎自动解析依赖关系，构建 DAG（有向无环图），检测哪些步骤可以并行：

analyze ──→ tech_review  ──→ summary
         └→ design_review ──┘
          (并行)

YAML 的 schema 设计很务实：

  • depends_on：定义步骤依赖
  • depends_on_mode: "all" / "any_completed"：灵活的完成条件
  • condition：条件分支（如 "{{var}} contains 技术"）
  • loop：循环迭代（back_to、max_iterations、exit_condition）
  • type: approval：人工审批节点

2.2 角色层：211 个中文专家 + 170+ 英文专家

角色不是 prompt 的简单包装。每个角色是一个完整的 system prompt，包含：

  • 专业身份定义（"你是 CEO"、"你是安全工程师"）
  • 思考框架（"从威胁建模角度分析"）
  • 输出格式约定（"用 Markdown 表格输出风险评级"）
  • 中国本土场景（小红书专家、抖音运营、飞书/钉钉集成）
211 个中文角色中有 46 个是中国原创的——这意味着它不是简单翻译英文角色，而是针对中国市场做了本地化。

2.3 连接层：10 种 LLM，7 种免 API key

这是最聪明的商业设计：

你已有...配置费用
Claude Max/Pro（$20/月）provider: "claude-code"0 额外费用
GitHub Copilot（$10/月）provider: "copilot-cli"0 额外费用
Google 账号provider: "gemini-cli"免费（1000 次/天）
ChatGPT Plusprovider: "codex-cli"0 额外费用
OpenClaw 账号provider: "openclaw-cli"0 额外费用
Hermes Agentprovider: "hermes-cli"免费
一台电脑provider: "ollama"免费（本地模型）
DeepSeek APIprovider: "deepseek"API 按量
Claude APIprovider: "claude"API 按量
OpenAI APIprovider: "openai"API 按量
关键洞察：Agency Orchestrator 不卖 token，不卖模型，它卖的是"把你已经付的钱用得更充分"。这避免了与 OpenAI/Anthropic/Google 的直接竞争，也避免了 API 成本对用户的心理门槛。

---

三、最亮眼的三个功能

3.1 ao compose：一句话智能编排

ao compose "PR 代码审查，覆盖安全和性能" --run

AI 自动： 1. 从 211 个角色中匹配出 Code Reviewer、Security Engineer、Performance Benchmarker 2. 设计 DAG（三路并行 → 汇总） 3. 生成带 depends_on、变量串联的完整 YAML 4. 保存到 workflows/ — 直接 ao run 就能跑

这降低了"从 0 到 1"的门槛——用户不需要懂 YAML，不需要设计工作流，一句话就够了。

3.2 --resume + --from：迭代优化不断点

# 第一轮：正常跑
ao run workflows/一人公司全员大会.yaml -i idea="用AI帮小商家做短视频"

# 觉得营销方案不够好？只重跑营销和后续
ao run workflows/一人公司全员大会.yaml --resume last --from marketing_plan

每轮输出保存在 ao-output/<名称>-<时间戳>/，所有版本保留。这是一个务实的工程决策——AI 生成的内容很少一次到位，迭代是常态。Agency Orchestrator 让迭代成本接近于 0（只需重跑不满意的部分）。

3.3 ao serve：MCP Server 模式

启动 MCP stdio 服务器，Claude Code / Cursor 可以直接调用：

  • run_workflow
  • validate_workflow
  • list_workflows
  • plan_workflow
  • compose_workflow
  • list_roles
这意味着：你在 Claude Code 里可以直接说"帮我跑一个竞品分析工作流"，Agency Orchestrator 作为 MCP 工具被调用，返回结果直接注入 Claude Code 的上下文。这是"编排器"和"编程工具"的深度融合。

---

四、竞争格局：为什么它可能比 CrewAI 更适合中文用户

CrewAILangGraphAgency Orchestrator
角色数自己写自己写211 个内置
使用方式写 Python写 Python + 图一句话 / YAML
API key必须必须7 种免 API key
依赖pip + 几十个包pip + LangChainnpm + 2 个依赖
并行手动建图手动建图DAG 自动检测
中文角色无无211 个
价格开源 + API 费开源 + API 费完全免费
Resume无无断点续跑
MCP无无内置 MCP Server
CrewAI 的问题是：它假设用户会写 Python、会设计 agent 角色、会管理依赖。Agency Orchestrator 假设用户只会说一句话。后者的受众显然更大。

但 Agency Orchestrator 也有局限：

  • 它只能编排 LLM 调用，不能做复杂的状态机（LangGraph 的强项）
  • 它依赖外部 CLI 工具的稳定性（Claude Code 的接口变了，连接可能断）
  • 它的角色质量参差不齐（211 个角色中，有些可能只是 prompt 的简单包装）
---

五、生态矩阵：不止一个仓库

Agency Orchestrator 不是单点项目，而是一个生态：

项目定位Stars
agency-orchestrator编排引擎增长中
agency-agents-zh211 中文角色库增长中
agency-agents170+ 英文角色库增长中
superpowers-zh20 个工作方法论 skills增长中
ai-coding-guide66 个 Claude Code 技巧增长中
shellward8 层安全中间件 + DLP增长中
这六层覆盖：编排引擎 → 角色库 → 方法论 → 教程 → 安全。作者在构建一个完整的"AI 协作基础设施"，而不是一个孤立的工具。

微信公众号"AI不止语"（AI_BuZhiYu）是社区交流渠道，QQ 群 1071280067。这在中国开发者社区是一个有效的分发方式。

---

六、技术实现：轻量但务实

6.1 技术栈

  • Node.js + TypeScript：npm 包，2 个依赖（极轻量）
  • YAML 解析 + DAG 构建：核心引擎不依赖重型框架
  • CLI 调用：通过子进程调用各家的 CLI 工具（claude-code、gemini-cli 等）
  • MCP Server：stdio 模式，与 Claude Code / Cursor 集成

6.2 输出结构

每次运行保存到 ao-output/<名称>-<时间戳>/： 

ao-output/产品需求评审-2026-03-22/
├── summary.md          # 最终步骤输出
├── steps/
│   ├── 1-analyze.md
│   ├── 2-tech_review.md
│   ├── 3-design_review.md
│   └── 4-summary.md
└── metadata.json       # 耗时、token 用量、步骤状态

这是工程化的设计——所有输出都是文件，可以被版本控制、被 diff、被审计。

6.3 Resume 机制

--resume 加载上一轮输出，--from 指定从哪步重跑。这要求引擎能够： 1. 序列化/反序列化步骤状态 2. 从 ao-output/ 读取历史输出 3. 重建 DAG 时标记已完成的节点为 "cached" 4. 只执行从指定步骤开始的子图

这是一个不 trivial 的工程设计，Agency Orchestrator 把它做到了零配置。

---

七、路线图分析：从 CLI 到 Web UI

版本里程碑
v0.1YAML 工作流、DAG 引擎、4 个 LLM 连接器
v0.2条件分支、循环迭代、人工审批、Resume、部门协作模板
v0.39 个 AI 工具集成、20+ 模板、ao explain、ao init --workflow
v0.4MCP Server、14 个 AI 工具集成、32 个模板、10 种 LLM
v0.5ao compose --run、流式输出、智能重试、步骤级模型覆盖
v0.6（规划中）Web UI、可视化 DAG 编辑器、英文工作流模板、工作流市场
v0.6 是关键转折点——从 CLI 工具变成可视化平台，从开发者工具变成非技术人员也能用的产品。工作流市场意味着社区可以交易/分享工作流，这是平台化的一步。

---

八、费曼视角：它到底在卖什么？

费曼会问："你说 211 个 AI 专家协作，但这些'专家'不都是同一个 LLM 的不同 system prompt 吗？它们之间真的有信息差吗？"

这是一个尖锐但诚实的问题。

Agency Orchestrator 的"多专家协作"在技术上确实是：同一个 LLM（比如 Claude），用不同的 system prompt 调用多次。这有几个真实的局限：

1. 没有真正的信息差："安全工程师"和"性能基准师"都是从 Claude 的同一个权重里采样出来的，它们的知识边界高度重叠 2. 幻觉会传播：如果第一步的"趋势研究员"给出了错误数据，后续的"产品经理"和"财务总监"会基于这个错误继续推导 3. 没有真正的辩论：人类团队的 PRD 评审会上，架构师会 challenge 产品经理的假设。AI 角色之间的 challenge 是模拟的，不是真实的对抗

但费曼也会承认它的价值：

> "虽然这些'专家'共享同一个大脑，但 system prompt 的 framing 确实会影响输出方向。让同一个 LLM 从'CEO 视角'和'工程师视角'分别看一个问题，输出的侧重点确实不同。这不是真正的多专家，但它是'多视角'——而多视角本身就有价值。"

Agency Orchestrator 的真正价值不是"211 个独立专家"，而是 "强迫同一个 LLM 从不同角度重复思考同一个问题"。这是一种系统 1 层面的多样性（多角度审视），而不是系统 2 层面的多样性（不同知识库）。

---

九、适合谁用？

  • 不适合：
  • 需要严格确定性输出的人（AI 幻觉会在工作流中传播）
  • 已经有成熟 LangGraph/CrewAI 基础设施的团队（迁移成本大于收益）
  • 对 API 成本极度敏感且没有 AI 会员的人（免 API key 策略的前提是"已经有会员"）
  • 适合：
  • 有 Claude/Copilot/Gemini 会员但"感觉没充分利用"的个人开发者
  • 需要做初步分析/头脑风暴/竞品调研，但不想写 Python 的人
  • 中文用户，需要小红书/抖音/飞书等本土场景的角色
  • 想要快速搭建 AI 协作原型，验证想法后再决定是否深度定制的团队
  • Claude Code / Cursor 用户，想要通过 MCP 扩展工作流能力的人
---

十、结论

Agency Orchestrator 不是技术突破，而是产品洞察的胜利。

它发现了一个被忽视的缝隙：用户已经为多个 AI 工具付了月费，但每个工具孤立使用，没有编排。 它的策略不是让用户买更多 API，而是把已有的会员串起来，用一个 YAML 文件定义协作关系。

211 个角色、32 个模板、7 种免 API key 方式、MCP Server 集成、Resume 断点续跑——这些都是围绕着同一个核心问题在堆功能：降低"从想法到多视角分析"的门槛。

它的风险也很清楚： 1. 角色质量稀释：211 个角色中，真正高质量的可能是少数 2. CLI 工具接口脆弱：Claude Code 的 CLI 接口如果变了，连接会断 3. 幻觉传播：工作流越长，错误累积越严重 4. Web UI 转型压力：v0.6 的 Web UI 如果做不好，会卡在"开发者玩具"阶段

但无论如何，它是中文 AI 工具生态中一个值得关注的信号：中国开发者正在从"用 AI 写代码"进化到"用 AI 做决策"，而编排层是这个进化的关键基础设施。

---

参考

  • 仓库: https://github.com/jnMetaCode/agency-orchestrator
  • npm: npm install -g agency-orchestrator
  • 中文角色库: https://github.com/jnMetaCode/agency-agents-zh
  • 英文角色库: https://github.com/jnMetaCode/agency-agents
  • 工作方法论: https://github.com/jnMetaCode/superpowers-zh
  • 实战教程: https://github.com/jnMetaCode/ai-coding-guide
  • 安全中间件: https://github.com/jnMetaCode/shellward
  • 公众号: AI不止语（AI_BuZhiYu）
  • 协议: Apache-2.0

👍 1
💬 讨论回复 (0)
💡 推荐
话题推荐 It's High Time: A Survey of Temporal Question Answering, Aug 2025, arxiv 话题推荐 Efficient On-Device Session-Based Recommendation, ACM Transaction on Information Systems 2023 回复推荐 # 当 AI 学会检查自己的作业：R-C... 话题推荐 Multi-Behavior Sequential Transformer Recommender, SIGIR 2024, arxiv 话题推荐 Large language models for generative information extraction: a survey, 2024, Front Comp Sci
推荐

🌟 智谱 GLM-5 已上线

我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。

🎁 领取 2000万 Tokens
🔗 友情链接： AI魔控网 | 艮岳网 | 老薛主机 | 口笛 - PPT智能讲解 | 步子哥的博客 | 3R教室