Agency Agents 是一個把 AI 協作流程「角色化」的開源專案。它不是再提供一套模型或框架，而是直接給你 120+ 個可複用的專家代理定義，讓你把前端工程師、DevOps、行銷、產品、測試甚至空間運算專家帶進 Claude Code、Cursor 或 Codex CLI。若你的問題是「怎麼讓 AI 在長任務裡維持專業角色、交付標準與工作流程」，Agency Agents 是目前最值得研究的開源答案之一。
截至 2026 年 6 月 17 日，GitHub 公開頁面顯示 Agency Agents 已達 114k stars、18.6k forks、341 commits。本文同步依上游 README 與
divisions.json更新。
什麼是 Agency Agents？
直接答案：Agency Agents 是一個以 Markdown 定義的 AI 角色庫。每個 agent 都不只是一段 prompt，而是完整包含身份、規則、工作流程、交付物與成功指標的專家規格，目的在於讓 Claude Code、Cursor、Codex CLI 等工具在多輪任務中維持穩定角色，不再快速「角色漂移」。
Agency Agents 是一個精心策劃的專業 AI 代理器定義收藏集，每個都有獨特的人格特質、核心使命、工作流程、具體交付成果與可衡量的成功指標。這個專案最值得注意的地方在於它幾乎不靠複雜程式碼取勝，而是把高品質角色設計當成核心資產。
| 指標 | 數值 |
|---|---|
| GitHub 星星 | 114,000+ |
| Forks | 18,600+ |
| 授權 | MIT |
| 代理器數量 | 120+ |
| Division 數量 | 17 |
| 主要形式 | Markdown agent definitions |
| Commit 數 | 341 |
該專案的哲學很明確：代理器的力量首先來自其定義，而不只是模型本身。當你先定義代理器 是誰、怎麼決策、交出什麼成果，輸出品質就更容易穩定、可重現，也更接近真實團隊分工。
Agency Agents 值得導入嗎？
結論先講：如果你已經在使用 Claude Code、Cursor、Aider 或 Codex CLI，而且常遇到 AI 在長任務中失焦、角色不穩、交付標準不一致，Agency Agents 很值得導入。它的核心價值不是「幫你取代工程師」，而是替 AI 協作建立一套可複製的角色治理層。
它特別適合三種場景：
- 長流程開發任務：例如從需求拆解、設計、實作、測試到交付
- 多人或多代理協作：希望不同 agent 負責不同專業職能
- 提示詞工程標準化：想把團隊內有效的 AI 使用方式產品化
17 個 division：從工程到策略，不只是寫程式
很多早期介紹會把 Agency Agents 寫成 12 個部門，但依上游 divisions.json，目前已擴充為 17 個 division。它反映的不是單一工具集，而是一間完整 AI agency 的職能拆分。
工程部門
最大的核心群組之一，涵蓋前端開發、後端架構、行動工程、AI/ML 工程、DevOps 與程式碼審查。重點不是角色數量，而是每個 agent 都帶有工作流程與品質門檻。
設計部門
包含 UI、UX、品牌與影像提示詞等角色，代表這套系統不只面向工程團隊，也面向完整產品交付。
行銷部門
涵蓋內容、社群、成長與平台專家。這也是它和一般 coding prompt 庫不同的地方，因為它把 go-to-market 職能也一起角色化。
其他關鍵 division
- Sales / Paid Media / Product / Project Management：補足從商務到交付的工作流
- Testing / Security / Support：把品質、風險與維運納入 agent 設計
- Spatial Computing / Game Development / GIS：面向更垂直的技術場景
- Academic / Finance / Strategy / Specialized：為研究、商業分析與專業領域提供更清楚的專家邊界
它為何爆紅？
Agency Agents 觸動了開發者社群的神經，因為它解決了每個人都感受到但鮮有人明確提出的問題：通用的 LLM 提示詞會遭遇「角色漂移」。當你告訴 AI「扮演前端開發者」時，它開始時很強，但很快就失去焦點。相比之下，定義良好的 Agency Agents 角色能在整個會話中維持其性格、流程與品質標準。
該專案的爆炸性成長說明了故事本身：
- 2026 年 3 月曾在 一週內達到 23,000 顆新星星 的巔峰
- 多次登上 GitHub 的每週趨勢排行榜
- 催生了中文社群翻譯（
agency-agents-zh分支擴展到 211 個代理器，橫跨 18 個部門） - 啟發其他工具與框架採用角色模式
代理器的解剖結構
收藏集中的每個代理器都遵循一致的結構：
- 身份與記憶——代理器是誰、其人格特質、溝通風格與背景
- 核心使命——代理器優化什麼以及其主要目標
- 關鍵規則——硬約束與不可協商的行為
- 技術交付成果——代理器產生的具體輸出
- 工作流程——代理器遵循的逐步執行路徑
- 成功指標——代理器如何衡量自身表現
這個結構確保每個代理器——無論是前端巫師還是 Reddit 社群忍者——都以相同的專業水準與一致性運作。
如何整合到 Claude Code、Cursor、Codex CLI？
直接答案：Agency Agents 的導入門檻其實很低。你可以直接複製 agent 檔案到 Claude Code，也可以先跑
convert.sh與install.sh，把同一批角色轉成 Cursor、Codex CLI、Gemini CLI、Aider 等工具能吃的格式。
Claude Code（推薦）
如果你主要用 Claude Code，最快的方式是把對應 division 複製到 ~/.claude/agents/：
cp engineering/*.md ~/.claude/agents/
接著在對話裡用角色名稱啟動，例如前端、DevOps 或測試代理。
Cursor / Codex CLI / 其他工具
如果你不是只用 Claude Code，而是混用 Cursor、Codex CLI 或 Gemini CLI，建議直接用官方腳本處理格式轉換：
./scripts/convert.sh
./scripts/install.sh
你也可以指定單一工具：
./scripts/install.sh --tool cursor
./scripts/install.sh --tool codex
./scripts/install.sh --tool gemini-cli
支援工具一覽
| 工具 | 適合情境 | 導入方式 |
|---|---|---|
| Claude Code | CLI 驅動、多代理工程任務 | 複製 agent 檔案或 install.sh --tool claude-code |
| Cursor | 編輯器內協作 | install.sh --tool cursor |
| Codex CLI | OpenAI 生態與終端工作流 | install.sh --tool codex |
| Gemini CLI | Google 生態整合 | install.sh --tool gemini-cli |
| Aider / Windsurf / Copilot | 既有編碼工具擴充 | 官方轉換腳本 |
convert.sh 會把同一套角色翻成各工具原生格式，避免你手動維護多份 prompt。
更大格局
Agency Agents 代表了我們思考 AI 互動方式的根本轉變。它證明了 AI 代理器定義的品質——它是誰、它如何思考、它交付什麼——比其實作框架的複雜度更重要。該專案有效地將 專業角色工程 引入為一門學科。
那些累積超過 114,000 顆 GitHub 星星的 .md 檔案，不過是純文字。沒有神經網路架構。沒有代理器框架。沒有向量資料庫。只有精心編寫的專業知識、人格特質與流程定義。
對更廣泛的 AI 社群而言，教訓很清楚：投資於定義你的 AI 代理器 是誰。給它們人格、流程與原則。程式碼是次要的。
實務上該怎麼用？
如果你是個人開發者，建議先從 3 到 5 個高頻角色開始，例如前端工程師、後端架構師、測試工程師、產品經理與內容策略。不要一開始就安裝全部角色，否則反而難以建立穩定工作流。
如果你是團隊導入，建議把你們目前常用的 prompt、review checklist、交付標準，逐步重寫成各角色的「成功指標」與「關鍵規則」。這樣 Agency Agents 才不只是炫目的 prompt 集，而會變成真正能落地的 AI SOP。
專案連結
參考來源
- GitHub：
msitarzewski/agency-agents - 原始 division 定義：
divisions.json
相關閱讀
如果你覺得這個專案有趣，你可能也會喜歡我們的 Claude Code、OpenCodex CLI 指南，以及我們全面的 頂尖 AI GitHub 專案 總整理。