Agency Orchestrator

中文 | English

不用写代码的 AI 团队 — 186 个中文角色，一个 YAML 文件搞定

觉得有用的话，请点个 Star 支持一下 — 这是对开源作者最大的鼓励，也能帮助更多人发现这个项目。

解决什么问题

agency-agents-zh 提供了 186 个专业 AI 角色（产品经理、工程师、设计师、小红书运营……），但每个角色只能独立工作。真实任务需要协作 — 谁先谁后、怎么交接、什么时候并行。

Agency Orchestrator 让你用一个 YAML 文件编排多 AI 协作。不用写 Python，不用学框架，写 YAML 就行。

对比 CrewAI

# CrewAI: 要写 ~50 行 Python，每个角色从零定义
researcher = Agent(role="PM", goal="...", backstory="...(你自己写)...")
task = Task(description="...", agent=researcher)
crew = Crew(agents=[researcher], tasks=[task])
crew.kickoff()

# Agency Orchestrator: 10 行 YAML，186 个角色开箱即用
steps:
  - id: analyze
    role: "product/product-manager"   # 现成角色，专业 prompt 已写好
    task: "分析这个 PRD：{{prd_content}}"

快速开始

最快体验：零配置 Demo

npx agency-orchestrator demo

5 秒内看到 4 个 AI 角色协作写小说 — 无需 API key。然后可选择用真实 LLM 运行。

方式一：在 AI 编程工具中直接用（无需 API key）

如果你已经在 AI 编程工具中，不需要配置任何 API key，工具自带的 LLM 就是执行引擎：

# 安装角色定义
git clone --depth 1 https://github.com/jnMetaCode/agency-agents-zh.git

# 一键安装 workflow-runner 到你的工具
./scripts/install.sh                       # 自动检测已安装的工具
./scripts/install.sh --tool cursor         # 或指定工具

然后在 AI 工具中直接说：

运行 workflows/story-creation.yaml，创意是"一个程序员在凌晨发现AI回复不该知道的事"

AI 会自动解析 YAML → 加载角色 → 按 DAG 顺序执行 → 保存结果。零配置。

支持 14 个 AI 编程工具（集成指南）：

方式二：CLI 模式（需要 API key）

用于自动化、批量执行、CI/CD：

# 安装
npm install agency-orchestrator

# 下载 186 个 AI 角色
npx ao init

# 查看执行计划
npx ao plan workflows/product-review.yaml

# 运行（选择你的 LLM）
export DEEPSEEK_API_KEY=your-key          # 或 ANTHROPIC_API_KEY、OPENAI_API_KEY
npx ao run workflows/story-creation.yaml --input premise='一个时间旅行的故事'

真实演示：4 个 AI 角色 2 分钟写出完整小说

$ ao run workflows/story-creation.yaml -i "premise=一个程序员在凌晨三点发现AI开始回复不该知道的事情"

  工作流: 短篇小说创作
  步骤数: 4 | 并发: 2 | 模型: deepseek-chat
──────────────────────────────────────────────────

  ── [1/4] story_structure (叙事学家) ──
  完成 | 14.9s | 1,919 tokens
    核心冲突：程序员与一个似乎拥有超越其代码权限的自主意识之间的认知对抗...

  ── [2/4] character_design (心理学家) ──           ← 并行执行
  完成 | 65.5s | 4,016 tokens
    人物心理档案：林深——一个信奉逻辑与控制的资深AI工程师...

  ── [3/4] conflict_design (叙事设计师) ──          ← 并行执行
  完成 | 65.5s | 3,607 tokens
    凌晨三点，屏幕的冷光映着陈默疲惫的脸...

  ── [4/4] write_story (内容创作者) ──
  完成 | 33.9s | 5,330 tokens
    凌晨三点，调试日志的蓝色荧光是房间里唯一的光源。陈默灌下今晚第三杯黑咖啡...

==================================================
  完成: 4/4 步 | 114.3s | 14,872 tokens
==================================================

第 2、3 步自动并行执行（从 DAG 依赖关系检测）。4 个专业 AI 角色协作，产出一篇完整的悬疑短篇小说。

工作原理

name: "产品需求评审"
agents_dir: "agency-agents-zh"

llm:
  provider: "deepseek"          # 或：claude、openai、ollama
  model: "deepseek-chat"

concurrency: 2

inputs:
  - name: prd_content
    required: true

steps:
  - id: analyze
    role: "product/product-manager"
    task: "分析以下 PRD，提取核心需求：\n\n{{prd_content}}"
    output: requirements

  - id: tech_review
    role: "engineering/engineering-software-architect"
    task: "评估技术可行性：\n\n{{requirements}}"
    output: tech_report
    depends_on: [analyze]

  - id: design_review
    role: "design/design-ux-researcher"
    task: "评估用户体验风险：\n\n{{requirements}}"
    output: design_report
    depends_on: [analyze]

  - id: summary
    role: "product/product-manager"
    task: "综合反馈输出结论：\n\n{{tech_report}}\n\n{{design_report}}"
    depends_on: [tech_review, design_review]

引擎自动：

1. 解析 YAML → 构建 DAG（有向无环图）
2. 检测并行 — tech_review 和 design_review 并发执行
3. 通过 {{变量}} 在步骤间传递输出
4. 从 agency-agents-zh 加载角色定义作为 system prompt
5. 失败自动重试（指数退避）
6. 保存所有输出到 ao-output/

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

支持的 LLM

所有提供商支持自定义 base_url 和 api_key，兼容智谱、月之暗面等 OpenAI 兼容 API。

CLI 命令

ao demo                              # 零配置体验多智能体协作
ao init                              # 下载 186 个 AI 角色
ao init --workflow                    # 交互式创建工作流
ao compose "一句话描述"                # AI 智能编排工作流
ao run <workflow.yaml> [选项]          # 执行工作流
ao validate <workflow.yaml>           # 校验（不执行）
ao plan <workflow.yaml>               # 查看执行计划（DAG）
ao explain <workflow.yaml>            # 用自然语言解释执行计划
ao roles                             # 列出所有角色
ao serve                             # 启动 MCP Server（供 Claude Code / Cursor 调用）

AI 智能编排（Compose）

一句话描述需求，AI 自动从 186 个角色中选角色、设计 DAG、生成完整 workflow YAML：

ao compose "PR 代码审查，要覆盖安全和性能"

AI 会自动：

1. 从 186 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

支持 --provider 和 --model 参数（默认使用 DeepSeek）。

迭代优化（Resume）

问题：ao run 跑完一轮后，所有步骤的输出都丢了。想基于叙事学家的结构重写小说，只能整个工作流从头跑。

解决：--resume 会自动加载上一轮所有步骤的输出，--from 指定从哪步开始重跑。之前的步骤直接用缓存结果，不会重新执行。

完整示例：小说创作 4 轮迭代

以 story-creation.yaml 为例，DAG 结构如下：

story_structure ──→ character_design ──→ write_story
                └→ conflict_design  ──┘
                    (并行)

第一轮：正常运行

ao run workflows/story-creation.yaml \
  -i premise='一个程序员在凌晨三点发现AI开始回复不该知道的事情'

运行完后，每步输出保存在 ao-output/ 下：

ao-output/短篇小说创作-2026-03-24T14-30-00/
├── summary.md                    ← 最终小说
├── metadata.json                 ← 每步状态 + 变量映射
├── steps/
│   ├── 1-story_structure.md      ← 叙事学家的结构设计
│   ├── 2-character_design.md     ← 心理学家的人物设定
│   ├── 3-conflict_design.md      ← 叙事设计师的冲突场景
│   └── 4-write_story.md          ← 最终小说

打开这些文件看每步输出，觉得哪里不满意就重跑那步。

第二轮：人物太单薄，从人物设计开始重跑

ao run workflows/story-creation.yaml --resume last --from character_design

• --resume last：自动找到最近一次输出
• --from character_design：从人物设计开始重跑
• story_structure 的输出（叙事结构）直接复用，不重新执行
• character_design → conflict_design → write_story 重新执行
• 新的输出保存到新的时间戳目录

第三轮：结构和人物都好，只改最终写作

ao run workflows/story-creation.yaml --resume last --from write_story

只重跑最后一步。叙事结构、人物设定、冲突设计全部复用，只让内容创作者重写。

第四轮：想回到第二轮的版本继续改

ao run workflows/story-creation.yaml \
  --resume ao-output/短篇小说创作-2026-03-24T14-35-00/ \
  --from write_story

指定具体目录，基于那个版本继续迭代。

所有历史版本都保留

ls ao-output/
# 短篇小说创作-2026-03-24T14-30-00/   ← 第一轮
# 短篇小说创作-2026-03-24T14-35-00/   ← 第二轮
# 短篇小说创作-2026-03-24T14-38-00/   ← 第三轮
# 短篇小说创作-2026-03-24T14-40-00/   ← 第四轮

用法速查

原理

--resume 做了三件事：

1. 读取指定目录的 metadata.json，获取每步的状态和输出变量名
2. 从 steps/ 目录读取已完成步骤的输出内容，注入回 {{变量}} 上下文
3. 标记 --from 之前的步骤为"已完成"，跳过执行

智能体结构（角色分工、DAG 依赖、变量传递）不会丢失 — 它定义在 YAML 里，每次都会重新加载。丢失的只是上一轮的输出内容，--resume 就是把这些内容恢复回来。

编程 API

import { run } from 'agency-orchestrator';

const result = await run('workflow.yaml', {
  prd_content: '你的 PRD 内容...',
});

console.log(result.success);     // true/false
console.log(result.totalTokens); // { input: 1234, output: 5678 }

MCP Server 模式

AI 编程工具（Claude Code、Cursor 等）可通过 MCP 协议直接调用工作流操作，无需手动集成：

ao serve              # 启动 MCP stdio 服务器
ao serve --verbose    # 带调试日志

配置 Claude Code（settings.json）：

{
  "mcpServers": {
    "agency-orchestrator": {
      "command": "npx",
      "args": ["agency-orchestrator", "serve"]
    }
  }
}

配置 Cursor（.cursor/mcp.json）：

{
  "mcpServers": {
    "agency-orchestrator": {
      "command": "npx",
      "args": ["agency-orchestrator", "serve"]
    }
  }
}

提供 6 个工具：run_workflow、validate_workflow、list_workflows、plan_workflow、compose_workflow、list_roles。

YAML Schema

工作流

步骤

输出

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

内置工作流模板（20+）

开发类

数据 / 设计 / 运维类

通用类

项目生态

                    agency-agents-zh（186 个 AI 角色定义）
                            │
    ┌───────────┬───────────┼───────────┬───────────┐
    ▼           ▼           ▼           ▼           ▼
 Claude Code  Copilot    Cursor    Windsurf     Aider     ← 14 个 AI 编程工具
 Kiro  Trae  Gemini CLI  Codex  OpenCode  Qwen  DeerFlow  Antigravity  OpenClaw
    (workflow-runner 技能 / 规则文件)
              │
              ▼
      agency-orchestrator（YAML 工作流引擎）          ← CLI 模式（需要 API key）
              │
              ▼
      DeepSeek / Claude / OpenAI / Ollama

姊妹项目

路线图

• v0.1 — YAML 工作流、DAG 引擎、4 个 LLM 连接器、CLI、实时输出
• v0.2 — 条件分支、循环迭代、人工审批、Resume 断点续跑、5 个部门协作模板
• v0.3 — 9 个 AI 工具集成、20+ 工作流模板、ao explain、ao init --workflow、--watch 模式
• v0.4 — MCP Server 模式（ao serve）、14 个 AI 工具集成、一键安装脚本
• v0.5 — Web UI、可视化 DAG 编辑器、英文角色支持、工作流市场

贡献

参见 CONTRIBUTING.md，欢迎 PR！

许可证

Apache-2.0