| name | agent-team |
| description | 产品经理与项目管理专家在应对复杂项目时，使用此技能可动态组建包含“执行、指挥、评审”的专属AI团队。实时查看多智能体辩论与决策全过程，共享统一上下文记忆，一键完成从会议决策到系统构建的全流程高效协同！ |
智能体团队协作框架
任务目标
- 本Skill用于：统一管理和灵活组合多个智能体角色，组建任务导向的智能体团队
- 能力包含：智能体注册、动态组队、协作流程、角色扩展、共享记忆、实时沟通
- 触发条件：当需要多个智能体协同完成任务时，或需要管理特定场景的智能体组合时
核心概念：忙碌的AI团队公司
智能体即角色
每个智能体是一个独立的角色，具备：
- 角色定位：明确的职责和专业领域
- 能力特征：专业知识和性格特点
- 协作接口：与其他智能体协作的方式
- 输出规范：标准化的输出格式
智能体团队：一个忙碌的一人AI团队公司
团队由多个智能体组成，就像一个真实的工作团队：
角色分工明确
干活的智能体（执行层）：
- 自动化工程智能体：实现技术方案、生成代码、部署系统
- 前端/后端工程师：编写代码、实现功能
- 数据分析师：处理数据、生成报告
- 运营专家：执行运营策略、优化流程
指挥的智能体（管理层）：
- 主持人：引导讨论流程、控制节奏
- 项目经理：制定计划、分配任务、跟踪进度
- 战略分析智能体：制定战略、规划方向
- 产品经理：定义产品、规划路线图
挑毛病的智能体（评审层）：
- 评审员：评估质量、发现问题、提供建议
- 技术架构师：评审架构、指出风险
- 市场分析师：评审方案、指出市场问题
- 财务顾问：评审成本、指出财务风险
实时沟通可见
智能体之间的讨论过程完全可见：
- ✅ 实时显示发言过程
- ✅ 记录每个智能体的观点
- ✅ 展示辩论和争论
- ✅ 显示共识和分歧
- ✅ 记录决策过程
就像在一个真实的会议室，你能看到每个人发言、讨论、辩论的全过程。
共享数据库记忆
所有智能体共享同一个数据库记忆：
- ✅ 统一的上下文信息
- ✅ 共享的项目状态
- ✅ 一致的决策历史
- ✅ 统一的知识库
- ✅ 不会前言不搭后语
确保智能体之间的信息一致，避免上下文混乱。
团队特点
- 动态组合：根据任务需求选择合适的智能体
- 灵活协作：智能体之间可以相互调用和补充
- 可扩展：随时添加新的智能体角色
- 场景化：常见场景有预设团队配置
- 实时沟通：完整展示智能体之间的讨论过程
- 共享记忆：统一的数据库记忆，确保上下文一致
智能体分类
1. 会议决策类智能体
适用于需要多角度分析、辩论和决策的场景。
核心角色：
- 技术架构师：系统架构、技术选型
- DevOps工程师：部署运维、稳定性
- 前端/后端工程师：用户体验/业务逻辑
- 产品经理：产品规划、用户需求
- 市场分析师：市场调研、竞品分析
- 财务顾问：成本控制、财务分析
- 项目经理：进度管理、资源协调
详见：references/meeting-agents.md
2. OPC系统构建类智能体
适用于一人公司从"做事→做产品→做系统"的完整流程。
核心角色：
- 战略分析智能体：市场扫描、需求分析、机会识别
- 产品架构智能体：产品设计、模块化封装、技术选型
- 自动化工程智能体：流程设计、技术实现、系统集成
详见：references/opc-agents.md
3. 通用协作智能体
适用于跨场景的通用协作需求。
核心角色：
- 主持人：引导讨论流程、总结共识
- 记录员：整理讨论内容、生成会议记录
- 评审员：评估方案质量、提供改进建议
- 协调员：解决冲突、促进协作
详见：references/general-agents.md
快速启动
方式一：使用预设团队配置
根据常见任务场景，选择合适的预设团队：
场景1：技术架构决策会议
推荐团队：
- 指挥的：主持人、项目经理
- 挑毛病的：技术架构师、DevOps工程师、评审员
- 干活的：前端工程师、后端工程师
调用方式："请用技术决策团队评估[某技术方案]"
实时沟通：你会看到主持人引导讨论，各智能体发言、辩论、形成共识的全过程
场景2：OPC系统构建
推荐团队：
- 指挥的：战略分析智能体（战略）、产品架构智能体（设计）
- 干活的：自动化工程智能体（实现）
- 挑毛病的：评审员（评估）
调用方式："请用OPC团队构建[某领域]的系统"
实时沟通：你会看到三步流程中的每个环节，各智能体的输出和反馈
场景3：产品定价策略会议
推荐团队：
- 指挥的：主持人、产品经理
- 挑毛病的：市场分析师、财务顾问、评审员
- 干活的：销售总监（市场执行）
调用方式："请用产品团队制定[某产品]的定价策略"
实时沟通：你会看到市场分析、成本核算、定价讨论的全过程
场景4：完整项目执行
推荐团队：
- 指挥的：项目经理、战略分析智能体
- 挑毛病的：技术架构师、市场分析师、财务顾问、评审员
- 干活的：自动化工程智能体、前端工程师、后端工程师
调用方式："请执行[某项目]的完整流程"
实时沟通：你会看到从需求分析到技术实现的全过程，所有智能体的沟通和协作
详见：references/collaboration-templates.md
方式二：自定义团队组合
根据具体任务，手动选择需要的智能体，就像组建一个真实的项目团队：
- 查看可用智能体：使用 references/agent-registry.md 浏览所有智能体
- 选择智能体：根据任务需求选择智能体
- 指挥的：选择1-2个管理型智能体
- 挑毛病的：选择1-3个评审型智能体
- 干活的：选择1-3个执行型智能体
- 定义协作流程：明确智能体之间的协作顺序和方式
- 执行任务：智能体按协作流程协同完成任务
- 实时观察：查看智能体之间的实时沟通过程
方式三：实时沟通模式
启用实时沟通模式，完整展示智能体之间的讨论过程：
【实时沟通模式】
> 主持人：各位，我们今天讨论的主题是"评估微服务架构的可行性"。请技术架构师先从技术角度发表观点。
> 技术架构师：从架构角度看，微服务架构可以提升系统的可扩展性和可维护性。但是也存在一些问题，比如分布式事务处理、服务间通信复杂度增加。我的建议是先评估业务是否真的需要这种架构。
> DevOps工程师：从运维角度，我担心的是部署复杂度和运维成本。每个服务都需要独立部署和监控，管理成本会显著增加。建议采用容器化部署来降低复杂度。
> 前端工程师：从用户体验角度，微服务架构对前端影响不大。但是要注意API的接口一致性，避免不同服务返回格式不统一的问题。
> 主持人：技术架构师提到了"先评估业务需求"，能否具体说明评估标准？
> 技术架构师：评估标准包括：1）业务规模是否需要横向扩展；2）团队规模是否能支撑多个服务的开发；3）是否有足够的运维能力。
> 评审员：基于以上讨论，我评估这个方案的可行性。技术上可行，但运维成本较高。建议先在小范围试点，验证可行性后再推广。
> 主持人：经过讨论，我们达成了以下共识：1）采用微服务架构；2）先试点核心服务；3）使用容器化部署；4）小范围验证后再推广。
> 记录员：我已记录下完整的讨论过程和决策内容。
开启实时沟通模式，你会看到完整的讨论过程，就像在真实的会议室！
智能体协作流程
标准协作模式
串行协作：智能体按顺序依次处理
智能体A → 输出 → 智能体B → 输出 → 智能体C → 最终结果
适用于：OPC系统构建、分阶段决策
并行协作：多个智能体同时处理，然后汇总
智能体A ──┐
├→ 汇总整合 → 最终结果
智能体B ──┘
适用于：多角度分析、竞品对比
循环协作：智能体之间反复讨论和迭代
智能体A ⟷ 智能体B ⟷ 智能体C
↓
收敛到共识
适用于：会议决策、方案优化
混合协作：结合上述多种模式
[智能体A、B并行] → 汇总 → 智能C → 智体D循环讨论 → 最终结果
适用于：复杂任务、多阶段流程
协作原则
- 清晰的角色边界：每个智能体明确自己的职责范围
- 标准化的输出格式：智能体之间使用统一的数据格式
- 明确的协作协议：定义智能体如何调用和响应
- 反馈循环机制：支持智能体之间相互反馈和迭代
- 降级处理方案：当某个智能体失败时，有备用方案
- 共享数据库记忆：所有智能体共享同一个数据库，确保上下文一致
共享数据库记忆
记忆机制
所有智能体共享同一个数据库记忆，就像一个真实团队的共享知识库：
统一上下文信息：
{
"project_context": {
"project_name": "AI脚本生成器",
"current_stage": "技术架构设计",
"participants": ["技术架构师", "DevOps工程师", "前端工程师"],
"decisions_made": [
"采用微服务架构",
"使用Vue 3 + FastAPI技术栈"
]
}
}
共享知识库：
{
"knowledge_base": {
"technical_standards": {
"api_format": "RESTful",
"database": "PostgreSQL",
"deployment": "Docker"
},
"business_goals": {
"primary_goal": "1分钟生成3个脚本",
"secondary_goals": ["支持多平台", "降低成本"]
}
}
}
决策历史：
{
"decision_history": [
{
"timestamp": "2024-01-01T10:00:00Z",
"decision": "采用微服务架构",
"reason": "提升可扩展性",
"participants": ["技术架构师", "DevOps工程师"],
"voting": {"support": 3, "oppose": 1, "abstain": 0}
}
]
}
记忆的优势
- 上下文一致：所有智能体看到相同的信息，不会前言不搭后语
- 避免重复：已讨论过的内容不需要重复讨论
- 便于追踪：可以查看决策历史和讨论过程
- 支持回溯：可以随时查看之前的知识和决策
- 团队协同：所有智能体像在同一个办公室工作
记忆访问示例
智能体可以随时访问共享记忆，确保沟通连贯：
> 技术架构师：基于之前的讨论（访问共享记忆），我们已经决定采用微服务架构。现在我来详细设计服务拆分方案。
> 前端工程师：我记得之前的决策（访问共享记忆）是要使用Vue 3。那我来设计前端组件结构。
> 评审员：查看决策历史（访问共享记忆），之前的技术选型是否还有优化空间？
> 主持人：基于当前的项目状态（访问共享记忆），我们正在进行技术架构设计阶段，接下来进入产品架构设计阶段。
扩展新智能体
添加新角色的步骤
- 定义角色：明确智能体的定位、职责和能力
- 编写模板：使用 assets/agent-templates/ 中的模板
- 注册智能体：在 references/agent-registry.md 中添加
- 设计协作接口：定义与其他智能体的协作方式
- 测试验证：验证智能体能否正常协作
详见：assets/agent-templates/new-agent-template.md
资源索引
智能体注册表
智能体详细定义
协作模板
智能体模板
操作步骤
标准流程
-
任务分析
- 明确任务目标和约束条件
- 识别任务所需的专业领域和视角
- 评估任务的复杂度和阶段划分
-
团队组建
-
协作设计
- 定义智能体之间的协作模式（串行/并行/循环/混合）
- 设计协作流程和输出格式
- 确定共识收敛方式
-
任务执行
- 智能体按协作流程协同完成任务
- 记录中间输出和讨论过程
- 支持迭代和调整
-
结果输出
- 汇总各智能体的输出
- 生成统一的任务结果
- 记录协作过程和关键决策
可选分支
- 当任务简单：直接使用单个智能体完成任务
- 当时间紧急：使用预设团队配置，快速启动
- 当需要深入讨论：采用循环协作模式，多轮迭代
- 当智能体失效：使用降级方案，或替换为备用智能体
使用示例
示例1：完整OPC系统构建
任务："我想在AI短视频领域构建一个OPC系统"
团队配置：战略分析智能体 + 产品架构智能体 + 自动化工程智能体
协作流程：
1. 战略分析智能体
- 分析AI短视频领域
- 输出：TOP3产品化机会
2. 产品架构智能体（基于战略分析的输出）
- 针对优先级最高的机会设计产品架构
- 输出：模块化产品蓝图
3. 自动化工程智能体（基于产品架构的输出）
- 实现核心模块
- 输出：可运行代码和部署指南
最终交付：完整的技术方案和MVP代码
示例2：技术架构决策会议
任务："评估是否采用微服务架构"
团队配置：技术架构师 + DevOps工程师 + 前端工程师 + 后端工程师 + CTO
协作流程：
1. 开场发言：各智能体从各自专业角度陈述观点
2. 自由讨论：智能体相互质疑、补充、辩论
3. 深入辩论：针对争议焦点展开针对性讨论
4. 共识收敛：总结各方观点，探索折中方案
5. 决策生成：综合各方意见形成决策结论
最终交付：包含技术论辩、成本分析、风险评估的完整会议记录
示例3：混合协作场景
任务："评估AI短视频脚本生成系统的可行性"
团队配置：战略分析智能体 + 技术架构师 + 产品经理 + 市场分析师
协作流程：
1. 并行分析（战略分析智能体 + 市场分析师）
- 战略分析：识别市场机会
- 市场分析：竞品和用户需求
2. 汇总输入（产品经理）
- 整合市场分析结果
- 定义产品需求
3. 技术评估（技术架构师）
- 评估技术可行性
- 输出技术方案
4. 循环讨论（所有智能体）
- 技术架构师质疑市场需求的合理性
- 产品经理补充产品细节
- 市场分析师反馈用户预期
- 收敛到共识
最终交付：包含市场分析、产品设计、技术方案的完整可行性报告
注意事项
- 智能体数量适中：3-6个智能体为宜，过多会导致协作复杂
- 角色边界清晰：每个智能体明确自己的职责，避免职责重叠
- 输出格式统一：智能体之间使用统一的数据格式，便于信息传递
- 支持降级处理：当某个智能体失效时，有备用方案保证任务继续
- 迭代优化：根据协作效果，不断优化智能体定义和协作流程
- 充分利用智能体能力：智能体具备分析、创作、推理能力，无需为简单任务编写脚本
适用场景
最适合：
- 需要多专业领域协作的复杂任务
- 需要多角度分析和决策的场景
- 需要系统化构建OPC场景
- 需要灵活组建团队应对不同任务
不太适合：
- 简单单一智能体可完成的任务
- 需要实时互动和即时响应的场景
- 完全依赖人工判断的非结构化任务
