Agency Orchestrator

Agency Orchestrator

中文 | [English](./README.en.md)

> 一句话，让多个 AI 角色自动协作，几分钟出完整方案。

[](https://github.com/jnMetaCode/agency-orchestrator/actions) [](https://www.npmjs.com/package/agency-orchestrator) [](./LICENSE) [](./CONTRIBUTING.md)

一句话出结果 · 216 个专业 AI 角色 · YAML 零代码 · 10 种大模型 · 支持 key（推荐 DeepSeek），也有 7 种免 key 方式

> 📖 完整上手教程 — 从安装到实战，10 分钟上手 > > 📖 免费配套学习 → 从零学会 AI 编程：180 节免费实操课 + 《AI 编程实战三卷书》在线阅读 + 实战社区 · 永久免费

> 觉得有用？请点个 Star — 帮助更多人发现这个项目。

---

网页 Studio（图形界面）

不想敲命令行？本地跑一条 ao web，浏览器里勾选专家、运行工作流、查看产物、实时介入——全程图形界面，全中英双语。

> 🆕 AI 自动组队：不知道选哪些专家？角色页一句话、不选角色，AI 自动从全部专家里挑人组队并运行。 > 🆕 可视化画布：工作流可在画布上拖拽节点 / 连线（自动防环）/ 改任务·角色 / 保存，运行时节点按状态实时点亮。 > 🆕 创意库：内置图像生成提示词库（Nano Banana / Gemini，可搜索 / 分类 / 一键复制）。 > 🆕 零配置首跑：本机已登录 Claude Code / Gemini CLI 等？AO 自动探测并直接用，连 API key 都不用配。

角色组队：从 200+ 专家里勾选，AI 自动合成团队并运行

工作流：内置模板一键运行，也能对比多个模板

> 启动：ao web（本地，密钥只存你自己机器、绝不外传）。也有 桌面客户端下载（Electron · macOS / Windows / Linux）。 > 英文界面同样完整 → 见 [English README](./README.en.md)。

---

一句话出结果

ao compose "我是一个程序员，想用AI做自媒体副业，目标月入2万，帮我做完整规划" --run

5 个 AI 角色自动分工协作：

  工作流: 程序员AI自媒体副业规划
  步骤数: 5 | 模型: claude-code
  参与者: 🔭 趋势研究员 | 📱 平台分析师 | 💰 财务规划师 | ✍️ 内容策略师 | 📋 执行规划师
──────────────────────────────────────────────────

  ✅ 🔭 趋势研究员    31.3s  → 6个赛道竞争度/变现天花板/AI提效倍数对比
  ✅ 📱 平台分析师    32.0s  → 6大平台三维评分，推荐"小红书+公众号"组合
  ✅ 💰 财务规划师    31.8s  → 月入2万拆解：课程¥11,880 + 社群¥2,488 + 咨询¥4,000
  ✅ ✍️ 内容策略师    44.6s  → 20个选题 + 4套标题模板 + 内容SOP
  ✅ 📋 执行规划师    42.2s  → 90天行动计划，精确到每天做什么

==================================================
  完成: 5/5 步 | 182.1s | 6,493 tokens
==================================================

不用写代码，不用写配置，不用选角色。 一句话 → AI 自动拆解任务 → 从 216 个角色中匹配 → 按 DAG 并行执行 → 输出完整方案。

你能用它做什么

ao compose "帮我分析做一个AI记账工具的可行性" --run             # 创业可行性分析
ao compose "对比 Cursor、Windsurf 和 Copilot，给出选择建议" --run  # 技术选型报告
ao compose "写一篇关于 AI Agent 趋势的深度文章" --run             # 深度长文写作
ao compose "用 10 万块启动一个 AI 教育项目" --run                 # 商业计划书
ao compose "PR 代码审查，覆盖安全和性能" --run                    # 代码审查报告
ao compose "设计一个 SaaS 产品的定价策略" --run                   # 定价分析

每个场景自动匹配不同的 AI 角色组合。

---

为什么需要 Agency Orchestrator

跟一个 AI 聊天，它给你一个视角。但做任何决策，你需要产品的视角、技术的视角、财务的视角、营销的视角……

Agency Orchestrator = 让多个 AI 专家各干各的，最后汇总。相当于一个人 vs 一个团队。

| | ChatGPT / Claude | CrewAI / LangGraph | Agency Orchestrator | |---|--------|-----------|---------------------| | 角色数 | 1 个通用 | 自己写 | 216 个专业角色 | | 使用方式 | 对话 | 写 Python | 一句话 / YAML | | API key | — | 必须 | 支持 key，也有 7 种免 key 方式 | | 依赖 | — | pip + 几十个包 | npm + 2 个依赖 | | 并行 | — | 手动建图 | DAG 自动检测 | | 中文角色 | — | 无 | 216 个 | | 价格 | 订阅制 | 开源 + API 费 | DeepSeek 甜区极低成本，亦可免 key 起步 |

3 步开始

第 1 步：安装

npm install -g agency-orchestrator

> 装 CLI 还是桌面端？ > - 桌面客户端（下载）自带引擎与 Node，双击即用，无需 npm i -g agency-orchestrator。只有想在终端用 ao 命令、或接进脚本 / CI 时才需要装 CLI。 > - 用 --provider claude-code（或 gemini-cli / codex-cli 等）时，需要本机已安装并登录对应 CLI；AO 会自动探测已装的，零配置直接用。用 API key 类（deepseek/openai…）则配好 key 即可，无需装任何 CLI。 > - 自定义目录：产物 / 数据目录用 AO_DATA_DIR（桌面端默认指向 userData），角色库用 AO_AGENTS_DIR，统一工作区用 AO_HOME。

第 2 步：一句话跑起来

# 用你已有的 Claude 会员（无需 API key）
ao compose "帮我分析做一个AI记账工具的可行性" --run --provider claude-code

# 或用 DeepSeek（充 10 块跑很久）
export DEEPSEEK_API_KEY="你的key"
ao compose "帮我分析做一个AI记账工具的可行性" --run

第 3 步：用内置模板或在 AI 编程工具中使用

# 用 32 个内置模板
ao run workflows/一人公司全员大会.yaml --input idea="帮打工人用AI写简历的求职神器"
ao run workflows/dev/pr-review.yaml --input code=@src/main.ts
ao run workflows/story-creation.yaml -i premise="一个程序员发现AI开始回复不该知道的事情"

也可以在 Cursor / Claude Code 中直接说"帮我跑一个工作流"——支持 14 个 AI 编程工具（[集成指南](./integrations/)）。

更多真实演示

$ ao compose "帮我分析抖音短视频赛道的创业机会" --run

  工作流: 抖音短视频赛道创业机会分析与商业方案制定
  步骤数: 6 | 并发: 2 | 模型: deepseek-chat
  参与者: 👔 老板 | 📊 市场调研员 | 🔍 用户研究员 | 🧭 产品经理 | 📣 营销主管 | 💰 财务总监
──────────────────────────────────────────────────

  ✅ 👔 老板          12.7s   → 战略方向与目标用户定位
  ✅ 📊 市场调研员    45.2s   → 7亿日活用户数据、竞争格局分析
  ✅ 🔍 用户研究员    38.1s   → 用户画像、痛点挖掘、付费意愿
  ✅ 🧭 产品经理      41.3s   → MVP功能清单、内容矩阵、变现路径
  ✅ 📣 营销主管      35.6s   → 冷启动方案、投放策略、用户漏斗
  ✅ 💰 财务总监      28.4s   → 150万启动、首年400万收入、盈亏平衡分析

==================================================
  完成: 6/6 步 | 233.0s | 65,191 tokens
==================================================

6 个角色中，市场调研员和用户研究员自动并行执行（从 DAG 依赖关系检测）。

工作原理

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

llm:
  provider: "deepseek"          # 免 API key: claude-code / gemini-cli / copilot-cli / codex-cli / hermes-cli / 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)

10 种 LLM — 7 种不需要 API key

你已经有这些会员了吧？直接就能跑：

| 你有... | YAML 配置 | 安装 CLI | 额外费用 | |---------|----------|---------|---------| | Claude Max/Pro（$20/月） | provider: "claude-code" | npm i -g @anthropic-ai/claude-code | 不花钱 | | Google 账号 | provider: "gemini-cli" | npm i -g @google/gemini-cli | 免费（1000 次/天，Gemini 2.5 Pro） | | GitHub Copilot（$10/月） | provider: "copilot-cli" | npm i -g @github/copilot | 不花钱 | | ChatGPT Plus/Pro（$20/月） | provider: "codex-cli" | npm i -g @openai/codex | 不花钱 | | OpenClaw 账号 | provider: "openclaw-cli" | npm i -g openclaw | 不花钱 | | Hermes Agent（🔥 NousResearch 热门开源） | provider: "hermes-cli" | 安装指南 | 免费 | | 一台电脑 | provider: "ollama" | ollama.ai | 免费（本地模型，见下方提示） |

> ⚠️ 模型能力决定多智能体的价值：我们用质量评测验证过（见 [EVALFINDINGS.md](EVALFINDINGS.md)）——DeepSeek 这一档（够强又不贵）上，多智能体产出明显优于单次 prompt；但本地小模型（如 llama3 8B 级）能力不足时，多角色交接反而会放大漂移、产出不如单次。追求质量请用 DeepSeek/Claude/Gemini 等有能力的模型；本地 Ollama 建议用 70B+ 模型。

也支持传统 API key（追求质量推荐 DeepSeek，性价比甜区）：

| 提供商 | 配置 | 环境变量 | |--------|------|---------| | DeepSeek | provider: "deepseek" | DEEPSEEK_API_KEY | | Claude API | provider: "claude" | ANTHROPIC_API_KEY | | OpenAI | provider: "openai" | OPENAI_API_KEY |

自定义 API（火山引擎、智谱、月之暗面、硅基流动等 OpenAI 兼容 API）：

ao init --provider openai --model 模型名 \
  --base-url https://你的API地址/v1 \
  --api-key 你的key

或手动编辑 .env：

AO_PROVIDER=openai
AO_MODEL=模型名
OPENAI_BASE_URL=https://你的API地址/v1
OPENAI_API_KEY=你的key

常见示例：

| 平台 | base_url | model | |------|----------|-------| | 火山引擎 | https://ark.cn-beijing.volces.com/api/coding/v3 | ark-code-latest | | 智谱 AI | https://open.bigmodel.cn/api/paas/v4 | glm-4 | | 硅基流动 | https://api.siliconflow.cn/v1 | deepseek-ai/DeepSeek-V3 | | 月之暗面 | https://api.moonshot.cn/v1 | moonshot-v1-8k |

> ⚠️ 注意：这些平台请使用 provider: "openai"，不要用 provider: "ollama"。Ollama 仅用于本地模型，不发送 API Key。

CLI 命令

ao demo                              # 零配置体验多智能体协作
ao init                              # （可选）复制 216 个中文角色到本地以便编辑
ao init --lang en                    # （可选）复制 184 个英文角色到本地以便编辑
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 compose "一句话描述" --run          # 编排并立即执行
ao team save           # 把角色阵容存成可复用团队 (Loadout)
ao team list / show / rm              # 管理已保存的团队
ao run --team  "新任务"          # 用已保存的团队跑新任务（锁定阵容）
ao prompt optimize "提示词"           # AI 优化提示词（--save 存为可复用资产）
ao prompt test / list / garden        # 测试 / 管理 / 起手模板（提示词沉淀）
ao skills [名字]                       # 列出/查看可挂到步骤的方法论 skill
ao run  [选项]          # 执行工作流
ao validate            # 校验（不执行）
ao plan                # 查看执行计划（DAG）
ao explain             # 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）

| 参数 | 说明 | |------|------| | --input key=value | 传入输入变量 | | --input key=@file | 从文件读取变量值 | | --output dir | 输出目录（默认 ao-output/） | | --resume | 从上次运行恢复（加载已完成步骤的输出） | | --from | 配合 --resume，从指定步骤重新执行 | | --feedback "意见" | 对话式返工：把修改意见交给 --from 指定的专家，让它带着「上一版产出 + 你的意见」在原稿基础上修改（不指定 --resume 时默认对上一次运行返工） | | --watch | 实时终端进度显示 | | --quiet | 静默模式 |

AI 智能编排（Compose）

一句话描述需求，AI 自动从 216 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 216 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）。

团队 / Loadout（把跑得好的阵容存下来复用）

compose 每次都是临时组队。如果某个角色阵容效果好，把它存成团队，套到任意新任务上——团队只保存「角色阵容」，与具体任务解耦：

# 从一个跑得好的工作流抽出阵容，存成团队
ao team save workflows/tech-blog.yaml --name 技术博客组

# 让整队人接新活（自动用这几个角色重新设计步骤并运行）
ao run --team 技术博客组 "写一篇关于 RISC-V 架构的科普"

ao team list           # 查看已保存的团队
ao team show 技术博客组  # 查看阵容构成

ao run --team 的本质 = compose 时把可选角色锁定为团队那几个，所以既不会漏人、也不会幻觉出别的角色。团队存在 ~/.ao/teams/*.team.yaml（纯 YAML，可直接拷贝分享），命令行和网页 Studio 共用同一份——Studio 里勾选角色后点「存为团队」，命令行立刻 ao run --team 可用，反之亦然。

> 自带私有专家：设环境变量 AO_AGENTS_DIR=/你的角色目录，run / compose / roles / web 全部改用你自己的角色库。 > > 固定全局目录：设 AO_HOME=~/.ao（或任意目录），运行产物 ao-output、compose/--team 生成的工作流都落到那里，不再随执行目录散落（#20）。也可用 AO_OUTPUT_DIR / AO_WORKFLOWS_DIR 单独指定。不设则维持原行为（写到当前目录）。

提示词优化（Prompt Lab）

把「靠感觉」的提示词，变成可优化、可测试、可对比、可沉淀的资产：

ao prompt optimize "帮我写个朋友圈文案卖咖啡" --save 咖啡文案   # AI 把它改写成更有效的提示词
ao prompt test "你是专业翻译，只输出译文" --mode system --input "good morning"  # 用样例实跑看输出
ao prompt list / show 咖啡文案     # 已保存的提示词 + 版本历史
ao prompt garden                  # 内置起手模板

--mode system|user 区分「角色/系统提示词」和「任务提示词」。优化只产出更好的提示词（不会直接去执行它）。网页 Studio 的「提示词」页还能原版 vs 优化版并排对比 + AI 评分。存在 ~/.ao/prompts/（AO_PROMPTS_DIR 可改），命令行与 Studio 共用。

Skills（给步骤挂方法论）

角色决定「谁来做」，skill 决定「怎么做」。给工作流某一步挂一个 skill（流程剧本），它的方法论会注入该步——比如让代码审查步骤遵循结构化审查法、让实现步骤走 TDD：

steps:
  - id: review
    role: "engineering/engineering-code-reviewer"
    skill: "chinese-code-review"     # 单个；或 skills: ["test-driven-development", ...]
    task: "审查这段代码 {{code}}"

ao skills                      # 列出全部可用 skill
ao skills test-driven-development   # 看某个 skill 的方法论

skill 内容直接用开源的 superpowers-zh（MIT，20 个,已作为依赖,零配置）；也可设 AO_SKILLS_DIR=/你的skill目录 挂自己的。

迭代优化（Resume）

跑完一轮觉得某步不满意？不用从头来。--resume 加载上一轮输出，--from 指定从哪步重跑：

# 第一轮：正常运行
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？只重跑营销和后续步骤
ao run workflows/一人公司全员大会.yaml --resume last --from marketing_plan

# 只改最终汇总
ao run workflows/一人公司全员大会.yaml --resume last --from launch_decision

每轮输出保存在 ao-output/ 下独立目录，所有版本都保留，随时可以回溯。

| 场景 | 命令 | |------|------| | 第一次运行 | ao run workflow.yaml -i key=value | | 从某步重跑 | ao run workflow.yaml --resume last --from | | 只重跑失败的步骤 | ao run workflow.yaml --resume last | | 基于指定版本重跑 | ao run workflow.yaml --resume ao-output/具体目录/ --from |

对话式返工（Feedback）

--resume --from 是「让某个专家重做」，但默认是从零重写。如果你只是想说一句「这里改一下」，用 --feedback——它把你的意见 + 这个专家上一版的产出一起交回去，让它在原稿基础上改，而不是推倒重来：

# 觉得故事结尾太平淡 —— 直接跟"写故事"那个专家说怎么改
ao run workflows/story-creation.yaml --from write_story \
  --feedback "结尾太平淡，加一个反转，并收束前面埋的伏笔"

# 觉得营销方案不接地气
ao run workflows/一人公司全员大会.yaml --from marketing_plan \
  --feedback "预算改成 5000 以内，渠道聚焦小红书 + 私域"

不写 --resume 时默认对上一次运行返工（等价于 --resume last）。该专家改完后，它的下游步骤会自动用新产出重跑。

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

| 字段 | 类型 | 必填 | 说明 | |------|------|------|------| | name | string | 是 | 工作流名称 | | agents_dir | string | 是 | 角色目录路径 | | llm.provider | string | 是 | claude-code / gemini-cli / copilot-cli / codex-cli / openclaw-cli / hermes-cli / ollama / claude / deepseek / openai | | llm.model | string | 是 | 模型名称 | | llm.max_tokens | number | 否 | 默认 4096 | | llm.timeout | number | 否 | 步骤超时毫秒数（默认 API 120000 / CLI/ollama 600000）。因超时重试时自动 x1.5 递增，上限 3600000。0 表示不限时 | | llm.retry | number | 否 | 重试次数（默认 3） | | concurrency | number | 否 | 最大并行步骤数（默认 2） | | inputs | array | 否 | 输入变量定义 | | steps | array | 是 | 工作流步骤 |

步骤

| 字段 | 类型 | 必填 | 说明 | |------|------|------|------| | id | string | 是 | 步骤唯一标识 | | role | string | 是 | 角色路径（如 "engineering/engineering-sre"） | | task | string | 是 | 任务描述，支持 {{变量}} | | output | string | 否 | 输出变量名 | | depends_on | string[] | 否 | 依赖的步骤 ID | | depends_on_mode | string | 否 | "all"（默认）或 "any_completed"（任一完成即可） | | condition | string | 否 | 条件表达式，不满足则跳过（如 "{{var}} contains 技术"） | | type | string | 否 | "approval" 人工审批节点 / "human_input" 人工输入节点（跑到该步暂停，读取你的输入作为该步产出注入下游） | | prompt | string | 否 | approval / human_input 节点的提示文本 | | loop | object | 否 | 循环配置 | | loop.back_to | string | 否 | 循环回到的步骤 ID | | loop.max_iterations | number | 否 | 最大循环次数（1-10） | | loop.exit_condition | string | 否 | 退出条件表达式 |

输出

每次运行保存到 ao-output/-/：

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（32 个）

开发类（7 个）

| 模板 | 角色 | 说明 | |------|------|------| | dev/tech-design-review.yaml | 架构师、后端架构师、安全工程师、代码审查员 | 技术方案评审（设计→并行评审→结论） | | dev/pr-review.yaml | 代码审查员、安全工程师、性能基准师 | PR 评审（3 路并行→汇总） | | dev/tech-debt-audit.yaml | 架构师、代码审查员、测试分析师、Sprint 排序师 | 技术债务审计（并行→优先级排序） | | dev/api-doc-gen.yaml | 技术文档工程师、API 测试员 | API 文档生成（分析→验证→定稿） | | dev/readme-i18n.yaml | 内容创作者、技术文档工程师 | README 国际化 | | dev/security-audit.yaml | 安全工程师、威胁检测工程师 | 安全审计（并行→报告） | | dev/release-checklist.yaml | SRE、性能基准师、安全工程师、产品经理 | 发布 Go/No-Go 决策 |

营销类（3 个）

| 模板 | 角色 | 说明 | |------|------|------| | marketing/competitor-analysis.yaml | 趋势研究员、数据分析师、SEO 专家、高管摘要师 | 竞品分析报告（研究→并行分析→摘要） | | marketing/xiaohongshu-content.yaml | 小红书专家、内容创作者、视觉叙事师、小红书运营 | 小红书种草笔记（选题→并行创作→优化） | | marketing/seo-content-matrix.yaml | SEO 专家、策略师、内容创作者 | SEO 内容矩阵（关键词→策略→批量生成→审核） |

数据 / 设计 / 运维类（7 个）

| 模板 | 角色 | 说明 | |---

…

Source & license

This open-source MCP server is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: jnMetaCode
• Source: jnMetaCode/agency-orchestrator
• License: Apache-2.0
• Homepage: https://ao.aiolaola.com

Install and usage instructions live in the source repository linked above.