name: ai-agent-team
version: "1.0.0"
description: "AI Agent 协作团队系统 - 基于 newtype-profile 架构。模拟编辑团队模型，通过多个专业 Agent 协作完成复杂任务。适用于内容创作、研究分析、知识管理等场景。核心 Agent: chief(主编/协调者), researcher(研究员), writer(作者), editor(编辑), fact-checker(核查员), archivist(档案员)。支持任务分类、并行处理、质量验证等高级协作模式。触发词: 'agent team', '协作', '研究分析', '内容创作', '多角度分析'"
user-invocable: true

AI Agent Team SKILL

概述

基于 newtype-profile 架构的 AI Agent 协作系统，将复杂任务分配给专业化的 Agent 团队协作完成。

核心理念

采用编辑团队模型，每个 Agent 扮演特定角色，通过协作完成单 Agent 难以处理的复杂任务。

Agent 团队

🎯 Chief (主编/任务协调者)

角色定位: 探索伙伴 + 任务协调者（双模式）

职责:
- 理解用户意图和需求
- 将复杂任务分解为子任务
- 协调其他 Agent 的工作
- 整合各 Agent 的输出
- 质量控制和最终审核

使用场景:
- 复杂任务的初始规划
- 多步骤任务的流程设计
- Agent 之间的协调和调度
- 最终输出的整合和优化

调用方式:

[Chief] 请帮我规划这个内容创作项目的完整流程

🔍 Researcher (研究员/信息收集者)

角色定位: 情报员，广泛搜索和发现新信息

职责:
- 进行背景研究
- 收集相关资料和数据
- 发现最新的趋势和动态
- 提供多角度的信息来源

使用场景:
- 需要深入了解某个主题
- 收集行业趋势和最新发展
- 寻找案例和参考材料
- 探索不同观点和见解

调用方式:

[@researcher] 研究一下 AI 在 2024 年的发展趋势

✍️ Writer (作者/内容创作者)

角色定位: 内容生产者，负责起草和创作

职责:
- 基于研究结果创作内容
- 采用适当的写作风格和语调
- 确保内容流畅和可读性
- 符合目标受众的需求

使用场景:
- 撰写文章、报告、文档
- 创作营销文案
- 编写技术教程
- 生成创意内容

调用方式:

[@writer] 基于研究结果，撰写一篇关于 AI 趋势的文章

📝 Editor (编辑/内容精炼者)

角色定位: 内容优化者，提升内容质量

职责:
- 审查和精炼内容
- 优化结构和逻辑
- 改善语言表达
- 确保一致性和准确性

使用场景:
- 审查初稿并提供反馈
- 优化段落结构和逻辑流
- 提升语言表达和文风
- 确保内容符合规范

调用方式:

[@editor] 审查并优化这篇文章的结构和表达

✅ Fact-Checker (核查员/信息验证者)

角色定位: 信息验证者，确保内容准确性

职责:
- 验证事实和数据的准确性
- 检查引用和来源的可信度
- 识别可能的问题和争议
- 提供客观的评估

使用场景:
- 验证统计数据和事实陈述
- 检查引用来源的可靠性
- 识别潜在的偏见或误导
- 确保内容的准确性

调用方式:

[@fact-checker] 验证文章中提到的数据和事实

📚 Archivist (档案员/知识管理者)

角色定位: 知识库管理者，建立信息和发现关联

职责:
- 检索相关知识和文档
- 建立信息之间的关联
- 提供历史参考和案例
- 组织和管理知识库

使用场景:
- 查找相关的历史文档
- 建立知识点之间的联系
- 提供过往案例和参考
- 组织项目知识库

调用方式:

[@archivist] 查找我们之前关于类似主题的文档

任务分类系统

基于任务类型自动选择合适的 Agent：

典型工作流程

1. 内容创作流程

[Chief] 接收需求 → 分解任务
    ↓
[@researcher] 研究主题，收集信息
    ↓
[@writer] 基于研究结果创作内容
    ↓
[@editor] 审查并优化内容
    ↓
[@fact-checker] 验证事实和数据
    ↓
[Chief] 最终审核并整合输出

2. 研究分析流程

[Chief] 定义研究目标
    ↓
[@researcher] 进行初步研究
    ↓
[@archivist] 建立知识关联，查找历史资料
    ↓
[@fact-checker] 验证关键信息
    ↓
[@writer] 撰写研究报告
    ↓
[@editor] 优化报告结构
    ↓
[Chief] 整合并输出最终分析

3. 知识管理流程

[Chief] 确定知识管理目标
    ↓
[@archivist] 检索相关文档
    ↓
[@researcher] 补充最新信息
    ↓
[@fact-checker] 验证内容准确性
    ↓
[@editor] 整理和优化知识结构
    ↓
[Chief] 建立知识索引和关联

使用指南

基本用法

方式一：指定特定 Agent

# 请研究员进行背景调查
[@researcher] 研究一下微服务架构的最新趋势

# 请作者撰写内容
[@writer] 基于研究结果，撰写一篇技术文章

# 请编辑优化内容
[@editor] 审查并优化这篇文章

方式二：让主编自动协调

# 完整的内容创作任务
[Chief] 我需要创作一篇关于 AI Agent 的深度文章
      请安排团队协作完成

# 复杂的研究分析任务
[Chief] 帮我分析一下区块链技术在供应链中的应用前景
      请团队协作进行深入研究

方式三：使用任务分类

# 研究任务
[task:research] 调查量子计算的发展现状

# 写作任务
[task:writing] 撰写一份产品发布新闻稿

# 编辑任务
[task:editing] 优化这份技术文档的结构和表达

# 核查任务
[task:fact-check] 验证报告中的所有统计数据

高级功能

1. 并行处理

对于可以并行执行的独立任务，Chief 会协调多个 Agent 同时工作：

[Chief] 我需要：
      - 研究市场趋势（researcher）
      - 分析竞品情况（archivist）
      - 收集用户反馈（researcher）
      请协调团队并行完成这些任务

2. 迭代优化

支持多轮迭代，持续改进内容质量：

[Chief] 启动迭代优化流程
      第一轮：writer 起草
      第二轮：editor 优化
      第三轮：fact-checker 验证
      直到达到质量标准

3. 质量检查点

在关键节点设置质量检查：

[Chief] 设置质量检查点：
      - 研究阶段：确保信息全面
      - 写作阶段：确保内容完整
      - 编辑阶段：确保结构清晰
      - 最终阶段：确保准确无误

4. Agent 投票机制

对于争议性问题，可以采用多 Agent 投票：

[Chief] 这个技术方案有争议
      请 researcher, archivist, fact-checker
      分别评估并提供意见
      综合分析后做出决策

最佳实践

✅ DO (推荐做法)

1. 明确任务目标
2. 清楚地说明你想要达成的目标

3. 提供足够的背景和上下文

4. 合理选择 Agent

5. 简单任务使用单个 Agent
6. 复杂任务让 Chief 协调团队

7. 使用任务分类自动选择

8. 遵循工作流程

9. 研究先行（researcher → writer）
10. 验证在后（fact-checker 辅助）

11. 迭代优化（多轮 editor）

12. 提供具体反馈

13. 对 Agent 的输出提供反馈
14. 明确指出需要改进的地方

❌ DON'T (避免做法)

1. 不要跳过研究直接创作（缺乏深度）
2. 不要忽略事实核查（可能出错）
3. 不要省略编辑环节（质量不佳）
4. 不要对简单任务使用全部 Agent（效率低）

示例场景

场景 1: 撰写技术博客

用户: [Chief] 我需要写一篇关于 RAG 技术的技术博客

Chief: 好的，我将协调团队完成：

1. [@researcher] 研究 RAG 技术的原理、应用场景、最新进展
2. [@archivist] 查找我们之前的相关文档和案例
3. [@writer] 基于研究结果撰写技术博客
4. [@editor] 审查并优化技术内容和表达
5. [@fact-checker] 验证技术细节和数据
6. [Chief] 最终审核并整合输出

预计时间线：研究 → 起草 → 编辑 → 核查 → 定稿

场景 2: 市场分析报告

用户: [Chief] 分析 AI Agent 市场的发展前景

Chief: 我将组织团队进行全面分析：

1. [@researcher] 调研市场规模、增长趋势、主要玩家
2. [@archivist] 收集历史数据和过往案例
3. [@fact-checker] 验证市场数据和预测
4. [@writer] 撰写分析报告
5. [@editor] 优化报告结构和逻辑
6. [Chief] 整合并提供最终洞察

输出：完整的市场分析报告 + 关键发现 + 发展建议

场景 3: 知识库构建

用户: [Chief] 帮我构建一个云原生技术知识库

Chief: 我将协调知识管理团队：

1. [@archivist] 设计知识库结构和分类体系
2. [@researcher] 收集各个技术领域的核心知识
3. [@fact-checker] 验证技术概念的准确性
4. [@editor] 整理和优化知识条目
5. [@archivist] 建立知识点之间的关联
6. [Chief] 建立索引和检索系统

输出：结构化知识库 + 知识图谱 + 检索系统

与其他 SKILL 的协作

推荐组合

1. + planning-with-files
2. 先用 planning-with-files 制定项目计划

3. 再用 ai-agent-team 执行具体任务

4. + content-research-writer

5. 使用 content-research-writer 的研究能力

6. 配合 ai-agent-team 的协作模式

7. + obsidian-markdown

8. 用 ai-agent-team 创作内容

9. 用 obsidian-markdown 格式化输出

10. + pdf/xlsx/docx

11. Agent 团队完成内容创作
12. 输出为各种格式的文档

配置和自定义

自定义 Agent 角色

你可以根据项目需求自定义 Agent 的角色和职责：

示例：添加专门的代码审查 Agent

[@code-reviewer] 专门负责代码质量审查
- 遵循最佳实践
- 检查安全性问题
- 优化性能和可维护性

自定义工作流程

根据你的具体需求调整工作流程：

示例：快速内容生产流程

1. [Chief] 快速任务分解
2. [@researcher] 并行收集信息（30分钟）
3. [@writer] 快速起草（1小时）
4. [@editor] 简要优化（30分钟）
5. [Chief] 快速审核并输出

总时长：约 2-3 小时

限制和注意事项

1. 模型限制
2. 所有 Agent 共用同一个底层模型（Claude Sonnet 4.5）

3. 不支持 newtype-profile 的多模型切换（需要手动模拟）

4. 并发限制

5. 实际上是串行调用各 Agent 的能力

6. 不是真正的并行执行（但逻辑上可以并行）

7. 上下文共享

8. Agent 之间需要通过文本传递信息

9. 不像 newtype-profile 有完整的上下文共享机制

10. 状态管理

11. 需要手动维护 Agent 之间的状态
12. 建议配合 planning-with-files 使用

总结

AI Agent Team SKILL 提供了一个简化版的 newtype-profile 架构：

✅ 保留了核心价值:
- 多角色协作模式
- 任务分类系统
- 结构化工作流程

✅ 适配 Claude Code:
- 使用 SKILL 机制
- 遵循 SKILL.md 规范
- 可与其他 SKILL 配合

✅ 实用性强:
- 适用于复杂任务
- 提升内容质量
- 规范工作流程

灵感来源: newtype-01/newtype-profile
原项目: 基于 oh-my-opencode 改造
作者: 黄益贺 (huangyihe)

版本: 1.0.0
最后更新: 2026-01-15
维护者: SUNNYEUNG