tomevault-io 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：
| 任务类别 | 主要 Agent | 辅助 Agent | 典型场景 |
|---|---|---|---|
| research | researcher | archivist | 信息研究、趋势发现、背景调查 |
| writing | writer | researcher, editor | 内容创作、文章撰写、文案生成 |
| editing | editor | fact-checker | 内容精炼、结构优化、质量提升 |
| fact-check | fact-checker | researcher | 事实验证、来源核查、可信度评估 |
| archive | archivist | researcher | 知识检索、文档查找、关联建立 |
| planning | chief | 所有 Agent | 项目规划、任务分解、流程设计 |
| review | chief + editor | fact-checker | 全面审查、质量把控、最终审核 |
| quick | 任意单个 Agent | 无 | 简单快速任务，单一 Agent 即可 |
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)
明确任务目标
- 清楚地说明你想要达成的目标
- 提供足够的背景和上下文
合理选择 Agent
- 简单任务使用单个 Agent
- 复杂任务让 Chief 协调团队
- 使用任务分类自动选择
遵循工作流程
- 研究先行（researcher → writer）
- 验证在后（fact-checker 辅助）
- 迭代优化（多轮 editor）
提供具体反馈
- 对 Agent 的输出提供反馈
- 明确指出需要改进的地方
❌ DON'T (避免做法)
- 不要跳过研究直接创作（缺乏深度）
- 不要忽略事实核查（可能出错）
- 不要省略编辑环节（质量不佳）
- 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
+ planning-with-files
- 先用 planning-with-files 制定项目计划
- 再用 ai-agent-team 执行具体任务
+ content-research-writer
- 使用 content-research-writer 的研究能力
- 配合 ai-agent-team 的协作模式
+ obsidian-markdown
- 用 ai-agent-team 创作内容
- 用 obsidian-markdown 格式化输出
+ pdf/xlsx/docx
- Agent 团队完成内容创作
- 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
模型限制
- 所有 Agent 共用同一个底层模型（Claude Sonnet 4.5）
- 不支持 newtype-profile 的多模型切换（需要手动模拟）
并发限制
- 实际上是串行调用各 Agent 的能力
- 不是真正的并行执行（但逻辑上可以并行）
上下文共享
- Agent 之间需要通过文本传递信息
- 不像 newtype-profile 有完整的上下文共享机制
状态管理
- 需要手动维护 Agent 之间的状态
- 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
Source: Sunnyeung369/ai-agent-team — distributed by TomeVault.