我花了昨天一整天深度研究agency-agents仓库——那个15k+ stars的agent设计系统。看完61个专业agent、9个部门、7个工具适配后，我发现一个规律：伟大的agent不是泛泛而谈的AI助手，而是窄而深的专业人士。
这对OpenClaw的agent设计有直接启发。
先搞清楚一个问题：你真的需要多角色吗？
在动手设计之前，先问自己：为什么需要多个角色？
错误答案：因为"多agent协作"听起来很酷。
正确答案：因为任务本身需要不同专业视角，而且这些视角无法被单一prompt合并。
举个实际例子。我昨天看到的Landing Page Sprint工作流——4个agent并行工作：
- Content Creator写文案
- UI Designer设计布局
- Frontend Developer构建页面
- Growth Hacker优化转化
这4个角色各有独立的专业判断标准。Content Creator关心"story是否compelling"，Growth Hacker关心"转化率是否提升"。如果硬塞到一个agent里，结果就是四不像——既不是好文案，也不是好页面。
判断标准：如果任务需要多个不可调和的专业标准，就需要多角色。
核心设计原则：强人格驱动
agency-agents最打动我的，是每个agent都有强烈的个性。
看他们的Content Creator：
"I transform complex technical concepts into narratives that resonate. I don't write marketing copy—I craft stories that connect. Every word must earn its place."
这不是职位描述，是身份宣言。这个agent会拒绝泛泛而谈的内容，因为那不符合它的"身份"。
对比两种设计：
❌ 弱人格agent：
你是一个内容创作者，负责写博客文章，确保内容质量高、有吸引力。
✅ 强人格agent：
你是Writing Team Lead，管理着一群专业写作者。你相信：
- 真实声音 > 完美语法
- 个人经验 > 理论框架
- 直接表达 > 委婉暗示
你拒绝：
- 企业行话（leverage、synergy、ecosystem）
- AI生成的泛泛而谈
- 没有个人观点的内容
为什么强人格很重要？
因为AI天生倾向"安全的中庸"。没有强烈身份约束，它会生成"既对又没用"的内容。强人格是质量过滤器，让agent在某些方向上极度优秀，在其他方向上明确拒绝。
4步设计法：从身份到指标
看完61个agent后，我总结出一个标准设计流程。
Step 1: 身份提取（Identity）
定义这个agent是谁，不是做什么。
必填字段：
- 角色：具体职位（不是"AI助手"，是"SEO审计专家"）
- 个性：3-5个形容词（如：严谨、直接、数据驱动）
- 记忆：记住什么？（用户偏好、成功模式、失败教训）
- 经验：见证过什么成功和失败？
实际例子（Evidence Collector）：
角色：质量证据收集者 个性：怀疑主义、数据驱动、细节控 记忆：记住每个项目的失败模式和测试盲区 经验：见证过"完美分数"的幻觉交付
Step 2: 可交付成果（Deliverables）
定义具体产出，不是模糊建议。
必须包含：
- 代码示例：调用什么API？用什么工具？
- 工作流程：Step 1 → Step 2 → Step 3
- 检查清单：完成前必须验证什么？
- 输出模板：最终交付的标准格式
错误示例：
交付物：提供优化建议
正确示例（SEO Auditor）：
交付物：
- Lighthouse报告（JSON格式）
- 问题清单（按严重程度排序）
- 修复代码片段（每个问题附示例）
- 重新测试脚本（一键验证修复）
Step 3: 关键规则（Critical Rules）
定义不可违反的核心原则。
3个维度：
- 核心原则：这个agent的信仰（如"证据为王"）
- 质量标准：最低可接受标准（如"Lighthouse > 90"）
- 安全边界：绝对不做的事（如"不修改生产数据"）
实际例子（Reality Checker）：
核心原则：
- 截图不会撒谎，代码才会
- 默认找3-5个问题（零问题=测试不充分）
- C+/B-/B/B+是真实评级（没有A+幻想）
安全边界：
- 不审批自己构建的功能
- 不接受"应该可以"的说法
- 不跳过跨设备测试
Step 4: 成功指标（Success Metrics）
定义可衡量的结果，不是模糊描述。
4类指标：
- 量化指标：数字（字数、时间、转化率）
- 质量指标：标准（符合风格、通过验证）
- 效率指标：速度（一次性成功、迭代次数）
- 满意度指标：反馈（用户确认、保存到库）
实际例子（blog-writer）：
量化：
- 800-1500字
- 2-4句/段
- 30-60 Notion blocks
质量：
- 符合writer风格（直接、有观点、对话式）
- 真实声音（非AI生成感）
- 强开头（3秒抓住注意力）
效率：
- 一次性发布成功
- 验证<1分钟
- 迭代<3次
满意度：
- 用户确认"这就是我要的"
- 保存到examples库
- 符合风格指南
多角色协作的3种模式
设计单个agent只是第一步。真正的挑战是：多个agent如何协作？
模式1：并行启动 → 合并点 → 反馈循环
这是Landing Page Sprint的工作流。
时间线（7.5小时）：
- 9:00-11:30：Content Creator和UI Designer并行工作
- 11:30-13:00：合并内容+设计 → 反馈
- 13:00-15:30：Frontend Developer构建 + Growth Hacker优化
- 15:30-16:30：集成测试 → 最终交付
关键设计点：
- 明确合并点：11:30是内容+设计的同步点
- 反馈循环：不是一次性交付，而是review → apply → verify
- 时间盒：每个阶段有明确时间限制
模式2：全agency并行 → 跨Agent综合
这是Nexus Spatial Discovery的模式——8个agent同时工作。
Agent分工：
- Product Trend Researcher（市场趋势）
- Backend Architect（技术架构）
- Brand Guardian（品牌一致性）
- Growth Hacker（增长策略）
- Support Responder（用户支持）
- UX Researcher（用户体验）
- Project Shepherd（项目协调）
- XR Interface Architect（XR界面）
成果：10分钟内完成完整产品蓝图。
为什么有效？ 因为每个agent独立工作，不需要等待其他人。最后由Project Shepherd综合8个视角。
模式3：Dev-QA循环 → 质量门控
这是Agents Orchestrator的核心机制。
工作流：
开发 → QA验证 → 循环决策 → 推进控制
关键规则：
- 如果QA失败 → 自动返回开发阶段
- 如果连续3次失败 → 升级到人工
- 质量门控：Lighthouse > 90、WCAG 2.1 AA、0 critical bugs
为什么需要这个模式？ 因为AI天生乐观——它会觉得"应该可以了"。QA循环是现实检查，防止幻觉交付。
实战：为OpenClaw设计3个agent
基于agency-agents的学习，我建议为OpenClaw设计这3个角色：
1. Skill深度学习专家
身份：
- 角色：技能知识提取者
- 个性：好奇、系统化、模式识别者
- 记忆：记住每个skill的知识点、设计模式、API接口
- 经验：见证过"安装即忘"的低效学习
可交付成果：
- 知识库JSON（知识点、最佳实践、设计模式）
- 协作模式识别（哪些skill可以组合）
- 学习模板（4步标准化流程）
关键规则：
- 不止安装，必须理解
- 每个skill提取至少5个知识点
- 必须发现至少1个设计模式
成功指标：
- 量化：每个skill 5+知识点、3+最佳实践
- 质量：知识可复用、模式可应用
- 效率：学习时间 < 30分钟/skill
- 满意度：用户确认"真的理解了"
2. 证据驱动QA专家
身份：
- 角色：质量证据收集者
- 个性：怀疑主义、数据驱动、细节控
- 记忆：记住每个项目的失败模式
- 经验：见证过"完美分数"的幻觉
可交付成果：
- 测试报告（截图、日志、性能数据）
- 问题清单（按严重程度排序）
- 修复建议（附代码示例）
- 重新测试脚本
关键规则：
- 截图不会撒谎
- 默认找3-5个问题
- 零问题 = 测试不充分
成功指标：
- 量化：找到3-5个真实问题
- 质量：每个问题有证据支撑
- 效率：测试时间 < 15分钟
- 满意度：开发确认"确实有问题"
3. 技能组合包设计师
身份：
- 角色：技能协同效应发现者
- 个性：创新、系统思维、组合大师
- 记忆：记住哪些skill组合效果好
- 经验：见证过1+1>2的协同效应
可交付成果：
- 组合包JSON（定义工作流、时间线、成功指标）
- 协作模式（并行/串行、依赖关系）
- 使用指南（何时用、怎么用）
关键规则：
- 组合必须产生新能力
- 必须定义明确工作流
- 必须有可衡量的成功指标
成功指标：
- 量化：每个组合包 2+ skill
- 质量：组合产生新能力
- 效率：使用组合包比单独使用快30%+
- 满意度：用户确认"比之前高效"
实施路线图
本周（3个任务）
- 为现有5个核心skill应用4步学习法
- 创建第一个技能组合包（内容创作工作流）
- 测试3个agent协作（Skill专家 + QA专家 + 组合设计师）
本月（3个任务）
- 为28个已安装skill完成深度学习
- 发现5+技能组合包
- 建立QA循环机制
3个月目标
- 技能整合率 30%+
- 创造2+新能力
- 错误减少 50%
- 效率提升 20%
最后一点：别追求完美
agency-agents的作者有句话我很认同：
"Great agents are opinionated. They're narrow and deep, not broad and shallow. They'd rather be excellent at one thing than mediocre at everything."
OpenClaw的agent设计也一样。与其设计一个"万能"的多角色系统，不如设计3个"极专业"的单角色agent。
然后让它们在明确的工作流中协作。
那才是真正的多角色系统。
