สรุปสั้นๆ: agency-agents คือคอลเล็กชันบุคลิก AI agent ที่ได้รับการดูแลจัดการที่ใหญ่ที่สุดบน GitHub โดยมีดาว 149,312 ดวง ณ วันที่ 1 กันยายน 2026 มีไฟล์นิยาม agent มากกว่า 300 ไฟล์กระจายอยู่ในโฟลเดอร์หมวดหมู่ประมาณ 20 โฟลเดอร์ และติดตั้งลงใน Claude Code, Cursor, Codex, Gemini CLI, OpenCode, Windsurf, Aider และเครื่องมืออื่นๆ อีกมากมายด้วยคำสั่งเดียว สิ่งที่คุณได้รับคือกรอบการทำงาน ไม่ใช่ความสามารถ บุคลิกเหล่านี้เปลี่ยนวิธีที่ agent ของคุณเข้าหาภารกิจ พวกเขาไม่ได้ให้ข้อเท็จจริงที่ agent ไม่มี และพวกเขาจะอยู่ไม่พ้นเซสชัน
นี่คือการเจาะลึกเครื่องมือหนึ่งจากบทสรุปของเราเกี่ยวกับ เครื่องมือ AI agent แบบโอเพนซอร์สห้าตัวที่น่าติดตั้งในปี 2026
agent เขียนโค้ดของคุณมีบุคลิกเดียว: ผู้เชี่ยวชาญทั่วไปที่ชอบช่วยเหลือ ขอให้ตรวจสอบการไหลของ authentication คุณจะได้รับคำแนะนำที่สมเหตุสมผลแต่ไม่น่าจดจำ ลองขอให้นักตรวจสอบความปลอดภัยพร้อมรูปแบบภัยคุกคามและรายการตรวจสอบ คุณจะได้ผลการค้นพบ
ช่องว่างนั้นคือสิ่งที่ agency-agents เข้ามาเติมเต็ม เริ่มต้นจากการเป็นกระทู้ Reddit เกี่ยวกับการเชี่ยวชาญเฉพาะทางของ agent และเติบโตจนมีรายชื่อใหญ่พอที่จะทำให้การติดตั้งทั้งหมดทำลาย runtime ของ agent ยอดนิยมอย่างน้อยหนึ่งตัว นี่คือสิ่งที่อยู่ภายในจริงๆ วิธีติดตั้งส่วนที่คุณต้องการ และสองสิ่งที่ไลบรารีบุคลิกไม่สามารถทำเพื่อคุณได้
สิ่งที่คุณกำลังติดตั้งจริงๆ
agent แต่ละตัวคือไฟล์ markdown ไม่ใช่ system prompt บรรทัดเดียว และไม่ใช่ปลั๊กอินที่มีโค้ด ไฟล์ประกอบด้วยตัวตนและบุคลิกภาพ ภารกิจหลัก กระบวนการทำงาน ผลลัพธ์ทางเทคนิคพร้อมตัวอย่าง และตัวชี้วัดความสำเร็จ
นับไฟล์ markdown ใน repository tree ณ วันที่ 1 กันยายน 2026 มีทั้งหมด 312 ไฟล์ในโฟลเดอร์หมวดหมู่ระดับบนสุด 20 โฟลเดอร์ หรือ 306 ไฟล์เมื่อไม่รวมไดเรกทอรี examples/ การกระจายตัวเอนไปทางการสร้างสิ่งต่างๆ:
| แผนก | ไฟล์ Agent |
|---|---|
| engineering | 59 |
| specialized | 58 |
| marketing | 36 |
| game-development | 21 |
| integrations | 18 |
| strategy | 16 |
| gis | 13 |
| security | 12 |
| design | 10 |
| sales | 9 |
| testing | 9 |
| paid-media | 7 |
| project-management | 7 |
| academic | 6 |
| spatial-computing | 6 |
| support | 6 |
| finance | 5 |
| product | 5 |
| healthcare | 3 |
เป็นที่น่าสังเกตว่า README ของ repository ยังคงโฆษณาว่า "230+ agents" ข้อความนั้นเก่าไปแล้ว Tree ได้เติบโตเกิน 300 แล้ว
แผนกวิศวกรรมเป็นที่ที่นักพัฒนาส่วนใหญ่จะเริ่มต้น และความเฉพาะเจาะจงสูงกว่าที่คุณคาดหวังจากคอลเล็กชัน prompt นอกจากรายการ Frontend Developer และ Backend Architect ที่ชัดเจนแล้ว ยังมี Network Engineer ที่จำกัดขอบเขตสำหรับ Cisco IOS-XE, Juniper Junos และ Palo Alto PAN-OS, Embedded Firmware Engineer สำหรับ ESP32, STM32 และ Nordic targets, Incident Response Commander สำหรับการวิเคราะห์หลังเกิดเหตุและการเตรียมพร้อมในการรับสาย, และ Codebase Onboarding Engineer ที่เขียนขึ้นมาเพื่อสำรวจ repository แบบอ่านอย่างเดียวและระบุข้อเท็จจริงเกี่ยวกับมันมากกว่าที่จะเสนอการเปลี่ยนแปลง
ข้อสุดท้ายนั้นเป็นตัวอย่างที่ดีของรูปแบบที่ใช้งานได้ บุคลิกแบบอ่านอย่างเดียวที่มีคำสั่งห้ามแก้ไขที่ชัดเจนเป็นเครื่องมือที่แตกต่างจาก agent เริ่มต้นของคุณอย่างแท้จริง และไม่มีค่าใช้จ่ายนอกจากไฟล์เดียว
การติดตั้งโดยไม่ทำให้การตั้งค่าของคุณเสียหาย
repository มาพร้อมกับสคริปต์แปลงและติดตั้ง เส้นทางแบบโต้ตอบจะตรวจจับสิ่งที่คุณได้ติดตั้งไว้แล้วและถามว่าคุณต้องการอะไร:
git clone https://github.com/msitarzewski/agency-agents.git
cd agency-agents
./scripts/install.sh
การกำหนดเป้าหมายเครื่องมือเฉพาะและชุดย่อยของแผนกเป็นค่าเริ่มต้นที่สมเหตุสมผลกว่า:
# ทุกอย่างลงใน Claude Code
./scripts/install.sh --tool claude-code
# สองแผนกเท่านั้น
./scripts/install.sh --tool claude-code --division engineering,security
# เฉพาะ agent ที่ระบุชื่อเท่านั้น
./scripts/install.sh --tool cursor --agent frontend-developer,ui-designer
# ดูว่ามีอะไรอยู่บ้างก่อนที่จะ commit
./scripts/install.sh --list teams
./scripts/install.sh --tool opencode --division engineering --dry-run
เป้าหมายที่รองรับได้แก่ Claude Code, Cursor, Codex, Gemini CLI, OpenCode, GitHub Copilot, Windsurf, Aider, Kimi Code, Hermes, Antigravity, Osaurus และ Mistral Vibe นอกจากนี้ยังมีแอปพลิเคชันเดสก์ท็อปแบบเนทีฟที่ agencyagents.app สำหรับ macOS, Linux และ Windows ที่สามารถเรียกดูรายชื่อ ติดตั้งด้วยการคลิก และอัปเดตอัตโนมัติ รวมถึง Homebrew cask
อ่านสิ่งนี้ก่อนที่คุณจะติดตั้งทุกอย่าง ปัจจุบัน OpenCode runtime สามารถลงทะเบียน agent ได้เพียงประมาณ 119 ตัวและละทิ้งส่วนที่เหลืออย่างเงียบๆ ซึ่ง repository ได้บันทึกไว้ในส่วนของบั๊กต้นน้ำ การติดตั้งชุดย่อยด้วย --division จะช่วยให้คุณอยู่ภายใต้ขีดจำกัด และตัวติดตั้งจะเตือนคุณเมื่อการเลือกเกินขีดจำกัด การตัดทอนอย่างเงียบๆ เป็นโหมดความล้มเหลวที่เลวร้ายที่สุด เพราะ agent ที่คุณต้องการหายไปและไม่มีอะไรบอกคุณ
แม้จะอยู่นอกบั๊กเฉพาะนั้น การติดตั้ง 300 บุคลิกก็เป็นความคิดที่ไม่ดี รายชื่อที่คุณจำไม่ได้คือรายชื่อที่คุณจะไม่ใช้ ติดตั้งสองแผนกที่คุณทำงานอยู่ อ่านไฟล์สี่หรือห้าไฟล์ และลบไฟล์ที่ไม่ตรงกับวิธีการทำงานของทีมคุณจริงๆ
สิ่งที่บุคลิกภาพเปลี่ยน และสิ่งที่ไม่เปลี่ยน
บุคลิกภาพคือกรอบ มันกำหนดว่า agent จะมองหาอะไร จะสร้างผลลัพธ์ในรูปแบบใด และถือว่างานเสร็จสิ้นเมื่อใด ซึ่งมีค่ามากกว่าที่คิด เพราะส่วนใหญ่ของผลลัพธ์ agent ที่ไม่ดีไม่ใช่เพราะโมเดลผิดพลาด แต่เป็นเพราะโมเดลปรับให้เหมาะสมกับรูปทรงคำตอบที่ไม่ถูกต้อง
สิ่งที่บุคลิกภาพทำไม่ได้คือการให้ข้อมูลที่โมเดลไม่มี นี่คือขีดจำกัดที่ผู้คนค้นพบภายในหนึ่งสัปดาห์ และมันแสดงให้เห็นอย่างชัดเจนที่สุดเกี่ยวกับ API
โหลด Backend Architect แล้วขอให้เขียนไคลเอ็นต์สำหรับบริการเรียกเก็บเงินภายในของคุณ มันจะสร้างโค้ดที่สะอาดและเป็นธรรมชาติโดยอิงจากรูปแบบการตอบกลับที่มันสร้างขึ้นเอง มันไม่มีทางรู้ได้ว่าบริการของคุณส่งคืน 409 พร้อมซองข้อผิดพลาดที่แตกต่างกันเมื่อคีย์ idempotency ซ้ำ หรือว่าเคอร์เซอร์การแบ่งหน้าไม่ชัดเจนมากกว่าที่จะเป็นออฟเซ็ต บุคลิกภาพทำให้โค้ดมีระเบียบมากขึ้น แต่มันไม่ได้ทำให้โค้ดถูกต้อง
ขีดจำกัดเดียวกันนี้ใช้กับแผนกทดสอบ บุคลิก QA จะเขียนการทดสอบอย่างละเอียดโดยอิงจากโมเดลความคิดของ API เอง ดังนั้นการทดสอบจึงผ่านและพิสูจน์อะไรไม่ได้ เราได้กล่าวถึงว่าทำไมลูปเฉพาะนั้นอันตรายใน การทดสอบ AI agent ที่ไม่เป็นไปตามธรรมชาติ และสิ่งที่พังเมื่อรูปร่างจริงเคลื่อนที่ไปใน จะเกิดอะไรขึ้นเมื่อการเปลี่ยนแปลง API ทำให้ AI agent พัง
วิธีแก้ไขคือการให้สัญญาแก่ agent แทนที่จะหวังว่าบุคลิกภาพจะชดเชย หาก API ของคุณได้รับการออกแบบใน Apidog ข้อมูลจำเพาะของ OpenAPI คือแหล่งความจริง: สคีมาจริง รหัสสถานะจริง ซองข้อผิดพลาดจริง Agent จะอ่านสิ่งเหล่านั้นแทนที่จะสร้างขึ้นใหม่จากจุดเรียกใช้ Mock จะถูกสร้างขึ้นจากข้อมูลจำเพาะเดียวกันนั้น รวมถึงส่วนของข้อผิดพลาดที่บุคลิกภาพไม่เคยคิดจะปลอม และชุดทดสอบจะล้มเหลวดังลั่นใน CI เมื่อความจริงและข้อมูลจำเพาะแตกต่างกัน
การจับคู่ดังกล่าวนั้นคือแบบจำลองความคิดที่มีประโยชน์ บุคลิกภาพเป็นตัวตัดสินว่า agent ทำงานอย่างไร ข้อมูลจำเพาะเป็นตัวตัดสินว่าอะไรคือความจริง การอ่านเพิ่มเติม: การใช้ข้อมูลจำเพาะ OpenAPI ของคุณเป็นเครื่องมือ agent และ การออกแบบสคีมาเครื่องมือ API สำหรับ agent หากคุณต้องการเชื่อมต่อข้อมูลจำเพาะแบบสดเข้ากับบริบทของ agent ของคุณ ดาวน์โหลด Apidog แล้วชี้ไปที่โปรเจกต์ปัจจุบันของคุณ
ข้อจำกัดที่สอง: บุคลิกภาพไม่ใช่ทีม
นี่คือสิ่งที่การเปรียบเทียบกับรายชื่อสัญญาไว้แต่ไม่ได้ส่งมอบ
ข้อเสนอคือการมีเอเจนซี่ที่สมบูรณ์แบบอยู่แค่ปลายนิ้วของคุณ ในทางปฏิบัติ คุณจะเปิดใช้งานบุคลิกภาพหนึ่งเดียวในหนึ่งเซสชัน มันจะทำงานหนึ่งอย่าง และเซสชันก็จะสิ้นสุดลง พรุ่งนี้คุณจะพิมพ์การเปิดใช้งานอีกครั้ง ไม่มีทีม เพราะไม่มีอะไรที่คงอยู่: ไม่มีการมอบหมาย ไม่มีบันทึกว่านักตรวจสอบความปลอดภัยพบอะไรเมื่อวันอังคารที่แล้ว และไม่มีทางที่เพื่อนร่วมงานจะเห็นสิ่งเหล่านั้น แปดในเก้าแผนกใน repository นี้อธิบายบทบาทที่มีความหมายเฉพาะภายในองค์กรเท่านั้น และเครื่องมือที่ติดตั้งสิ่งเหล่านั้นไม่มีแนวคิดเกี่ยวกับองค์กรเลย
หากคุณต้องการให้แนวคิดเกี่ยวกับรายชื่ออยู่รอดพ้นจากเซสชันเทอร์มินัลเดียว ชั้นที่ขาดหายไปคือการจัดการงาน Sharkly ถูกสร้างขึ้นมาเพื่อสิ่งนั้นโดยเฉพาะ และการแมปกับ agency-agents ก็ใกล้เคียงพอที่จะคุ้มค่าที่จะอธิบาย
- Agent ใน Sharkly คือการตั้งค่าที่บันทึกไว้ ไม่ใช่ prompt ที่คุณพิมพ์ซ้ำ มันเก็บคำแนะนำ, runtime, ทักษะ, repositories และสภาพแวดล้อม บุคลิกภาพที่คุณปรับแต่งแล้วครั้งหนึ่งจะถูกนำกลับมาใช้ใหม่ ซึ่งเป็นเวอร์ชันที่คงทนของสิ่งที่ไฟล์
.mdใน~/.claude/agents/พยายามจะทำ - Crew คือ agent หัวหน้าบวกกับ agent และคนอื่นๆ นี่คือแนวคิดของแผนกที่มีกลไกการทำงานจริง Crew ทำงานแบบหัวหน้าก่อน: หัวหน้าจะอ่านบริบทของงาน ตัดสินใจว่าจะดึงสมาชิกคนใดเข้ามา และรวมผลลัพธ์ของพวกเขาไว้ในที่เดียว แทนที่จะให้ผู้เชี่ยวชาญทุกคนเริ่มต้นพร้อมกันและรีบแข่งกัน
- งานถูกมอบหมาย ไม่ได้ถูกเรียกใช้ คุณมอบหมายงานให้ Agent เหมือนที่คุณมอบหมายให้เพื่อนร่วมทีม มันอยู่ในพื้นที่, โปรเจกต์, และ sprint พร้อมการซิงค์ Jira หากทีมของคุณทำงานที่นั่นอยู่แล้ว
- การดำเนินการคือการนำมาเอง คุณเชื่อมต่อ Computer ซึ่งอาจเป็นแล็ปท็อปของคุณ, เซิร์ฟเวอร์ หรือคอนเทนเนอร์ และ Sharkly ใช้ Runtime ที่ติดตั้งไว้แล้วในนั้น การสมัครสมาชิก Claude Code หรือ Codex ของคุณจะทำงาน; ไม่มีการขายโทเค็นให้คุณซ้ำ
- ผลลัพธ์สามารถตรวจสอบได้ ความคืบหน้า การเรียกใช้เครื่องมือ และผลลัพธ์จะถูกส่งกลับไปยังงาน และผลลัพธ์ของ agent จะปรากฏเป็นความคิดเห็นที่คุณสามารถตอบกลับได้ งานใน Backlog จะไม่เริ่มการทำงาน ดังนั้นคุณสามารถเตรียมงานก่อนที่จะมีการดำเนินการใดๆ
พูดง่ายๆ ก็คือ agency-agents ให้คำอธิบายงานแก่คุณ และ Sharkly ให้สถานที่ที่งานเหล่านั้นจะถูกมอบหมาย ดำเนินการ และตรวจสอบ ใช้ repository เป็นไลบรารีของคำจำกัดความบทบาทเพื่อสร้าง Agents จริง แทนที่จะเป็นโฟลเดอร์ที่คุณติดตั้งแล้วลืมไป
การเขียนของคุณเอง โดยใช้ของพวกเขาเป็นเทมเพลต
สิ่งที่ทนทานที่สุดที่ repository นี้มอบให้คุณคือรูปแบบ เมื่อคุณอ่านไฟล์ไม่กี่ไฟล์แล้ว การเขียนบุคลิกภาพสำหรับสแตกของคุณเองใช้เวลาประมาณสิบห้านาที และบุคลิกภาพเฉพาะบ้านจะดีกว่าบุคลิกภาพทั่วไปเสมอ
โครงสร้างที่ซ้ำกันในไฟล์ที่ดี:
- อัตลักษณ์และน้ำเสียง Agent นี้คือใครและพูดอย่างไร ฟังดูเป็นแค่เครื่องสำอาง และเป็นส่วนที่หยุดไม่ให้ agent กลับไปเป็นโหมดผู้ช่วยทั่วไปกลางคันในงานที่ยาวนาน
- ภารกิจหลัก ประโยคเดียวที่บอกว่าความสำเร็จหมายถึงอะไร ไฟล์ Codebase Onboarding Engineer เป็นตัวอย่างที่ชัดเจน: สำรวจแบบอ่านอย่างเดียว ติดตามเส้นทางโค้ด ระบุข้อเท็จจริงเกี่ยวกับโครงสร้างและพฤติกรรม ไม่เสนออะไรเลย
- กระบวนการทำงาน ขั้นตอนที่เป็นระเบียบที่ agent ปฏิบัติตาม นี่คือส่วนที่คุ้มค่าแก่การขโมย บุคลิกภาพการตรวจสอบที่มีกระบวนการเจ็ดขั้นตอนสร้างผลลัพธ์ที่สอดคล้องกันตลอดเซสชัน; หากไม่มีกระบวนการนั้นจะสร้างสิ่งที่โมเดลรู้สึกอยากทำในวันนั้น
- ผลลัพธ์ที่ส่งมอบ สิ่งประดิษฐ์ที่เป็นรูปธรรม พร้อมรูปแบบ ระบุ "ตาราง markdown ของผลการค้นพบพร้อมระดับความรุนแรง เส้นทางไฟล์ และหมายเลขบรรทัด" แทนที่จะเป็น "รายงาน"
- ตัวชี้วัดความสำเร็จ Agent รู้ได้อย่างไรว่างานเสร็จสิ้น ซึ่งเป็นสิ่งที่คุณใช้ตรวจสอบการทำงานของมัน
เวอร์ชันภายในสำหรับงาน API อาจมีลักษณะเช่นนี้:
# ผู้ตรวจสอบสัญญา API
## ภารกิจ
ตรวจสอบว่า endpoints ใหม่หรือที่เปลี่ยนแปลงตรงกับ OpenAPI spec ใน repository นี้
ก่อนที่จะถึงขั้นตอนการตรวจสอบ รายงานความไม่ตรงกัน ห้ามแก้ไขโค้ด
## กระบวนการ
1. อ่าน spec สำหรับทุก endpoint ที่มีการเปลี่ยนแปลงใน diff ปัจจุบัน
2. สำหรับแต่ละ endpoint เปรียบเทียบ handler กับ spec: รหัสสถานะ,
response schema, error envelope, required headers, pagination style
3. รัน contract tests บันทึกความล้มเหลวตามตัวอักษร
4. ตรวจสอบว่า endpoints ใหม่ถูกเพิ่มเข้าใน spec ไม่ใช่แค่ใน router
5. ระบุฟิลด์การตอบกลับใดๆ ที่มีอยู่ในโค้ดและไม่มีอยู่ใน spec
## ผลลัพธ์
ตาราง: endpoint, method, ประเภทความไม่ตรงกัน, บรรทัด spec, บรรทัดโค้ด, ความรุนแรง
ไม่มีสรุปข้อความ ไม่มีข้อเสนอแนะในการแก้ไขเว้นแต่จะถูกร้องขอ
## เสร็จสิ้นเมื่อ
ทุก endpoint ใน diff ปรากฏในตารางพร้อมคำตัดสิน และ
ผลลัพธ์ของ contract test ถูกรวมไว้เป็นหลักฐาน
ไฟล์นั้นสั้น และมีประโยชน์ต่อทีมแบ็คเอนด์มากกว่าบุคลิกวิศวกรรม 59 ตัวที่มาพร้อมกับ repo เนื่องจากมันระบุ spec, การทดสอบ และคำจำกัดความของงานที่เสร็จสิ้นของคุณ ขั้นตอนที่สามคือส่วนที่สำคัญ: บุคลิกภาพได้รับคำสั่งให้สร้างหลักฐานแทนที่จะเป็นความคิดเห็น ซึ่งเป็นความแตกต่างระหว่างการตรวจสอบที่คุณสามารถดำเนินการได้และย่อหน้าของการรับรอง
กลอุบายเดียวกันนี้ใช้ได้กับการรับมือเหตุการณ์ การย้ายข้อมูล การอัปเกรดการพึ่งพา และการเริ่มต้นใช้งาน นำโครงสร้างไฟล์ ใช้กระบวนการอย่างมีวินัย แทนที่เนื้อหาทั่วไปด้วยเนื้อหาของคุณเอง เมื่อผลลัพธ์ของ agent ต้องอยู่รอดผ่านการส่งมอบให้กับมนุษย์หรือ agent อื่น สัญญาด้านรูปแบบจะทำงานส่วนใหญ่ ซึ่งเป็นประเด็นที่เรากล่าวไว้ใน การส่งมอบ agent และการส่งบริบท
จำนวนดาวมีความหมายหรือไม่?
149,312 ดาวเป็นจำนวนมาก และสมควรได้รับการเตือน Repository ของบุคลิกภาพรวบรวมดาวเร็วกว่าหมวดหมู่อื่นๆ เกือบทั้งหมด เนื่องจากเข้าใจง่าย แบ่งปันง่าย และลองใช้ได้ฟรี ดาวหมายความว่ามีคนคิดว่านี่เป็นความคิดที่ดี ไม่ใช่ว่าพวกเขายังคงใช้มันอยู่
สิ่งที่ทำให้ repo นี้น่าเชื่อถือคือรูปแบบของงานมากกว่าตัวเลข มันมีประวัติการร่วมสร้างจริงตั้งแต่เดือนตุลาคม 2025 ได้รับอนุญาตภายใต้ MIT มีการบันทึกข้อจำกัดของตัวเองรวมถึงขีดจำกัดการลงทะเบียนของ OpenCode และไฟล์ agent มีเนื้อหาโดเมนเฉพาะเจาะจงมากกว่าเนื้อหาบทบาททั่วไป ลองเปรียบเทียบกับ repo "awesome prompts" หลายตัวที่ถึงจุดสูงสุดแล้วหยุดไป
ตัดสินโดยการเปิดไฟล์สามไฟล์ในแผนกที่คุณรู้จักดี หากไฟล์ Frontend Developer พูดในสิ่งที่นักพัฒนา Frontend ที่ดีจะพูด ส่วนที่เหลือก็อาจจะใช้ได้ หากอ่านแล้วเหมือนประกาศรับสมัครงาน ก็ข้าม repo นี้ไปได้เลย
วิธีที่จะได้รับคุณค่าจากมันอย่างแท้จริง
ขั้นตอนการทำงานที่มั่นคง:
- ติดตั้งหนึ่งแผนก เลือกแผนกที่ตรงกับงานประจำวันของคุณ ส่วนใหญ่จะเป็นวิศวกรรมสำหรับผู้อ่านส่วนใหญ่
- อ่านไฟล์ สี่หรือห้าไฟล์ ตั้งแต่ต้นจนจบ คุณกำลังมองหาส่วนกระบวนการ ซึ่งเป็นส่วนที่คุ้มค่าที่จะเก็บไว้
- แก้ไขพวกมัน เพิ่มสแต็คของคุณ ข้อตกลงของคุณ คำจำกัดความของงานที่เสร็จสิ้น บุคลิกที่อธิบายร้านค้า React ทั่วไปมีค่าน้อยกว่าไฟล์เดียวกันที่มีกฎการทดสอบของคุณอยู่
- ให้บุคลิกที่แก้ไขแล้วได้รับอินพุตจริง นักตรวจสอบความปลอดภัยที่มี OpenAPI spec ของคุณจะพบปัญหาในสัญญา นักตรวจสอบคนเดียวกันที่ไม่มีมันจะสร้างรายการตรวจสอบ
- โปรโมตบุคลิกที่ติดอยู่ บุคลิกใดๆ ที่คุณใช้สองครั้งต่อสัปดาห์ควรกลายเป็น Saved Agent ในระบบจัดการงาน แทนที่จะเป็นไฟล์ที่คุณคัดลอกระหว่างเครื่อง
ขั้นตอนสุดท้ายคือที่ที่ทีมจะขยายขนาดสิ่งนี้หรือละทิ้งมันอย่างเงียบๆ
คำถามที่พบบ่อย
agency-agents ใช้งานได้กับ Cursor และ Codex หรือเฉพาะ Claude Code เท่านั้น? ได้ทั้งหมด สคริปต์ convert.sh จะสร้างไฟล์รวมสำหรับแต่ละเครื่องมือ และ install.sh --tool จะกำหนดเป้าหมายเครื่องมือเฉพาะ รองรับ Claude Code, Cursor, Codex, Gemini CLI, OpenCode, Copilot, Windsurf, Aider, Kimi Code และอื่นๆ อีกหลายตัว หากคุณกำลังเปรียบเทียบไคลเอ็นต์ agent สำหรับงาน API โปรดดู มุมมองของเราเกี่ยวกับไคลเอ็นต์ API ใน Cursor และ Copilot
ฉันควรติดตั้ง agent ทั้งหมด 300 ตัวหรือไม่? ไม่ OpenCode คุณทำไม่ได้ เพราะ runtime จะลงทะเบียนได้ประมาณ 119 ตัวและละทิ้งส่วนที่เหลืออย่างเงียบๆ ในเครื่องมืออื่น ๆ คุณสามารถทำได้ทางเทคนิค แต่คุณจะไม่ได้ใช้ส่วนใหญ่เลย ติดตั้งตามแผนก
บุคลิกภาพทำให้ agent ฉลาดขึ้นหรือไม่? พวกมันทำให้ agent มุ่งเน้นได้ดีขึ้น ความแม่นยำในคำถามเกี่ยวกับข้อเท็จจริง รวมถึงสิ่งที่ API ของคุณส่งคืน จะไม่เปลี่ยนแปลง สิ่งนั้นต้องใช้ข้อกำหนดที่แท้จริง ซึ่งเป็นข้อโต้แย้งใน คุณยังต้องการเครื่องมือ API ในยุคของ AI agent อยู่หรือไม่
การรันสคริปต์ติดตั้งปลอดภัยหรือไม่? มันจะเขียนไฟล์กำหนด agent ลงในไดเรกทอรีการตั้งค่าของเครื่องมือของคุณ นั่นคือวัตถุประสงค์ของมัน ได้รับอนุญาตภายใต้ MIT โดยมีซอร์สโค้ดเต็มรูปแบบ และ --dry-run จะแสดงให้คุณเห็นว่ามันจะทำอะไรก่อนที่จะทำจริงๆ รัน dry run ก่อน หลักการทั่วไปสำหรับสิ่งที่คุณอนุญาตให้ agent สัมผัสได้อยู่ใน AI agent guardrails
ความแตกต่างระหว่างสิ่งนี้กับกรอบงาน agent คืออะไร? หากคุณต้องการให้บุคลิกภาพทำงานพร้อมกันหลายตัวแทนที่จะเป็นหนึ่งตัวต่อเซสชัน นั่นคือ Orca กรอบงานอย่าง Strands หรือ AgentKit ให้การจัดการรันไทม์ในโค้ด agency-agents ให้ไฟล์ markdown ที่เปลี่ยนวิธีการทำงานของ agent ที่มีอยู่ ชั้นที่แตกต่างกัน ไม่มีการทับซ้อนกัน
สรุป
agency-agents คือเวอร์ชันที่ดีที่สุดของแนวคิดเฉพาะ: agent ของคุณจะทำงานได้ดีขึ้นเมื่อมันรู้ว่ากำลังเล่นบทบาทอะไร ติดตั้งแผนกหนึ่ง อ่านไฟล์ แก้ไขให้เข้ากับทีมของคุณ และคุณจะได้รับคุณค่าที่แท้จริงจากการตั้งค่าประมาณยี่สิบนาที
จากนั้นก็ยอมรับสองสิ่งที่ไม่สามารถแก้ไขได้ บุคลิกภาพไม่รู้ว่า API ของคุณส่งคืนอะไร ซึ่งเป็นสิ่งที่ Apidog มีไว้ และพวกมันไม่คงอยู่เป็นสิ่งที่ทีมสามารถเห็นหรือตรวจสอบได้ ซึ่งเป็นสิ่งที่ Sharkly มีไว้ รายชื่อเป็นจุดเริ่มต้นที่ดี แต่มันไม่ใช่องค์กร และไม่ใช่แหล่งความจริง