Agency Orchestrator
中文 | English
一句话,让多个 AI 角色自动协作,几分钟出完整方案。
Power your agent
Perintah milik penerbit sendiri. Bukan endpoint PlugMCP.
Host a copy with our keys and logs.
npx -y [email protected]Claude Code tidak punya tautan instal untuk perintah lokal. Salin perintah di bawah dan jalankan di terminal.
claude mcp add agency-orchestrator -- npx -y agency-orchestrator@0.21.1Jalankan di terminal.
{ "mcpServers": { "agency-orchestrator": { "command": "npx", "args": [ "-y", "[email protected]" ] } }}claude_desktop_config.json
URL remote atau perintah di mesin Anda? Perbedaan kedua cara instal
Jalankan di PlugMCP
A new server you create. It is not this listing's official endpoint. Use the publisher install when you want their URL and their credentials.
BukaDari penerbit
中文 | English
一句话,让多个 AI 角色自动协作,几分钟出完整方案。
Multi-agent YAML workflow engine — 276 CN + 191 EN + 5 more language libraries of AI roles, auto DAG parallelism, zero code. One sentence → multiple AI roles collaborate → complete plan in minutes. 20+ API providers, plus 10 key-free options (coding-CLI s
也是你的「一人公司」:你当老板,AI 当团队——自动组队、重大决策请你签字、按验收标准交付。
一句话出结果 · 276 个专业 AI 角色 · YAML 零代码 · 20+ 家 API(推荐 DeepSeek)· 10 种免 key 方式
📖 完整上手教程(从安装到实战,10 分钟上手) · 🎓 官方配套课程:AI 专家团队实战(35 节免费,桌面端零代码:单兵点名→自动组队→一人公司全流程,含官方评测的诚实用法边界)· 另有 AI 内容流水线(31 节免费——用 AO 产线真实生产两门课的全过程留档:蒸馏、换角色审核、机械闸门、断点续跑,含七类翻车现场)+ 从零学会 AI 编程(182 节)+ 从零构建 AI 智能体(40 节)(站上共 14 门课、700 节,全部 ¥0——另有 大模型原理 / AI 绘画 / 写小说 / 漫剧 / 量化 / DeepSeek / 深度专注 等)
觉得有用?请点个 Star — 帮助更多人发现这个项目。
感谢 APIMart 赞助了本项目!APIMart 是专注 AI 图片/视频生成的低价 API 平台,GPT-Image-2 低至 $0.006/张,1 美元可出图 160+ 张。图片、视频一套异步 API 通吃,提交任务拿 ID、回调取结果,跑批万张不超时、换模型不改代码。按量付费、无月费,🎁 通过此链接注册即可开用!
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。
先跑起来
acceptance),投研含老板签字闸门,交付的是可验收的工作成果,不承诺奇迹改成你要的样子
~/.ao/roles),组队页「我的」分类直接用;角色卡可 ☆ 收藏常用npm i agency-agents-ko(ko / ru / pt-br / id / ar)后,Studio「角色库」下拉一键切换,工作流 agents_dir 写包名即可跑type: image 文生图、type: video 文生视频 / 图生视频(首帧 = 上游定妆图,角色不变脸)、type: concat 本机 ffmpeg 多镜合成、15 个预设的风格库;内置模板「短剧流水线(3 镜)」把它们串成 剧本 → 定妆图 → 三镜并行出片 → 合成 → 交付页。图片/视频供应商在 Studio 右上角统一切换,换赞助商就是换下拉,按秒计费看得见跑完把成果发出去
ao report):专家分工时间线 + 每步产出的自包含单文件 HTML,直接发群里,对方无需装 AOao run --notify <webhook> 跑完自动推到钉钉 / 飞书 / 企业微信群(按域名自动适配机器人格式),配合 cron 就是"AI 团队每天定点交活"只有 AO 有的一件事:安全切换服务商 + 一键急救
把系统 Claude 一键切到任意中转,写进全局配置、任意终端 claude 直接生效——写前自动备份、可一键切回官方登录、绝不碰你的官方 OAuth 凭据。被别的切换器或手改写坏了 ~/.claude(假 token 顶掉登录、整机 CLI 用不了)?「系统 Claude Code 体检」卡一键修复。
别的工具什么都能切,但可能把你环境切坏;AO 只做一件事——安全地切,还能修好被切坏的。 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。
也可以纯命令行——一条命令,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 276 个角色中匹配 → 按 DAG 并行执行 → 输出完整方案。
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。
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。
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。- Docker / NAS 部署(amd64/arm64):
docker run -d -p 8088:8088 -v ao-data:/data ghcr.io/jnmetacode/agency-orchestrator:latest,打开http://主机IP:8088,密钥在页面「供应商」里配(存进挂载卷,重启不丢)。也可用仓库根的 docker-compose.yml 一键起。- 把 Studio 暴露到内网时上把锁:启动前设
AO_WEB_TOKEN=<一串口令>,然后用http://<地址>:8088/?token=<口令>打开一次(令牌存进该标签页、随即从地址栏抹掉)。不设 = 现在的行为不变,但监听在非回环地址时启动会提醒你——同一网络内任何人都能用你保存的 key 跑任务。- 通过域名 / 反向代理访问网页版:本机启动的 Studio 只接受
localhost/127.0.0.1的请求(防 DNS 重绑定,别的网页借此偷不到你存的 key)。要用自己的域名访问时,启动前设AO_ALLOWED_HOSTS=studio.example.com(多个用逗号分隔)。Docker 镜像监听0.0.0.0、没有登录鉴权——只放在可信内网,别直接暴露到公网。
# 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
# 用 70 个内置模板(57 个中文 + 13 个英文)
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 -i [email protected] -i pr_description="修复登录超时"
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 19 个 AI 工具(集成指南)。
大厂 AI 工作台的卖点是"替你操作电脑"。我们的答案是分工:AO 负责想清楚,编程 Agent 负责干出来——方案是多专家评审过的,执行是真实编码 Agent 做的,中间没有黑盒,产物全程归你:
# ① 多专家把需求想清楚(澄清 → 计划 → 项目脚手架),代码块直接落盘成真实文件
ao run workflows/需求转项目脚手架.yaml -i idea="一个自动记账的命令行小工具" --materialize ./my-app
# ② 把 276 个专家角色装进你的编程工具(claude-code / cursor / copilot / workbuddy…)
ao install --tool claude-code --lang zh
# ③ 交给编程 Agent 接着干——脚手架和专家角色都已就位
cd my-app && claude "按计划把项目补全到可运行,并跑通测试"
想让方案和代码对得上,用一条流水线从想法走到代码——PRD 和技术方案直接喂给写代码的步骤,最后一步对照「不做清单」查偏差:
ao run workflows/一人公司-方案到代码.yaml -i idea="一个自动记账的命令行小工具" \
-i constraints="Node.js CLI,数据存本地 JSON" --materialize ./my-app
每一步产物都在 ao-output/ 与你的项目目录里:可复跑(--resume)、可带意见返工(--feedback)、可出分享报告(ao report)。方案错了改方案、代码错了改代码,永远知道错在哪一层。
$ 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)。
用 AO 造出来的完整产品:开片 OpenShorts —— 本地优先的短视频生产线 (口播科普 + AI 短剧两条线,复用 AO 的角色、工作流与视频供应商),官网看真实成片 ↗。
name: "产品需求评审"
agents_dir: "agency-agents-zh"
llm:
provider: "deepseek" # 免 API key: claude-code / antigravity-cli / copilot-cli / codex-cli / openclaw-cli / hermes-cli / codebuddy-cli / cline-cli / opencode-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}}"
acceptance: "1. 明确给出通过/不通过结论 2. 列出必须解决的问题" # 可选:验收标准,注入 prompt 并作评审依据
assert: # 可选:机械断言(纯函数,不过模型)。模型审内容,脚本审结构
emits_files: 6 # 产出里必须恰好 6 个文件块(与 --materialize 同一套解析)
min_bytes: 2000 # 最小字节数,防截断
matches: { "^## ": 6 } # 正则命中次数(裸模式默认多行)
contains: ["## 验收清单"] # 必须出现的字面串
# 未过 = 定向返工一轮,仍不过则该步失败(缺件产物不放行)
depends_on: [tech_review, design_review]
引擎自动:
tech_review 和 design_review 并发执行{{变量}} 在步骤间传递输出ao-output/analyze ──→ tech_review ──→ summary
└→ design_review ──┘
(并行)
统计口径(以源码为准):免 key = 复用已登录订阅的 9 个编码 CLI(Claude Code / Antigravity / Copilot / Codex / OpenClaw / Hermes / CodeBuddy / Cline / OpenCode)+ 本地 Ollama;不含已停服的 Gemini CLI;DeepSeek Harness 需要
DEEPSEEK_API_KEY,不计入免 key。API = 下方官方直连 + 赞助商 / 聚合中转平台(见src/connectors/api-providers.ts),另支持任意 OpenAI 兼容接口。
你已经有这些会员了吧?直接就能跑:
💡 用 AWS Bedrock / Google Vertex 跑 Claude Code 的(没有 API key,走云凭证):照样用
provider: "claude-code", 不用额外配置 —— AO 调的就是你本机的claude命令,CLAUDE_CODE_USE_BEDROCK/AWS_*等环境变量会原样传给它。 只要claude -p "你好"能跑通就行。两个注意点: ① AO 默认在空临时目录里启动claude(避免你项目的 CLAUDE.md、记忆混进角色输出),所以这些配置要放在全局 —— shell 环境变量或~/.claude/settings.json,别只放在某个项目的.claude/settings.json里; ②model留空或写claude-code即可沿用你在 Claude Code 里配的模型;要指定就填 Bedrock/Vertex 的模型 ID。
⚠️ 模型能力决定多智能体的价值:我们用质量评测验证过(见 EVAL_FINDINGS.md,网页版:中文 / English)——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):
需要代理才能访问的官方 API(OpenAI / Gemini / xAI / Claude 等):AO 会读
HTTPS_PROXY/HTTP_PROXY/ALL_PROXY自动走代理—— Node 的fetch默认不读这些变量,这正是"curl 能通、AO 连不上"的头号原因,AO 替你接上了。 本机地址(localhost/127.0.0.1等)永远直连,不会被绕进代理,所以 Ollama、Studio 自身不受影响; 你自己写的NO_PROXY会被保留。想彻底关掉这层接管:AO_NO_PROXY=1。
这几家都不预设默认模型(各家模型编码互不通用,写死一个就是给你埋一个"跑起来才发现模型不存在"): 在 YAML 里写
model:,或在 Studio 供应商页配好 key 后点「获取模型列表」拉真实全量。 Gemini 的 key 变量名特意不叫GEMINI_API_KEY——那个名字被 gemini-cli 占着,共用会把你本机的 CLI 一起改道。
自定义 API(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
.env 读两处,优先级:shell 环境变量 > 当前目录 ./.env(项目级) > ~/.ao/.env(用户级)。
配一次就想在任何目录下都生效,写 ~/.ao/.env(和 ~/.ao/teams、~/.ao/prompts 同一个地方)。
常见示例:
⚠️ 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。
💡 网页 Studio 里更简单:「供应商」面板支持直接添加自定义供应商(任意 OpenAI 兼容 endpoint,带 SiliconFlow / OpenRouter / 火山方舟 / 智谱 / Kimi 等常见预设,点一下自动填 base_url),加完即可在顶部下拉切换使用。Claude Code / Gemini CLI / Codex 卡片还支持配置第三方中转(填中转商的 base_url + token,跳过官方账号登录)。
ao demo # 零配置体验多智能体协作
ao init # (可选)复制 276 个中文角色到本地以便编辑
ao init --lang en # (可选)复制 191 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 <workflow.yaml> # 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 <名字> "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 <workflow.yaml> [选项] # 执行工作流
ao validate <workflow.yaml> # 校验(不执行)
ao plan <workflow.yaml> # 查看执行计划(DAG)
ao explain <workflow.yaml> # 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)
一句话描述需求,AI 自动从 276 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:
depends_on、变量串联的完整 YAMLworkflows/ — 直接 ao run 就能跑支持 --provider 和 --model 参数(默认使用 DeepSeek)。
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。 自建单个角色:放~/.ao/roles/<id>.md(与内置库叠加),工作流里用my/<id>引用;Studio「角色组队 → 我的」可视化增删。 多语言角色库:npm i agency-agents-ko(另有pt-br/ar/id/ru),工作流agents_dir: "agency-agents-ko",Studio 角色页出现「角色库」下拉。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)。
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。
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。
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 ceo_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。
--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。
--notify <url> 让工作流跑完自动把结果推到群里——按 webhook 域名自动适配钉钉 / 飞书 / 企业微信自定义机器人的消息格式(其他地址发通用 {text},Slack 也认),配合系统 cron 就是一条"AI 团队每天定点交活"的流水线:
# 手动跑一次并推送到飞书群
ao run workflows/tech-blog.yaml -i topic="今日 AI 要闻" --notify https://open.feishu.cn/open-apis/bot/v2/hook/xxx
# crontab -e:每天早上 8 点自动生成行业简报并推到钉钉群
0 8 * * * cd ~/work && ao run workflows/tech-blog.yaml -i topic="今日 AI 要闻" --notify https://oapi.dingtalk.com/robot/send?access_token=xxx
钉钉机器人若开了"自定义关键词"安全设置,把关键词设为
AO即可(推送文案固定包含)。也可以用环境变量AO_NOTIFY_URL代替参数。推送失败只提示一行,绝不影响运行本身。想看完整产出?ao report last生成可分享的单文件报告页。
跑出满意的成果后,一条命令得到能直接发给任何人的静态页面(专家分工时间线 + 每步产出 + 最终成品,双击即开、无需装 AO):
ao report # 渲染最近一次运行 → <run>/report.html
ao report <dir> # 渲染指定运行目录
网页 Studio 的运行详情里也有「分享页」按钮,一样的效果。
「AI 帮我做完了」——到底做了多少,人插手了多少?账本把这笔账算清楚:
# 工作流之外的人工操作,手记一条(原因四选一:unsupported / quality / judgment / external)
ao ledger add "人工部署到服务器" --reason unsupported --minutes 20 --run last
# 按天汇总:运行数、AI 完成步骤、人工节点、手记、人工耗时、token → AI 自主率(markdown,可直接贴进复盘)
ao ledger report --since 2026-09-22 --out 复盘-账本.md
工作流里的 approval / human_input 节点自动计为人工,不用手记;--resume / --feedback 复用的旧步骤不重复计入。账本默认读命令行的运行目录(ao-output);网页 Studio 的运行记录在 Studio 数据目录下的 ao-output,用 ao ledger report --output <该目录> 指过去。AI 自主率 = AI 完成步骤 ÷(AI 完成步骤 + 人工节点 + 手记介入),按次数算、不按工作量,不折算金额——口径随报告一起输出,不藏。
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 }
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。
编辑器补全与即时校验:在工作流文件第一行加上
# yaml-language-server: $schema=https://ao.aiolaola.com/schemas/workflow.schema.json,VS Code(装 YAML 扩展)/ JetBrains / Neovim 里就有字段补全、悬停说明和拼写检查——depend_on、type: vidoe这类手误写下去就标红,不用等到运行。离线可指向随包发布的node_modules/agency-orchestrator/schemas/workflow.schema.json。 依赖成环、变量未定义、角色不存在这类跨字段检查仍由ao validate负责。
只列用户会用到的;测试 / 内部用的(AO_WEB_INPUT、AO_NODE、AO_SSY_CATALOG_HOST …)不在此列。
每次运行保存到 ao-output/<名称>-<时间戳>/:
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
├── assets/ # type: image / video / tts 的产物(png / mp4 / mp3)
├── compare.md # 只有跑了 --compare 才有:评审结论 + 基线用的提示词 + 两份完整产出
├── report.html # 只有跑了 `ao report` 才有:自包含单文件,可直接发给别人
└── metadata.json # 耗时、token 用量、步骤状态
workflows/,Studio「工作流模板」按类目列出)你的 AI 会员 ──→ agency-orchestrator ──→ 400+ 个 AI 角色协作 ──→ 高质量输出
│ (276 中文 + 191 英文 + 5 语种)
┌────────────────┼────────────────┐
▼ ▼ ▼
18 个 AI 工具 CLI 模式 MCP Server
(Cursor/Claude (自动化/CI/CD) (Claude Code/
Code/Copilot...) Cursor 直接调用)
微信公众号 「AI不止语」(微信搜索 AI_BuZhiYu)— 技术问答 · 项目更新 · 实战文章
ao explain、ao init --workflow、--watch 模式ao serve)、14 个 AI 工具集成、一键安装脚本、32 个工作流模板、10 种 LLM(7 种免 API key:Claude Code / Gemini / Copilot / Codex / OpenClaw / Hermes / Ollama)ao compose --run 一句话出结果、实时流式输出、智能重试(指数退避)、步骤级模型覆盖、Agent 身份标识参见 CONTRIBUTING.md,欢迎 PR!
Windows 当前发布包未签名;SignPath 免费签名申请已提交,等待审核,尚未获批。Code signing policy · 联网与数据说明 · 申请评估
Multi-agent YAML workflow engine — 276 CN + 191 EN + 5 more language libraries of AI roles, auto DAG parallelism, zero code. One sentence → multiple AI roles collaborate → complete plan in minutes. 20
{ "mcpServers": { "agency-orchestrator": { "command": "npx", "args": [ "-y", "[email protected]" ] } }}Ringkasan umum
Multi-agent YAML workflow engine — 276 CN + 191 EN + 5 more language libraries of AI roles, auto DAG parallelism, zero code. One sentence → multiple AI roles collaborate → complete plan in minutes. 20+ API providers, plus 10 key-free options (coding-CLI s
Tool
Belum ada daftar tool. Server remote mendapatkannya setelah pemeriksaan kesehatan pertama.
FAQ
Salin konfigurasi stdio untuk Cursor, Claude Desktop, Claude Code, atau VS Code di halaman ini. Konfigurasi ini memakai instalasi dari penerbit, bukan proxy PlugMCP.
Tidak ada variabel lingkungan wajib yang tercantum di catatan ini.
Agency Orchestrator berjalan secara lokal melalui stdio.
Terakhir diperiksa 2026-11-16. Multi-agent YAML workflow engine — 276 CN + 191 EN + 5 more language libraries of AI roles, auto DAG parallelism, zero code. One sentence → multiple AI roles collaborate → complete plan in minutes. 20+ API providers, plus 10 key-free options (coding-CLI s