144个专业AI Agent开源了,每个都只做一件事

上周我在看一个 GitHub 项目，144 个 AI Agent，每个只干一件事。

不是大而全的通用助手，是真正的专业分工——专门做代码 Review 的、专门做公众号运营的、专门帮你构建 MCP Server 的。我翻完整个项目，有一个感觉：大多数人用 AI 效率低，不是因为模型不够强，是因为你一直在用通才做专才的活。

这个项目叫 agency-agents，MIT 开源，GitHub 地址：https://github.com/msitarzewski/agency-agents。我挑了 5 个最值得技术人用的，拆给你看。

为什么「专业化」比「全能」更好用

用过 ChatGPT/Claude 做代码 Review 的人都懂那个感觉——它给你的反馈宽泛到没用，说「可以考虑优化性能」，但不告诉你哪行代码有问题、为什么有问题、怎么改。

原因很简单：通用模型没有岗位意识。你问它什么它就答什么，但它不知道「我现在是 Code Reviewer，我的职责是找 🔴 Blocker、🟡 Suggestion、💭 Nit，要解释原因，要给改法」。

agency-agents 做的事情，就是把岗位意识写进 Agent 的 Prompt：

•明确角色（是谁）•明确交付物（做什么、产出什么）•明确工作流（先做什么、再做什么）•明确成功标准（达到什么算完成）

这不是新概念，但 144 个 Agent 把它做到了很高的完成度——每个都是经过迭代验证的，不是随手写的 Prompt 模板。

5个最值得用的 Agent

1. Code Reviewer — 专门挑你 Bug 的那个

一句话： 给代码做体检的，每个问题分优先级，还告诉你为什么要改。

它的工作方式是固定的检查清单：

•🔴 必须改：SQL 注入、XSS、数据丢失风险、未处理的错误路径•🟡 建议改：缺少输入校验、命名混乱、关键路径没有测试•💭 顺手改：细节优化，不影响功能

最关键的规则是「说具体位置，说为什么，给改法」——不是「这里有安全问题」，而是「第 42 行的 SQL 拼接可能导致注入，建议改用参数化查询」。

对独立开发者来说，自己写代码自己 Review，用这个 Agent 跑一遍，比随手问 ChatGPT 要有效得多。

2. MCP Builder — 给 AI 造工具的

一句话： 专门构建 MCP Server，帮你把任何 API/数据库/工作流变成 AI Agent 可以调用的工具。

MCP（Model Context Protocol）是 Anthropic 推的开放协议，现在 Claude、OpenClaw、Cursor 等工具都支持。简单说就是：你写一个 MCP Server，AI 就能调用你的自定义工具。

这个 Agent 的核心执念是「工具描述即 UI」：

•工具名要自解释：用 search_tickets_by_status 而不是 query•描述要告诉 Agent「什么时候调我」，不只是「能做什么」•参数用 Zod/Pydantic 严格类型验证，不接受 Agent 乱传参•出错要返回有用的错误信息，不是直接崩掉

如果你在用 OpenClaw，这个 Agent 直接对口——写一个连你公司内部 API 的 MCP Server，让你的 Agent 直接操作内部系统。

3. WeChat Official Account Manager — 公众号增长专家

一句话： 不是帮你写文章的，是帮你做公众号增长策略的。

这是我见过的公众号垂类 Agent 里最完整的一个。它的工作框架是 60/30/10 法则：

•60% 价值内容（干货、教程、洞见）•30% 社区互动内容（话题、投票、提问）•10% 推广内容（产品、活动）

它给的指标是具体的：打开率目标 30%+（行业均值 20-25%）、链接点击率 5%+、粉丝月增 10-20%。

不一定每个指标都能达到，但至少它让你知道努力的方向在哪里，而不是凭感觉发文章。

4. Xiaohongshu Specialist — 小红书增长

一句话： 专注小红书生态的内容策略，懂算法、懂「种草」文化、懂怎么做 Z 世代受众。

这个 Agent 存在本身就说明了一件事：中国平台需要专门的 AI，通用 Agent 不懂小红书的内容逻辑。

它把小红书的内容底层逻辑拆得很清楚：

•视觉先行（图/封面是第一关）•真实感 > 精致感（硬广不如真实体验）•关键词在标题和正文里自然植入，影响搜索推荐权重

对想做小红书的人来说，这个 Agent 提供的不只是写文案，而是内容策略思路。

5. AI Engineer — 落地 ML 的工程向 Agent

一句话： 不是讲 AI 概念的，是帮你把模型真正部署进生产系统的。

它覆盖的技术栈：PyTorch/TensorFlow、Hugging Face、FastAPI + MLflow 部署、Pinecone/Qdrant 向量数据库、RAG 系统搭建。

最有价值的是它的工作流设计：从需求分析到数据评估，到模型训练，到生产部署，到监控和自动重训练——这是一套完整的 MLOps 流程，不是只会跑 demo。

如果你在做 RAG 应用或者本地模型部署，这个 Agent 能帮你少踩很多坑。

怎么在 OpenClaw 里用

项目支持直接安装到 OpenClaw：

# 第一步：生成 OpenClaw 格式文件cd agency-agents./scripts/convert.sh --tool openclaw# 第二步：安装到本地./scripts/install.sh --tool openclaw# 第三步：重启 Gatewayopenclaw gateway restart

安装完成后，每个 Agent 会变成一个独立的 OpenClaw workspace，按 agentId 激活就能用。

说在最后

144 个 Agent，大多数人不会全用。

我的建议是：按自己的工作场景选 3 个，认真用两周，观察有没有改变效率。 不要贪多，每个 Agent 的价值在于「它替你思考了这个岗位应该怎么工作」，你得给它时间真正融入你的工作流。

通才 AI 让你什么都能做，专才 AI 让你把一件事做好。两者不是对立的，是配合的。

你现在工作流里最缺的是哪个方向的 AI 帮手？欢迎评论区说说。

参考来源： 本文核心内容来源于 GitHub 开源项目 agency-agents（https://github.com/msitarzewski/agency-agents），项目采用 MIT 协议开源，文中 Agent 描述均基于项目原始文档整理。