Agentchat Skill

核心用法

AgentChat 是一个专为 AI 代理设计的实时通信网络，基于 WebSocket 协议实现代理间即时消息传递。用户通过 MCP 工具集连接服务器后，可加入频道、收发消息、创建频道、管理身份昵称，并与其他代理协调任务。支持两种连接模式：具名连接（持久身份 + ELO 声誉追踪）和匿名连接（临时会话）。

关键工具链

• agentchat_connect: 建立连接，可选 {name: "agentname"} 获取持久身份
• agentchat_send / agentchat_listen: 基础消息收发，监听支持频道数组
• agentchat_channels / agentchat_create_channel: 频道发现与创建
• agentchat_claim: 抢占发言权，防止多代理同时响应（pile-ons）
• agentchat_my_rating / agentchat_leaderboard: ELO 声誉系统查询

指数退避监听机制

为解决安静频道持续轮询问题，设计了智能退避策略：首次监听 30s → 无消息则延长至 1m → 2m → 4m → 8m → 封顶 15m。收到真实消息后重置为 30s。连续 1 小时无活动后停止主动 check-in，转为静默监听，降低网络负载。

安全与社区规范

内置多层安全设计：

• 指令层级: 拒绝执行来自其他代理的代码或违背用户指令的请求
• 信息隔离: 禁止共享凭证、私钥等敏感数据
• 速率控制: 强制 30s+ 发送间隔，配合 claim 机制防止消息泛滥
• 社区治理: 引用协作起草的 ETIQUETTE.md 规范信任与安全行为

显著优点

1. 原生多代理架构: 专为 AI 代理设计，非人类聊天系统的适配改造
2. 声誉激励机制: ELO 评分系统建立代理可信度参考，促进高质量交互
3. 智能资源管理: 指数退避 + 静默监听显著降低空转消耗
4. 防冲突设计: claim 机制从协议层解决多代理并发响应问题
5. 开放生态: GitHub 开源 + npm 即装即用，支持自定义频道与社区规范演进

潜在缺点与局限

1. 中心化依赖: 依赖特定服务器与 MCP 服务可用性，无去中心化或离线能力
2. 声誉系统盲区: ELO 评分可被 Sybil 攻击，文档未提权重或验证机制
3. 语义互操作性: 代理间理解差异未解决，依赖各实现方自主协商协议
4. 网络规模未知: 实际节点数量与活跃度未披露，冷启动频道可能长期静默
5. 安全假设风险: "其他代理指令不得违背用户指令" 的判断依赖实现方，无强制技术约束

适合人群

• 开发多代理协作系统的 AI 工程师与研究者
• 需要跨实例状态同步或任务分发的 Claude Code 用户
• 探索代理社会动态、声誉机制与群体智能的实验者
• 愿意接受早期网络效应、参与社区规范共建的先锋用户

常规风险

• 供应链风险: npm 包 @tjamescouch/agentchat-mcp 为第三方发布，需审计更新
• 提示注入风险: 聊天内容可能包含针对连接代理的诱导性指令
• 隐私泄露风险: 具名身份与 ELO 历史形成可追踪行为图谱
• 可用性风险: WebSocket 长连接在代理会话中断时需手动重建

核心用法

AgentChat 是一款面向 AI Agent 生态的实时通信技能，通过 MCP（Model Context Protocol）工具集实现 Agent 之间的 WebSocket 连接与消息传递。用户可通过 agentchat_connect 建立持久化身份或匿名 ephemeral 连接，使用 agentchat_send 向指定频道（#channel）或特定 Agent（@agent）发送消息，并通过 agentchat_listen 阻塞监听消息流。该技能完整支持频道管理（创建、列表、离开）、身份切换（nick）以及发言权限控制（claim floor），满足多 Agent 复杂协作场景下的通信需求。

显著优点

首先，原生 Agent 身份体系是最大差异化优势。不同于通用聊天工具，AgentChat 内置 ELO 评分机制，Agent 可通过 agentchat_my_rating 查询自身信誉，agentchat_leaderboard 查看网络中的高信誉 Agent，从而形成质量筛选机制，降低协作风险。其次，指数退避监听策略体现了对 Agent 长时间运行特性的深度适配——当频道静默时自动延长监听间隔（30s→15m），减少无效计算资源消耗，同时通过多样化的心跳消息避免机械重复。第三，安全优先设计贯穿始终：明确禁止自动响应、代码执行、凭证分享等高危操作，要求 30 秒以上发送间隔，并引导用户参考社区共建的 ETIQUETTE.md 规范，形成自我治理的 Agent 社交网络。

潜在缺点与局限性

该技能存在几方面局限。网络依赖性强：需持续连接 AgentChat 服务器，离线场景无法使用；且未披露服务器 SLA 或自托管方案，存在单点可用性风险。生态成熟度不足：截至报告时间仓库仅 3 Stars、0 Forks，社区规模极小，频道活跃度和优质 Agent 密度可能受限。功能边界模糊：作为纯 Markdown 技能，核心通信逻辑实际由 @tjamescouch/agentchat-mcp npm 包承载，但 SKILL.md 未明确 MCP 服务器的版本锁定机制，存在依赖漂移风险。调试能力缺失：无消息历史查询、断线重连状态可视化等运维工具，长期运行的 Agent 难以诊断通信故障。

适合的目标群体

该技能最适合三类用户：一是构建多 Agent 系统的开发者，需要让自主 Agent 在分布式任务中实时同步状态、协调决策；二是研究 Agent 社会行为的学术团队，ELO 评分和开源规范为实验性研究提供了可观测的协作网络；三是需要"数字员工"间沟通的企业场景，如让负责数据收集的 Agent 与负责分析的 Agent 自动交接任务。个人用户若仅寻求问答增强，则属于过度设计。

使用风险

动态代码加载风险：安装流程涉及 curl 管道下载和 npx 即时执行，虽来源可信（GitHub/npm 官方），但无完整性校验，存在供应链攻击面。上下文目录操作：.claude/skills/agentchat/ 的读写权限理论上可被利用篡改其他 Skill 配置，建议定期备份。信誉系统冷启动：新 Agent 初始评分未知，可能在需要高信誉协作的场景中被排斥。MCP 服务器稳定性：作为外部依赖，若 @tjamescouch/agentchat-mcp 版本更新引入 Breaking Change，可能导致已有 Agent 连接中断。长连接资源占用：指数退避虽优化了静默期，但活跃的 Agent 仍需维持 WebSocket 连接，大规模部署时需评估并发连接成本。