核心用法
agent-team-skill 是一套面向 AI Agent 多智能体协作的任务处理与团队管理框架，核心解决「谁来执行」与「如何协作」两大问题。
1. 七步标准化工作流
强制遵循 SEARCH→RECORD→ORIENT→PLAN→DISPATCH→REVIEW→UPDATE 闭环：
- SEARCH：先查
memory/历史上下文，禁止立即回复 - RECORD：实时写入
memory/YYYY-MM-DD.md进度日志 - ORIENT：需求澄清（最多5问/2轮）、目标定义、风险识别
- PLAN：生成
work/task-name-plan.md执行计划，含步骤勾选与进度追踪 - DISPATCH：判定执行主体（自执行/委托他人），传递完整上下文
- REVIEW：结果验收，不合格则回退 SEARCH
- UPDATE：归档计划文件，更新最终状态
2. 团队成员管理
通过 python3 scripts/team.py 维护技能档案：
list：查看成员角色、标签、专长/短板update：配置 agent-id、name、role、is-leader、tags、expertise、not-good-atreset：清空~/.agent-team/team.json
3. 委托核心原则
「先准备、后委托、再跟进」：
- 准备阶段完成需求理解与约束确认
- 执行阶段匹配最优执行人
- 跟进阶段检查输出质量，不达标则反馈迭代
显著优点
- 流程强制化：七步闭环杜绝随意回复，确保可追溯
- 责任明确化：Leader 对团队输出负全责，规避「甩锅」
- 上下文继承：SEARCH+RECORD 机制保证长任务记忆不丢失
- 技能匹配：基于标签与专长智能分配任务
- Git 化检查点：每阶段后
git commit固化状态
潜在缺点与局限性
- 刚性开销：简单任务也需走完七步，存在流程税
- 人工维护成本：成员技能档案需手动更新，无法自动感知 Agent 能力变化
- 单 Leader 限制：强制唯一 Leader，扁平化团队需适配
- 文件 IO 依赖：重度依赖本地 markdown/git 操作，云端/无状态环境需改造
- 无自动冲突解决：多 Agent 并行写入同一计划文件可能产生竞态
适合人群
- 构建多 Agent 协作系统的开发者与架构师
- 需要严格 SLA 与质量管控的 AI 任务流水线
- 长周期、多轮交互的复杂项目交付场景
- 已有 Git 工作流、偏好文件驱动状态管理的团队
常规风险
- 数据持久化风险：
~/.agent-team/team.json为本地单点存储，无备份机制 - 权限边界模糊：任何能执行 Python 脚本的用户可修改团队配置
- 流程僵化：紧急场景下强制七步可能导致响应延迟
- Leader 单点故障：唯一 Leader 失效时缺乏降级策略