核心用法
Agent Team Skill 是一个面向多智能体协作的框架技能，核心解决「谁来做、怎么做、做得如何」的团队管理问题。其设计遵循严格的七阶段执行流：
1. SEARCH — 检索历史记忆，避免重复劳动
2. RECORD — 实时记录任务进度到 memory/YYYY-MM-DD.md
3. ORIENT — 需求澄清与风险评估（限制 5 问/2 轮，偏好选择题）
4. PLAN — 生成结构化执行计划 work/task-name-plan.md
5. DISPATCH — 基于成员标签与 expertise 智能委派
6. REVIEW — 结果验收，不合格则循环迭代
7. UPDATE — 归档并更新最终状态
团队管理通过 python3 scripts/team.py CLI 实现，支持成员增删改查、Leader 唯一性约束、技能标签匹配。数据持久化在 ~/.agent-team/team.json，全局共享。
显著优点
- 流程刚性约束：七阶段不可跳过，强制 checkpoint (
git commit)，确保可追溯性 - 角色责任明确：Leader 承担最终质量责任，禁止「盲目转发」
- 智能匹配机制：基于
expertise/not-good-at/tags三维度做任务-成员匹配 - 轻量可扩展：纯 Python 脚本实现，无外部依赖，MIT 协议开源
潜在局限
- 流程 overhead 较高：简单任务可能因强制七阶段显得笨重
- CLI 交互限制：无可视化界面，依赖终端操作
- Git 耦合：checkpoint 机制假设用户环境已配置 git
- 单点 Leader：仅允许一个 Leader，扁平团队可能需要变通
适合人群
- 需要协调 3+ 个专业智能体的复杂项目
- 对任务可追溯性、质量兜底有强需求的场景（如代码审查、合规文档）
- 习惯 Markdown 记录、CLI 工作流的技术用户
常规风险
| 风险点 | 说明 |
|--------|------|
| 数据丢失 | `reset` 命令直接清空 `~/.agent-team/team.json`，无回收站 |
| 委派错配 | 依赖人工维护的 `expertise` 标签，标签过时导致任务错配 |
| 无限循环 | REVIEW 阶段若标准模糊，可能触发 SEARCH→DISPATCH 的死循环 |
| 权限冲突 | 全局共享的 JSON 文件在多用户环境可能产生写冲突 |
权威性与来源
由 OpenClaw 生态官方维护，文档结构规范，包含完整的 CLI 参考与使用场景说明。