teamwork"

核心用法

Teamwork Skill 是一套完整的多智能体协作管理框架，用于 orchestrating 复杂工程任务。其核心工作流程分为七个阶段：首先，系统通过交互式向导完成初始化配置，支持多种定价模型（订阅制、阶段用量制、用量计费制）的提供商接入；其次，主模型（Host Model）将用户请求分解为可管理的任务树，明确各子任务的依赖关系与能力需求；接着召开"团队组建会议"，筛选可用模型并协商角色分配；随后选举响应速度最快的模型作为 Herald（传令官），建立星型通信拓扑；进入执行阶段后，各模型并行处理分配任务，通过 Herald 实时同步进度；任务完成后召开评审会议，进行多维度互评并更新能力评分数据库。

显著优点

该技能的最大优势在于其智能成本优化机制。系统不仅基于 8 个维度（响应速度、思维深度、代码质量等）对模型进行 peer review 评分，还结合实时成本计算（支持三种定价模式）和负载均衡算法，确保每个子任务都分配给性价比最高的模型。其次，Herald 通信架构有效解决了多模型协作中的信息同步难题，通过中心化消息中继避免了 N×N 的通信复杂度。此外，系统具备自进化能力：每次任务完成后，模型间互评结果会持久化到本地数据库，随着使用次数增加，角色匹配精度持续提升。

潜在缺点与局限性

作为 T3 来源的个人项目，其生态支持相对薄弱，缺乏企业级的 SLA 保障和技术支持。配置门槛较高：用户需手动维护 providers.json、team-roles.json 等多个配置文件，对非技术用户不够友好。更重要的是，该技能仅提供本地协调逻辑，实际的 AI 模型调用仍需依赖外部 API，本身不解决模型接入的网络延迟或可用性问题。此外，当前版本缺乏可视化界面，所有交互通过 CLI 或 Markdown 完成，在复杂项目管理场景下的用户体验有待提升。

适合的目标群体

该技能最适合多模型策略使用者——即同时订阅了 OpenAI、Anthropic、Google 等多家 API 服务的技术团队。对于需要执行长链路复杂任务的开发者（如全栈应用开发、多阶段数据分析 Pipeline），Teamwork 能有效拆解工作流并分配专业角色（架构师、开发者、测试员、审查员）。此外，成本敏感型用户可通过其预算监控和配额管理功能，在每月 $100 预算限制内实现最优模型组合。

使用风险

尽管代码本身安全（A级），但使用过程中存在配置泄露风险：providers.json 文件以明文形式存储 API Key 的环境变量名，若用户误将实际密钥硬编码或提交至 Git，可能导致凭证泄露。此外，本地数据持久化虽保护了隐私，但也意味着配置丢失风险完全由用户承担——建议定期备份 .trae/ 目录。性能方面，Herald 的单点通信模式在高并发场景下可能成为瓶颈，且当前缺乏自动故障转移机制，若 Herald 模型出现 rate limit，整个团队通信将中断。最后，模型评估的主观性可能影响长期准确性：不同模型间的互评可能存在偏见，建议结合人工复核关键任务的评分结果。