1. 项目概述：一个跨平台、跨部门的AI智能体中心
如果你和我一样，每天都在和Claude Code、Cursor、ChatGPT、Gemini这些AI工具打交道，那你肯定也遇到过这个痛点：每次开始一个新项目，或者切换一个工作角色，都得重新去翻找、复制粘贴那些复杂的提示词（Prompt）。给产品经理写PRD有一套话术，给工程师做Code Review又是另一套规则，更别提还有销售、市场、HR这些不同部门的专业需求。这些提示词散落在各个聊天窗口、笔记软件里，管理起来极其混乱，效率低下。
今天要聊的这个开源项目，就是来解决这个问题的。它叫Ultimate AI Agents，你可以把它理解为一个“企业级的AI智能体定义库”。它的核心目标很简单：用一个统一的代码仓库，管理你所有AI工具（Claude Code, Cursor, ChatGPT, Gemini, Amp, Windsurf等）的智能体定义、规则和工作流。无论是工程师、产品经理、销售还是HR，都能在这里找到即拿即用的专业AI助手。
想象一下，你只需要运行一行安装命令，就能把几十个经过精心调校的AI专家“部署”到你的开发环境中。写代码时，有专门的“软件架构师”和“代码审查员”帮你把关；写产品文档时，有“产品经理”智能体提供框架；甚至做财务分析、起草招聘JD，都有对应的专家来协助。这个项目把这些专业能力标准化、模块化了，让你在不同工具和场景下都能获得一致、高质量的输出。
2. 核心设计思路：为何要构建“统一智能体源”
在深入使用细节前，我们先拆解一下这个项目的设计哲学。它没有选择为每个AI工具单独维护一套提示词，而是采用了一种“单一事实来源”的架构。这背后有几个非常实际的考量。
2.1 解决碎片化与一致性难题
在没有统一管理之前，我的工作流是这样的：在Claude.ai上调试好一个用于代码审查的提示词，存为一个项目。然后在Cursor里，又得手动创建一套类似的规则文件。到了ChatGPT，还得再创建一个自定义GPT。这不仅重复劳动，更大的问题是，一旦我发现代码审查规则需要更新（比如增加了对某个新安全漏洞的检查），我就必须在三个地方分别修改，稍有不慎就会导致不同平台上的“智能体”行为不一致。
Ultimate AI Agents 的解决方案是，在agents/claude/目录下维护一套最核心、最完整的智能体定义（Markdown文件）。这些文件被视为“源文件”。然后，通过一系列自动化脚本（如generate-platforms.sh），将这些源文件转换成适配其他平台（如ChatGPT的GPT指令、Claude.ai的项目指令）的格式。这样，你只需要维护一个地方的内容，所有平台都能自动同步更新，从根本上保证了跨平台行为的一致性。
2.2 面向组织与角色的模块化设计
这个项目不是为个人黑客设计的玩具，它的基因里就带着“企业级”和“组织化”的思维。看看它的目录结构：agents/claude/engineering/,agents/claude/product-design/,agents/claude/sales/... 它是按公司部门职能来划分智能体的。
这种设计带来了两个巨大优势。第一是可发现性。一个新加入团队的工程师，不需要去猜测公司用什么AI规则，直接安装这个库，他就自动获得了从架构、开发、测试到部署的全套工程智能体。市场部的同事也能快速找到写社交媒体文案或品牌策略的专用助手。第二是可管理性。团队负责人或技术管理者可以像管理代码库一样，通过Pull Request来审核和合并对智能体定义的修改，从而将AI工作流的实践也纳入到团队的工程规范中。
2.3 原生集成与“零配置”体验
很多提示词库只是给你一堆文本让你自己复制粘贴。这个项目的目标是实现“开箱即用”。它通过安装脚本（install.sh）和同步脚本（sync.sh），与各工具的官方配置路径深度集成。
以 Claude Code 为例，安装后，智能体会出现在你的claude --agent命令列表里，你可以像调用系统命令一样直接使用。对于 Cursor，规则文件会被直接放置到.cursor/rules/目录下，Cursor IDE 会自动加载它们，根据你正在编辑的文件类型（如*.test.*）激活对应的代码规则。这种深度集成把使用门槛降到了最低，你几乎感受不到“配置”的过程，注意力可以完全集中在工作本身。
注意：这种自动部署脚本会向你的本地配置文件写入内容。虽然项目是开源的，脚本也可审查，但在任何环境中运行来自网络的脚本前，养成先检查其内容的习惯都是好的安全实践。你可以用
curl -sSL [脚本URL]先查看内容，再决定是否通过管道传递给bash。
3. 仓库结构深度解析与实操部署
理解了设计思路，我们来看看这个仓库具体长什么样，以及如何把它部署到你的机器上。这是你能否顺畅使用它的基础。
3.1 核心目录结构详解
项目根目录看起来文件不少，但核心逻辑非常清晰，主要分为“源文件区”和“输出区”。
ultimate-ai-agents/ ├── agents/ # 【源文件区】所有智能体的源头 │ ├── claude/ # Claude Code 智能体定义（.md文件） │ ├── chatgpt/ # ChatGPT Custom GPTs 指令（由脚本生成） │ ├── claude-projects/ # Claude.ai 项目指令（由脚本生成） │ ├── cursor/ # Cursor 规则文件（.mdc文件） │ └── gemini/ # Gemini Gems 定义（.md文件） ├── .claude/ # 【输出区】Claude Code 的实际配置目录 ├── .cursor/ # 【输出区】Cursor 的实际规则目录 ├── commands/ # 共享的工作流命令（如 /project:xxx） ├── rules/ # 跨智能体共享的通用规则与约定 └── 一系列自动化脚本（install.sh, sync.sh等）关键点在于：agents/claude/是“皇冠上的明珠”，是人工维护的主目录。其他平台的目录（如chatgpt/）大多是由generate-platforms.sh脚本从claude/目录自动转换生成的。你不应该直接去修改agents/chatgpt/里的文件，否则下次生成时修改会被覆盖。所有编辑都应在agents/claude/下进行。
.claude/和.cursor/这两个点开头的目录是“输出目录”。当你运行./install.sh或./sync.sh时，脚本会把agents/下对应平台的内容，经过处理（如扁平化结构）后，复制到这些输出目录中。这些输出目录才是被 Claude Code 和 Cursor 真正读取和使用的地方。
3.2 一键安装与个性化配置
部署是整个流程中最简单的一步。官方推荐的一行命令安装非常方便：
curl -fsSL https://raw.githubusercontent.com/stratpoint-engineering/ultimate-ai-agents/main/install.sh | bash这条命令会做几件事：1. 下载安装脚本；2. 检测你系统里安装了哪些支持的AI工具（Claude Code, Cursor, Amp, Windsurf, Gemini CLI）；3. 为检测到的工具，从GitHub拉取最新的智能体文件，并部署到正确的本地配置路径。
但实际工作中，我们往往不需要一次性安装所有部门的几十个智能体。这时候，环境变量就派上用场了，它们让你能进行精准安装。
场景一：我只是一位工程师，只想安装工程相关的智能体。
DEPT=engineering curl -fsSL https://raw.githubusercontent.com/stratpoint-engineering/ultimate-ai-agents/main/install.sh | bash设置DEPT=engineering后，安装脚本就只会处理agents/目录下engineering子目录的内容，其他如销售、市场的智能体不会被安装，保持环境的纯净。
场景二：我想在全局范围内使用这些智能体，而不是仅限于当前项目。默认情况下（SCOPE=project），智能体会被安装到当前项目的.claude/、.cursor/目录下。如果你希望在任何地方打开终端或Cursor都能用，就需要全局安装。
SCOPE=global curl -fsSL https://raw.githubusercontent.com/stratpoint-engineering/ultimate-ai-agents/main/install.sh | bash这会将配置安装到你的用户主目录（如~/.claude/），实现全局生效。
场景三：我公司内网部署了镜像，或者我想测试特定分支的功能。
BRANCH=develop TOOLS=claude curl -fsSL https://raw.githubusercontent.com/stratpoint-engineering/ultimate-ai-agents/develop/install.sh | bashBRANCH变量让你可以指定安装某个Git分支的版本。TOOLS变量可以跳过自动检测，强制为指定工具安装（例如你只装了Claude Code）。
这些环境变量可以组合使用，给你极大的灵活性。安装完成后，你可以立刻在终端尝试claude --agent list，应该能看到一长串可用的智能体名字了。
3.3 更新、同步与卸载
项目在持续迭代，智能体的定义也会优化。更新很简单，如果你是通过Git克隆的仓库，进入目录运行./update.sh即可。这个脚本会先拉取最新的代码，然后重新运行安装流程。
更常用的场景是，你本地修改了某个智能体的定义（比如改进了代码审查规则），需要快速应用到开发环境中。这时不需要运行完整的安装脚本，使用轻量的同步脚本即可：
./sync.shsync.sh脚本只会更新 Claude Code 和 Cursor 的配置，速度更快，适合日常开发中的频繁调整。
当你不再需要，或者想清理时，卸载同样提供了一行命令的方案：
# 卸载当前项目的配置 ./uninstall.sh # 卸载全局配置 SCOPE=global ./uninstall.sh卸载脚本会删除它之前创建的所有配置文件和目录，恢复环境到安装前的状态。
4. 各平台智能体使用详解与实战技巧
安装部署只是开始，真正产生价值的是在日常工作中熟练调用这些智能体。不同工具平台的集成方式和使用模式各有特色，我们需要分别掌握。
4.1 Claude Code：命令行下的效率革命
Claude Code 的集成是最深入的。安装后，智能体变成了你可以直接调用的“命令”。
基础调用：作为独立命令最直接的用法是把智能体当作一个独立的命令来执行一项任务。比如，你需要快速评估一个技术方案：
claude --agent software-architect “我们计划开发一个实时协作的文档编辑功能，预计日活10万。请评估使用CRDT和Operational Transform两种技术方案的优缺点，并给出选型建议。”或者，让代码审查员分析一段代码：
claude --agent code-reviewer review path/to/myfile.ts这种方式适合有明确起止点的独立任务。智能体会基于其预设的角色、知识和规则，给你一个完整的、符合该角色专业视角的答复。
高级调用：在会话中动态切换更强大的用法是在一个持续的claude会话中，通过@符号动态召唤不同的专家。这模拟了一个真正的团队协作场景。
$ claude 进入 Claude Code 交互会话。 我：@product-manager 我需要为一个新的用户仪表盘功能编写产品需求文档（PRD）的核心部分。 （产品经理智能体被激活，以其口吻回复，提供PRD框架、用户故事模板等） 我：好的，这是根据你建议的框架起草的初步功能列表。@software-architect 请从系统架构角度评估这些功能的可行性。 （软件架构师智能体被激活，开始分析技术实现复杂度、数据流等） 我：关于数据聚合部分，@database 你认为用物化视图还是实时查询更合适？ （数据库专家智能体被激活，从查询性能、数据一致性等角度给出建议）在一个会话里，你可以随时根据话题切换“顾问”，让不同领域的专家接力回答，最终汇聚成一个综合性的解决方案。这是单一通用型AI对话无法比拟的体验。
工作流命令：自动化复杂流程除了智能体，项目还预定义了一些“工作流命令”。它们通常以/project:或/workflow:开头，封装了一系列连贯的操作。
claude /project:workflow-review-code这个命令可能会引导你输入PR链接或代码路径，然后自动调用code-reviewer、security、performance等多个智能体，从不同维度对代码进行审查，并生成一份综合报告。这相当于把一套标准的代码审查流程自动化了。
4.2 Cursor：将规则注入IDE的每一行代码
Cursor 的集成是“沉浸式”的。规则文件（.mdc）被放置在.cursor/rules/目录后，Cursor 会根据规则中定义的“作用域”自动启用它们。
工程规则：基于路径的自动激活这是最常用的类型。例如，code-style.mdc规则的作用域是src/**和app/**。这意味着，只要你在这两个目录下的任何文件中编写或编辑代码，Cursor 的AI助手（Composer）就会自动遵循这套代码风格规则来提供补全、重构和建议。它会知道你的项目是用2个空格缩进，函数命名用驼峰式，React组件用PascalCase。
再比如testing.mdc规则的作用域是*.test.*和*.spec.*。当你在测试文件中工作时，Cursor 会自动切换到“测试专家”模式，更倾向于建议你写断言、模拟数据，并遵循项目的测试框架规范。
业务规则：按需手动激活对于非代码工作，规则同样强大。比如你要写一份销售提案，可以手动激活proposals.mdc规则。激活后，当你让 Cursor 帮你起草或修改提案内容时，它会自动套用 MEDDIC/BANT 等销售方法论框架，使用专业的商务措辞，并提醒你包含投资回报率分析等关键部分。
实操心得：规则的组合与优先级一个文件可能同时匹配多个规则。例如，一个位于src/api/user.test.ts的文件会同时触发api-conventions.mdc和testing.mdc。Cursor 会合并这些规则的指令。通常，更具体的路径规则会覆盖更通用的规则。你可以通过规则文件中的配置来调整优先级。在实践中，建议从项目级的通用规则（如project.mdc）开始，再逐渐叠加部门级、文件类型级的特定规则，形成层次化的规则体系。
4.3 网页与桌面应用：ChatGPT, Claude.ai, Gemini
对于没有官方CLI或深度配置接口的工具，项目提供了“智能体浏览器”和“源文件复制”两种方式。
智能体浏览器（推荐）在项目根目录下有一个index.html文件，用浏览器打开它。你会看到一个按部门和平台分类的漂亮界面。你可以浏览所有智能体，点击某个智能体（如“销售策略师”），界面上会直接显示适配不同平台（ChatGPT, Claude.ai, Gemini）的完整提示词。你只需要点击“复制”按钮，然后粘贴到对应平台的系统指令框里即可。这是最直观、最不容易出错的方式。
手动复制与平台文件再生你也可以直接到agents/下对应的平台目录找文件。例如，agents/claude-projects/sales/sales-strategist.md里的内容，可以直接复制到 Claude.ai 项目的“自定义指令”中。 如果你修改了源文件（agents/claude/），需要运行./generate-platforms.sh来重新生成其他平台的适配文件，然后再去复制。
一个关键技巧：提示词的“系统指令”部分无论哪个平台，核心都是“系统指令”。这是定义AI角色和行为的关键。Ultimate AI Agents 提供的系统指令通常包含以下几个部分：
- 角色与使命：清晰定义AI是谁（如“你是一名资深软件架构师”），以及核心目标。
- 核心原则：列出必须遵守的高级规则（如“优先考虑可维护性”、“始终考虑安全影响”）。
- 工作流程：给出处理任务的步骤模板（如“首先澄清需求，然后提供2-3个方案，最后给出推荐”）。
- 输出格式：规定回复的结构（如“使用Markdown”、“先给摘要，再展开”）。
- 禁忌与边界：明确说明不能做什么（如“不要假设未明确给出的技术栈”）。 当你自己创建智能体时，也可以参考这个结构。
5. 智能体目录详解与自定义扩展
项目预置了覆盖10多个部门、超过40个角色的智能体。了解每个智能体的定位，能让你在需要时快速找到对的“专家”。
5.1 工程类智能体：从架构到部署的完整链条
工程类是数量最多、也最复杂的。它们形成了一个从设计到运维的完整支持链。
- 架构与设计层：
software-architect聚焦于单个应用内部的设计模式、模块划分；solution-architect视角更高，处理多个系统间的集成、通信和数据流；solution-designer则负责产出详细的API规范、数据库Schema设计图。当你有一个新项目想法时，可以按这个顺序咨询它们。 - 开发与质量保障层：
code-reviewer是你的同行评审员，专注于代码风格、潜在bug和可读性；security是安全专家，时刻盯着OWASP Top 10风险；qa-tester和test-planner帮你设计测试策略和用例；tech-writer则确保你的文档清晰易懂。 - 专项技术栈：
backend-api、frontend-ui、fullstack-nextjs等智能体针对特定技术栈进行了深度优化。它们熟知对应框架的最佳实践、常见坑点和性能优化技巧。savant-前缀的智能体（如savant-java-spring）更是该领域的“大师”，知识深度和精度更高。 - 运维与部署层：
deployment精通CI/CD流水线和云平台部署；monitoring擅长设置监控告警和日志分析；performance专注于前端性能指标和优化手段。
使用场景串联：假设你要开发一个Next.js新功能。可以先让product-manager写出清晰的用户故事和验收标准；然后由task-planner将其拆解成具体的开发任务；接着software-architect和solution-designer给出技术方案和API设计；开发过程中，backend-api和frontend-ui提供编码支持；代码提交前，code-reviewer和security进行审查；最后deployment指导部署上线，monitoring设置观测。一套完整的、由AI辅助的软件开发生命周期就实现了。
5.2 非工程类智能体：专业化内容创作
这些智能体证明了AI辅助不仅限于写代码。
- 产品与设计：
product-designer能讨论交互逻辑和设计系统规范；ux-researcher帮你设计用户访谈提纲和分析数据；ux-writer专注于界面文案的清晰度和友好度。 - 销售与市场：
sales-strategist基于MEDDIC等框架构建销售提案；content-strategist规划内容日历和SEO策略；brand-manager确保所有输出符合品牌调性。这些智能体内置了行业方法论，能大幅提升专业文档的产出质量。 - 人力资源与运营：
hr-generalist起草的职位描述（JD）会更全面、更规避法律风险；financial-analyst能快速搭建财务模型；operations-manager擅长设计标准作业程序。
注意：尽管这些智能体非常专业，但它们本质上是基于模式匹配和知识库的提示词。对于涉及重大商业决策、法律合同、敏感人事问题的内容，它们生成的文本必须由具备相应资质的真人进行最终审核和定稿。AI是强大的助手，但不是责任主体。
5.3 创建与定制属于你自己的智能体
预置的智能体虽好，但每个团队、每个项目都有独特的需求。自定义智能体是这个项目最能发挥价值的地方。
步骤一：在源目录创建文件所有定制都从agents/claude/开始。假设你要为你的团队创建一个专门的“GraphQL API专家”智能体。
- 确定部门。这属于工程，所以我们在
agents/claude/engineering/下创建。你可以新建一个子目录，比如graphql/，也可以直接放在engineering/下。 - 创建文件
graphql-specialist.md。
步骤二：编写智能体定义一个完整的Claude Code智能体文件包含两部分：YAML前端元数据和系统提示词。
--- name: graphql-specialist description: 专精于GraphQL API设计、性能优化和Apollo/Relay最佳实践的专家。关键词：graphql, schema, resolver, dataloader, federation, apollo, relay。 tools: Read, Write, Edit, Bash, Grep, Glob model: sonnet ---name: 调用时使用的命令名。description: 描述和触发关键词。当用户输入包含这些关键词时，Claude Code可能会推荐这个智能体。tools: 赋予智能体的能力。Read/Write/Edit是文件操作，Bash/Grep/Glob用于在代码库中搜索。model: 指定使用的模型，sonnet是平衡性能与成本的推荐选择。
元数据之后，就是核心的系统提示词。这部分需要精心设计：
你是一名资深GraphQL架构师，拥有多年大规模GraphQL API设计和调优经验。 **核心原则：** 1. 始终优先考虑GraphQL查询的性能，特别是N+1查询问题。 2. 倡导强类型Schema设计，充分利用GraphQL的类型系统。 3. 遵循GraphQL规范，同时兼顾前端开发者的使用体验。 **工作流程：** 1. **需求澄清**：首先询问或确认GraphQL API的具体需求（查询模式、变更频率、客户端类型等）。 2. **Schema设计**：提供基于输入类型的Schema草案，强调命名规范和文档字符串。 3. **Resolver优化**：建议Resolver的实现逻辑，重点推荐使用DataLoader进行批处理和缓存。 4. **性能与安全**：评估查询深度/复杂度限制，并提出查询成本分析方案。 5. **工具与生态**：根据上下文推荐Apollo Server/Client、Relay、GraphQL Code Generator等工具的最佳配置。 **输出格式：** - 使用Markdown。 - 先给出一个简要的评估摘要。 - 然后分章节详细阐述设计、优化点和示例代码。 - 最后提供后续步骤建议。 **禁忌：** - 不要建议将REST API直接机械地转换为GraphQL。 - 不要在未分析查询模式的情况下盲目推荐查询复杂度限制。 - 避免使用已弃用的GraphQL特性或语法。步骤三：部署与测试文件保存后，运行./sync.sh将新智能体同步到你的.claude/目录。然后就可以测试了：
claude --agent graphql-specialist “请为‘用户’和‘文章’设计一个GraphQL Schema，并说明如何优化查询用户的所有文章这个操作。”步骤四：同步到其他平台（可选）如果你希望这个自定义智能体也能在ChatGPT或Claude.ai中使用，需要运行./generate-platforms.sh。这个脚本会读取agents/claude/下的新文件，并生成对应平台格式的文件到agents/chatgpt/和agents/claude-projects/中。
通过这种方式，你可以逐步构建起一个完全贴合你团队技术栈、业务流程和文化的工作AI智能体库，将团队知识沉淀下来，并让每位成员都能随时调用。
