🚀 四AI专业分工协作框架：设计 + 开发 + 测试 + 管理
- 严格职责边界: 每个AI只处理专属领域任务，避免能力重叠
- 智能Token优化: 独创优化策略，实现67-85%成本削减
- ⚡ 强制优化流程: 每次消息都自动执行优化策略，跨session永久生效
- 🔧 强制Task分解: 自动识别可分解任务，多模型并行执行
- 任务处理策略: 基于复杂度的模型选择和任务分解机制
- 状态化协作: 通过shared工作区实现AI间信息传递
- 专属技能库: 每个AI配备专业技能，支持高级工作流程
| 常见方式 | aiGroup |
|---|---|
| 一个AI处理所有任务 | 四AI专业分工，职责明确 |
| 随意使用模型 | 基于任务复杂度智能选择 |
| 无成本意识 | Token优化策略，成本可控 |
| 重复沟通上下文 | 持续状态管理，减少重复 |
模型: Sonnet 4.5 | 职责范围: 管理和协调
负责任务:
- 📋 项目管理: 监控进度、识别风险、协调资源
- 💡 产品顾问: 需求分析、优先级排序、方向建议
- 📅 个人助理: 会议管理、待办事项、日程提醒
- 📊 数据分析: 团队效率分析、成本控制
不负责: UI设计、代码开发、测试验收
🔧 专属技能:
- CCPM项目管理系统（GitHub Issues集成）
- PM Claude技能集（节省8-9小时/周）
- 快速工具箱（交互式菜单）
模型: Sonnet 4.5 | 职责范围: 设计创作
负责任务:
- 🎨 UI设计: 界面布局、视觉规范、组件设计
- 👤 UX设计: 用户体验流程、交互逻辑
- 🎭 品牌设计: 色彩搭配、字体选择、风格统一
- 📱 响应式设计: 多设备适配、移动优先
不负责: 代码实现、项目管理、测试验收
🔧 专属技能:
- UI/UX设计系统化方法
- 视觉设计和用户体验设计
- 设计规范和组件视觉规范制定
- 响应式设计和交互原型制作
模型: Sonnet 4.5 | 职责范围: 技术实现
负责任务:
- 💻 前端开发: React/Vue/Angular，现代框架
- 🔧 后端开发: Node.js/Python/Java，API设计
- 🗄️ 数据库: SQL/NoSQL，数据建模
- ☁️ 部署运维: Docker/云服务，自动化部署
不负责: UI设计、项目管理、测试策略
🔧 专属技能:
- Claude Simone开发框架（AI辅助开发）
- 完整工程技能集（前端/后端/全栈/架构）
- React/Vue组件开发和前端实现
- 代码审查和技术栈评估
- DevOps和部署运维
模型: Sonnet 4.5 | 职责范围: 质量控制
负责任务:
- 🧪 功能测试: 核心业务逻辑验证
- 🔍 代码审查: 安全漏洞、性能问题检查
- 📋 验收测试: 用户需求完整性验证
- 📊 质量报告: 系统化测试文档输出
不负责: 代码开发、UI设计、项目规划
- 综合节省: 67-85% Token成本削减
- 三层策略: 基础选择(30-40%) + 质量平衡(15-25%) + Task分解(20-40%)
- 实战验证: 基于实际项目优化经验
| 成员 | 优化率 | 核心策略 |
|---|---|---|
| 麦克斯 | 75% | 结构化管理、批量操作、预授权 |
| 艾拉 | 65% | 设计系统化、API直取、模板复用 |
| 贾维斯 | 60% | 代码复用、模块化开发、精准实现 |
| 凯尔 | 70%+ | 聚焦测试、模板化报告、智能文件读取 |
- 模型智能选择: 根据任务复杂度选择Haiku/Sonnet/Opus
- 任务分解策略: 复杂任务分解为简单子任务，差异化模型处理
- 需求澄清机制: 避免过度设计，精准满足用户需求
- 状态化管理: 减少重复查询和上下文重建
用户需求 → 麦克斯分析 → 分配给对应AI → 执行 → 麦克斯汇总
分配规则:
- 设计类需求 → 艾拉处理
- 开发类需求 → 贾维斯处理
- 测试类需求 → 凯尔处理
- 管理类需求 → 麦克斯处理
决策树:
任务复杂度评估
├─ 简单操作 (文件读写、格式化) → Haiku
├─ 中等复杂 (分析、设计、开发) → Sonnet
└─ 高度复杂 (战略决策、创新设计) → Opus (需确认)
选择原则:
- 质量优先: 关键任务保证输出质量
- 成本意识: 避免过度使用高成本模型
- 效率平衡: 在质量和成本间找到最佳平衡
# 克隆项目
git clone https://github.com/yezannnnn/agnetGroup.git
cd agnetGroup
# 启动特定AI (推荐方式)
./start-max.sh # 麦克斯 - 项目管理和个人助理
./start-ella.sh # 艾拉 - UI/UX设计
./start-jarvis.sh # 贾维斯 - 开发任务
./start-kyle.sh # 凯尔 - 测试验收
# 可选：使用高级模型
./start-max.sh opus # 使用Opus模型启动麦克斯
./start-ella.sh opus # 使用Opus模型启动艾拉每个AI都有专属技能，通过斜杠命令调用：
麦克斯技能:
/status- 查看团队状态汇总/report- 生成项目报告/meeting- 记录会议/todo- 管理待办事项/suggest- 提供产品建议
艾拉技能 (UI/UX设计):
/design- UI/UX设计和原型制作/prototype- 交互原型制作/handoff- 设计交付和规范
贾维斯技能 (全栈开发):
/code- 代码开发和架构设计/deploy- 部署和运维管理/debug- 代码调试和性能优化/review- 代码审查和质量检查
凯尔技能 (质量保证):
/test- 功能测试和自动化测试/review- 代码审查和安全检查/verify- PRD验收和需求验证/report- 质量报告和测试文档
aiGroup/
├── 📋 README.md # 项目介绍
├── 🔒 .gitignore # 精准版本（11行解决方案）
├── 📜 LICENSE # 开源协议
│
├── 👨💼 max/ # 麦克斯配置
│ ├── CLAUDE.md # 行为指令
│ ├── PERSONA.md # 人格设定
│ └── skills/ # 专属技能
│
├── 🎨 ella/ # 艾拉配置
├── ⚡ jarvis/ # 贾维斯配置
├── 🔍 kyle/ # 凯尔配置
│
├── 🤝 shared/ # 共享工作区
│ ├── status.json # 团队状态（实时同步）
│ ├── tasks/ # 任务管理
│ ├── docs/ # 文档库
│ ├── designs/ # 设计资源
│ └── reviews/ # 测试报告
│
└── 🛠️ scripts/ # 项目工具
├── check-gitignore.sh # 规则验证
└── clean-system-files.sh # 文件清理
graph LR
A[用户需求] --> B[麦克斯分析]
B --> C{任务类型}
C -->|设计| D[艾拉处理]
C -->|开发| E[贾维斯处理]
C -->|测试| F[凯尔处理]
C -->|管理| G[麦克斯处理]
D --> H[shared/状态同步]
E --> H
F --> H
G --> H
H --> I[麦克斯汇总]
I --> J[交付成果]
- 需求分析 → 麦克斯分析需求，确定任务类型
- 任务分配 → 根据职责边界分配给对应AI
- 专业处理 → 各AI在职责范围内处理任务
- 状态同步 → 通过shared工作区同步进展
- 成果汇总 → 麦克斯整合各AI成果，交付用户
- 明确角色: 直接找对应AI，避免跨职责请求
- 利用状态: 查看
shared/status.json了解团队进展 - 遵循边界: 尊重各AI的职责范围
- 成本意识: 关注Token消耗，合理选择模型
- ⚡ 自动优化: 每个AI都会自动执行优化流程，无需干预
aiGroup的每个AI都配置了双重强制优化：
🔄 基础优化流程：
- 🔍 每次消息都先读取token-optimization.md
- 🎯 自动分析任务复杂度并选择最佳模型
- 📋 说明模型选择原因
- ⚡ 按优化策略执行任务
🔧 Task分解强制策略：
- 📊 自动检测可分解任务(3+步骤/多文件/可并行)
- 🤖 使用Task工具进行任务分解
- ⚡ 为每个子任务选择最佳模型
- 🔄 并行执行节省40-60% Token成本
实现效果：
传统方式: 单一Sonnet处理复杂任务 → 高Token消耗
aiGroup方式: 自动分解 → 分析用Sonnet + 实施用Haiku → 节省40-60%
特性：
- ✅ 跨Session持久: 即使清理session也会自动执行
- ✅ 无例外情况: 任何消息都会触发双重优化
- ✅ 自动分解: 智能识别分解机会并自动执行
- ✅ 自动纠错: 检测到违规会立即自我纠正
- ✅ 全AI覆盖: 麦克斯、艾拉、贾维斯、凯尔都遵循
基于文件修改时间戳的高效通知系统：
- 🚀 97%Token节省 - 仅在通知文件有变化时读取
- ⚡ 零依赖实现 - 纯Bash脚本，跨平台兼容
- 🔄 自动缓存 - 每个AI独立维护检查状态
- 📊 实时检测 - 基于文件系统mtime特性
工作机制：
# 每个AI在强制流程第2步自动执行
../shared/scripts/check_notifications_simple.sh [ai_name]
# Exit code 1 = 有新通知，继续读取处理
# Exit code 0 = 无新通知，跳过文件读取性能优化效果：
无新通知场景: 4500 tokens → 150 tokens (节省97%)
有新通知场景: 4500 tokens → 1650 tokens (节省63%)
月度节省估算: $22+ (基于正常使用频率)
- 设计问题不要问贾维斯或凯尔
- 代码问题不要问艾拉或麦克斯
- 测试问题不要问艾拉或贾维斯
- 管理问题不要问艾拉、贾维斯或凯尔
- 避免过度设计：用户要简单方案就给简单方案
- 需求澄清：模糊需求先问清楚再执行
- 复杂度评估：>1000 tokens任务先确认范围
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。
🚀 让每个AI在专业领域发挥最大价值，实现高效协作！