听到”AI 劳动力”四个字，你脑子里浮现的大概率是一堆 Python 代码。LangGraph 的图编排、CrewAI 的角色定义、Agent 之间的消息传递和任务委派。这几乎是 2026 年 Agent 框架的标准形态。
self-driving-agents 偏不。这个项目不提供编排引擎，也没有多 Agent 调度器。它只做一件事：给你 179 个写好的 Agent 模板，按 13 个职能部门分好类，一行 npx 命令装进 Claude。没有 Python 依赖，没有配置文件，没有编排代码。就一套 Markdown 文件，配上 Hindsight 记忆系统。
换句话说，它卖的不是发动机，是整车。一个命令下去，你的 Claude 里就多了一个 SEO 专家、一个 UI 设计师、一个财务分析师。不是”框架让你去搭建”，是”模板让你直接用”。
这种思路在我翻过的上百个 Agent 项目里不多见。跟 CrewAI、AutoGen、LangGraph 这些”给零件让你自己造”的编程框架比起来，self-driving-agents 走的是完全相反的路子——“给整车让你直接开”。任何一个在 GitHub 上泡够五年的人，看到这种”不写编排代码只给模板”的定位，第一反应大概都是怀疑。65 个 commit、一个维护者、三个月历史，怎么看都不像能打的样子。但细看之后我改观了，它”轻”不是因为简陋，是因为它只做了自己该做的事。往下聊。
这套架构的骨架是 Hindsight 记忆引擎，上面挂了 13 个部门的 179 个 Agent 模板，通过 CLI 分发到五种不同的运行环境。每个 Agent 自带 bank-template.json 配置决定它”记什么”和”怎么记”，这是它跟普通 Prompt 模板拉开差距的地方。
为什么这套模板值得认真看
179 个 Agent 这个数字本身不稀奇，稀奇的是覆盖的宽度和细分颗粒度。先看广度。设计、工程、财务、游戏开发、市场营销、付费媒体、产品、项目管理、销售、空间计算、专业服务、支持、测试——这不是”AI 能帮你写代码”的泛泛而谈，是一套按企业职能结构组织的完整劳动力图谱。你敢说你的团队缺某个角色？大概率这个仓库里已经有对应的 Agent 模板等着了。
再看深度。就拿市场营销来说，下面分了 5 个子部门，其中的 china-market 子部门专门覆盖了 Bilibili、抖音、快手、微信、小红书、知乎。这不是硅谷团队用英文思维拼凑的”中国市场策略”，是认真做了平台适配的。类似的颗粒度在工程部门更明显：从前端、后端到 DevOps、智能合约安全，每个子领域都有专门的 Agent。
真正有意思的是每个 Agent 不只是 Prompt 模板。每个目录下有一个 bank-template.json，它定义了 Agent 的记忆结构——哪些事实是”世界知识”、哪些经验需要保留、哪些心智模型需要不断更新。这是 Hindsight 记忆系统的核心能力，也是这套模板区别于 GitHub 上随手搜到的”100 个 ChatGPT Prompts”列表的关键差异。
脚手架省掉之后，你剩下的是一个可插拔的 Agent 技能市场。你可以用它们的 SEO 专家，也可以只参考它的记忆配置写法，自己做一个调性不同的版本。这种”模板开源 + 记忆可配置”的双层设计，比单纯的 Prompt 分享高了至少一个抽象层次。
整个流程三步走：npx 安装指定 Agent、在 Claude 中加载 skill、用 / 激活。没有任何外部 API 依赖，Agent 的记忆配置和知识种子全在本地。这种”零后端”的设计让它几乎可以在任何支持 skill 的 harness 上跑起来。不过一个基本问题是：体验上到底什么感觉？
装一个试试什么感觉
安装命令简单到不需要解释，指定部门和角色、选一个 harness 回车就行：
npx @vectorize-io/self-driving-agents install marketing/seo --harness claude
指定部门和角色，选一个 harness，回车。Claude Chat 用户需要把生成的 skill 文件通过 Customize → Skills → Upload 加载进去。Claude Code 或其他终端型 harness 直接可用。五种 harness 覆盖了目前主流 AI 编程和对话工具：
npx @vectorize-io/self-driving-agents install engineering/ai --harness claude-code
npx @vectorize-io/self-driving-agents install sales/strategy --harness openclaw
装完之后在对话里输入 /my-agent，Agent 就开始工作了。第一次跑的时候它会先加载知识种子和记忆配置，大概十来秒的初始化时间，之后就正常了。如果你想从零做一个自己的 Agent，--empty 参数会给你一个最小的骨架目录，只包含 bank-template.json 和一个空白的种子 Markdown，你在此基础上填内容就行——这比从头写一个 Agent 定义文件省心得多。
要注意的几个坑，列出来比你踩了再看省时间：
-
单维护者风险：这个项目目前只有 nicoloboschi 一个人在维护，65 个 commit 全部出自他手。5-6 月发布节奏还算活跃（20 天内发了两个版本），但最近两个月没有新提交。不确定是休假还是有其他优先级 -
模板质量参差不齐：SEO 专家和 UI 设计师写得相当细致，memory bank 配置也到位。但有些 Agent 更像占位符，只有一个角色描述加几条通用指令，用完你会觉得”就这？” -
全英文模板：虽然在 china-market 子部门里做了中文平台适配，但如果你需要一个纯中文工作流的 Agent，大概率要自己改几版才能用
什么时候用它，什么时候别用
| 场景 | 典型用户 | 优势 | 局限 |
|---|---|---|---|
| 快速搭建 AI 团队原型 | 创业者、独立开发者 | 零代码、十分钟配齐 5 个角色 | 模板深度有限，复杂业务需定制 |
| Claude 重度用户的效率增强 | 用 Claude Code/Claude Chat 做主力工具的人 | 无缝集成，无需迁移工作流 | 仅支持特定 harness，不能跨到 Cursor 等 IDE |
| 特定领域的 AI 助手速成 | 需要 SEO、设计、中国市场营销等专项帮助 | 领域覆盖细，直接可用 | 模板质量参差，需筛选 |
| 学习 Agent 记忆设计 | Agent 开发者、AI 产品经理 | bank-template.json 是最好的教学素材 | 文档偏少，需要自己看源码 |
不适合的情况也直说。Python 技术栈、需要编程式多 Agent 编排和自定义工具链的场景，CrewAI 或 LangGraph 是更成熟的竞品选择。这套模板本质上是”消费级”的——你是在用别人定义好的 Agent，不是在搭建自己的。如果你的业务逻辑复杂到需要条件分支、重试策略、人机协同，那这 179 个模板没有一个能帮你。在 Agent 工具链生态里，self-driving-agents 的真正替代方案不是框架本身，而是”自己写 prompt + 自己配记忆”——这两条路之间的取舍，本质上是在用时间换可定制性。
三种路线的分野很清楚：
-
自己写 Agent 框架：灵活但重，适合有成熟工程团队的场景 -
CrewAI/LangGraph：有编排能力但学习成本高，适合需要精细化控制的 Python 团队 -
self-driving-agents：开箱即用但深度受限，适合快速验证和轻量集成的场景
选哪个取决于你在”定制能力”和”上手速度”之间更看重什么。
不过场景聊完了，还有一个更现实的问题没回答：这个项目本身能不能活下来？
维护靠不靠谱
关键数据先列清楚，好坏你自己判断：
| 指标 | 数据 | 说明 |
|---|---|---|
| 协议 | MIT | 商业友好，私有化部署无障碍 |
| 核心维护者 | 1 人 | Bus Factor 极高，单人依赖风险突出 |
| Commits | 65 | 三个月内的密度不算低 |
| 最近活动 | 2026 年 6 月 15 日 | 近两个月无新提交，活跃度下降 |
| 底层引擎 | Hindsight（16k+ Stars，91.4% LongMemEval） | 技术底座扎实，但引擎团队和模板团队是否同一批人存疑 |
单维护者这个问题绕不过去。Bus Factor = 1，意味着如果 nicoloboschi 停下来，这个仓库就是静态快照了。好消息是底层依赖的 Hindsight 引擎有独立团队和 16k+ Stars，没那么容易消失。坏消息是 self-driving-agents 本质上是 Hindsight 的上层应用，引擎团队会不会持续维护这层模板生态，目前没有任何公开承诺。
社区声音方面，作为上线约三个月的项目，还没有在 HackerNews 或 Reddit 上积累有代表性的讨论。Hindsight 引擎本身在社区有大量讨论（LongMemEval 91.4% 的基准结果在多个技术博客中被引用），但 self-driving-agents 作为独立项目目前仍是”引擎附属品”的定位。不过话说回来，这种模板库性质的仓库，社区反馈本来就不会像框架或工具类项目那样集中。聊完了数据和社区，该聊聊我的真实判断了。
我的真实看法
如果 CrewAI 是”给你零件让你自己造车”，那 self-driving-agents 就是”给你现成的车队让你直接开”。这两种思路没有对错，看你要什么。
这个项目最值钱的地方不是代码。你打开它的 src 目录，就一个 CLI 工具，逻辑极其简单。真正值钱的是那 179 个 Agent 模板里藏着的领域知识——每个 Agent 的 role description、backstory、memory bank 配置，是一个团队对”这个角色应该怎么被 AI 描述和记忆”的理解。这种东西，写出来不难，但覆盖 13 个部门 179 个角色，工作量不小。
但它有一个我比较在意的隐忧：维护可持续性。一个单人维护的项目，模板数量已经膨胀到 179 个，每次底层引擎（Hindsight）升级后，这 179 个模板都需要回归校验。目前没有看到自动化测试覆盖到模板层（61 个单元测试全部是 CLI 层面的），以后引擎升级导致某个模板的 memory bank 配置失效，可能要等用户踩坑了才会被发现。
另一个角度：这个项目其实是 Vectorize 这家公司的市场钩子。Hindsight 是核心产品（有 Cloud 付费版），self-driving-agents 是让你免费体验到”有记忆的 Agent 能干什么”的体验入口。这个商业定位解释了为什么它 MIT 开源还做得这么全——不是做慈善，是让你上瘾之后去买 Hindsight Cloud。但这个逻辑本身不坏，好的开源项目经常长在这种土壤里。分析到位了，剩下的问题就一个：你该拿它怎么办？
资源地址
先用模板跑起来，别急着造轮子
如果你在用 Claude Code 或 Claude Chat 做主力工具，装一个你最需要的 Agent 试试。SEO、UI 设计、代码审查，挑一个你最缺的。花不了十分钟，最坏的结果是浪费了安装时间，最好的结果是发现一个能帮你省掉大量 context 切换的 Agent 搭档。
如果你想自己搭建 Agent 框架，这项目同样值得花时间看。别看它代码少，看它每个 Agent 目录下的 bank-template.json 是怎么设计的。Hindsight 的记忆模型（World Facts、Experiences、Mental Models、Observations）是目前开源 Agent 记忆系统里做得最深入的一套，这些模板是最佳实践参考。
如果你在观望它的未来，盯两个指标：模板数量的增速和第二个维护者什么时候出现。前者决定了这个”Agent 劳动力市场”能不能从 179 个长到 500 个，后者决定了它能不能从”一个人的热情项目”变成”一个社区的基础设施”。