业界首个面向多 Agent 协作的标准化能力包规范落地，多智能体协同进入“标准化”时代。
AI 工程化的演进路径正变得愈发清晰。从单智能体的“工具化”尝试，到多智能体的“协作化”探索，行业焦点已不再局限于模型能力的边界，而是转向了如何高效组织智能体完成复杂任务。
然而，多智能体协作面临的现实困境在于：每次任务似乎都需要重新“组队”，协作经验难以沉淀。如何让优秀的协作模式像代码库一样可复用、可进化，成为当前 Agent 工程落地的关键命题。
近日，华为支持的 openJiuwen 社区给出了新的解决方案。其最新发布的 JiuwenClaw 版本中，率先提出了Coordination Engineering（协作工程）概念，并重磅推出JiuwenClaw Team Skills。
这是业界首个面向多 Agent 协作的标准化能力包规范。它试图将多智能体团队的协作流程、任务范式、沟通策略在执行前就沉淀为标准化 SOP，让团队协作不再从零开始。
伴随着规范的发布，配套的创建技能“团队技能自动生成专家（teamskill-creator）”和共享平台Team Skills Hub也同步上线。这意味着，高效协作不再是单次任务的临时配合，而是可批量复制、持续进化的标准化能力。
关于 JiuwenClaw
JiuwenClaw，是由华为 2012 实验室、华为云 AgentArts 与社区开发者联合，在 openJiuwen 开源社区共建的”AI Agent”项目，主打“懂你所想，自主演进”。
在此之前的 Agent Team 方案，主要解决了当下怎么协作的问题：通过 Leader 智能编排、成员自主执行、共享工作区协同，让多智能体像精锐团队一样完成复杂目标。
但会话结束后，这些经验往往随之消散。下次遇到同类任务，Leader 仍然要从零开始规划：需要几个角色、如何分工、谁先谁后、什么条件算完成。
Team Skills 正是为破解这些问题而来。
Team Skills 即为面向多 Agent 协作的标准化能力包规范，它可以将 Agent Team 一次成功的协作全链路，包括需求拆解、团队组建、任务分配、通信机制、冲突处理、交付规范等，封装为标准化的团队技能，让“一支优秀团队”变成“一套可复制的团队能力”。
简单来说：
Agent Team 让团队“自主高效协作”，Team Skills 让团队协作能力“会沉淀、可复制”。
业界此前已存在类似 Anthropic 提出的 Agent Skills，主要是给单个 Agent 写一份“技能说明书”，让它知道遇到某类任务该怎么做。
Team Skills 在这个基础上往上走了一步：
单 Agent Skill 解决的是“一个 Agent 怎么做事”，Team Skill 解决的是“一个 Agent 团队怎么配合做事”。
一个 Team Skill，本质上就是一个文件夹目录结构：
<team-skill-name>/
├── SKILL.md ← 这个团队叫什么、干什么、成员有谁
├── roles/ ← 每个成员角色各自负责什么
│ ├── .md
│ └── .md
├── workflow.md ← 大家怎么配合、执行顺序是什么
├── bind.md ← 遇到问题怎么处理、边界在哪里
├── dependencies.yaml ← 依赖哪些外部工具
└── examples/ | templates/ | assets/ ... ← 自由扩展
Team Skill 的文件结构非常简单。
最简单的情况，一个 SKILL.md 加上 roles/里几个角色定义，就能组起一支可用的团队。
简单任务两三个文件就够，复杂任务再按需要逐步补充，让结构随着任务演进自然展开，几乎没有门槛。
JiuwenClaw 不但提出了 Team Skills 标准，同时发布了配套创建技能“团队技能自动生成专家（teamskill-creator）”和共享平台 Team Skills Hub。
在 Team Skills Hub 平台上，其提供了可以用来自由创建团队技能的 Skill——团队技能自动生成专家（teamskill-creator），同时支持将现有单 Agent Skill 转化为 Team SKill，或者修改已有的 Team Skill，如增减角色、调整执行流程。
按照如下步骤，可创建”多学科自动分诊的医疗专家团队“技能：
1. 在 Team Skill Hub（团队技能市场）上下载 `团队技能自动生成专家（teamskill-creator）`
-
在 JiuwenClaw 上安装该技能
-
在 JiuwenClaw 页面输入"帮我创建一个医疗专家会诊的团队技能，要求科目齐全，能根据用户的病情描述按需加载"即可创建团队技能
最终，其生成了具备 23 位 AI 医学专科专家的团队技能，该技能可根据病情动态创建多个不同专科专家团进行会诊。
Team Skills 实战验证
- 以飞书频道为例，用户可在飞书上使用/mode team 切换到集群模式，输入请求即可使用多智能体协作了。
- 若想停止任务或开启新会话，可使用/new_session 命令。
- 若想切换其他模式，可使用/mode agent.plan 切换规划模式，/mode agent.fast 切换性能模式。
用户输入：“我最近浑身有点酸痛，能不能用团队技能帮我诊断一下”。
在实测中可以观察到，系统不会先让 Leader 手动决定“该找哪些专家”，而是先由分诊角色读取用户的年龄、性别、症状持续时间和关键症状表现等，判断可能涉及哪些科室方向，再按需动态创建对应的专科专家成员，并为每位专家分配明确的分析重点。
在这个案例里，分诊完成后，对应的专科专家会被即时创建，同时展开并行分析；
随后由主任医生统一汇总各方意见，输出一份完整的会诊报告。
整个过程不仅能看到建议方案，还能实时看到专家是如何被选中和创建的、哪些环节已完成、哪些角色正在并行工作、下一步由谁接力。
整条协作过程可见、可追踪、可复盘。
这正是 Team Skills 真正能拉开差距的地方，它提供的不是“多几个 Agent 一起干活”，而是把复杂协作中最关键、最昂贵、也最容易出错的协调决策，沉淀成一套可直接执行的团队工作流。
谁先分诊、该创建哪些专家、创建几个、各自负责什么、哪些环节并行、何时汇总、冲突怎么处理……
这些原本高度依赖 Leader 临场判断的事情，现在都能稳定复用。
Leader 只需要选择合适的 Team Skill，后续流程就自动运行。
这带来的不是一点点提效，而是把每次从零开始的临时编排，变成了可复制、可迭代的团队能力。
Team Skills 的跨框架兼容性验证
同时，通过使用团队技能自动生成专家（teamskill-creator），可以创建一个“研究与 PPT 撰写”团队技能，并在 Claude Code 上进行验证，对 Team Skill 能完全遵从。
Team Skills 扩展的是 Agent Skills 开放标准，不依赖特定平台框架，完全可以在 Claude Code、Cursor 等支持多智能体协同的平台上零适配运行。
这意味着，凡是支持 Agent Skills 标准的平台，都可以直接复用 Team Skills 的能力。
openJiuwen 提供了Team Skills Hub 平台，支持上传、检索、下载、维护团队技能。
当前已内置了一批开箱即用的 Team Skills，包含开发编程、办公与生产力、内容创作、多模态与媒体、数据与科研、合规与法律、生活与健康、金融与理财八大类别。
大家可以体验使用“团队技能自动生成专家（teamskill-creator）”生成 Team Skills，并上传至 Team Skills Hub 平台共享。
JiuwenClaw Team Skills 实现了多 Agent 协作经验的标准化、可复用、可分发与跨框架通用，进一步完善了 Coordination Engineering 的架构体系。
从Agent Team到Team Skills，JiuwenClaw 持续打通“单智能体好用—多智能体协同—团队能力沉淀”的完整闭环，让 Agent 团队协作从“一次性组队”走向“团队化作战”。
当前，Team Skills Hub 已经沉淀了开发编程、办公生产力提效、内容创作等多个场景的团队高效协作技能，大家可以即刻去体验。
同时也可以使用“团队技能自动生成专家（teamskill-creator）”创建 Team Skills，并上传到 Team Skills Hub，共享你的协作经验，共同构建 Team Skills 生态，让 Agent 协作更智能、更高效！
项目地址：
Team Skills Hub：
JiuwenClaw 快速上手：/blob/develop/docs/zh/Quickstart.md
JiuwenClaw AtomGit：
jiuwenClaw GitHub：
openJiuwen AtomGit：https://gitcode.com/openJiuwen/
openJiuwen GitHub：
行业观察与分析
从单点智能到群体智能，是 AI 应用落地的必然趋势。然而，多智能体系统（MAS）长期以来面临着“协作成本高”和“经验难复用”的挑战。每一次复杂任务的完成，往往伴随着高昂的 Prompt 工程成本和编排调试时间。
JiuwenClaw 推出的 Team Skills 规范，本质上是在尝试建立多智能体协作的“工业标准”。通过将协作流程文件化、结构化，它降低了多 Agent 系统的使用门槛，使得非技术人员也能通过组合现有的“团队技能包”来解决复杂问题。
此外，跨框架兼容性是此次发布的另一大亮点。在 AI 工具链日益碎片化的当下，能够打破平台壁垒，让技能包在 Claude Code、Cursor 等不同环境中流通，对于生态的繁荣至关重要。这类似于软件开发中的“包管理器”概念，有望加速 Agent 应用的规模化落地。
未来，随着更多开发者贡献团队技能，以及标准化协议的进一步推广，多智能体协作有望从“实验性项目”转变为真正的“生产力工具”。但同时也需注意，标准化带来的安全性、隐私保护以及技能包的质量评估机制，将是接下来生态建设需要重点关注的方向。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，可联系本站进行审核删除。
