让每个智能体像团队里的真实成员一样，有明确的分工、稳定的工作方法、以及持续的上下文记忆。
当一个团队引入多个 AI 智能体展开协作后，可能会遇到这样一些问题：一个任务指派给几个智能体去做，智能体之间会“抢活干”；同样的工作流程每次都要重新教一遍，智能体的输出质量不稳定；换个会话，智能体就忘了上次做过的决策和约定。
这些问题的底层原因在于：缺少对 AI 智能体的组织级管理。
在企业级治理与编排工程的思维下，平凯 Loop v1.1.1 正式引入了角色（Role）、技能（Skill）、记忆（Memory）功能，通过对智能体配置的深度解耦，让多智能体协作可管控、可追溯。
角色：明确每个 Agent 的权责边界
「角色」就像是“数字员工”的岗位说明。在平凯 Loop，为一个智能体设定角色，就是明确其在团队协作中的长期职责与工作边界。
想象一下你的研发团队有多个智能体：做代码评审的，生成测试计划的，写技术文档的……如果没有做好角色定义，当团队 @代码评审 Agent 去看一个 PR 时，它可能会花时间、花 Token 把产品文档也 review 了；或者让 @测试 Agent 去生成用例，它却给出了一个完全超出当前迭代范围的冗杂方案。
这种“越界”不仅消耗不必要的 Token，还会严重影响团队协作效率。
在平凯 Loop，「角色」就是用来划定这些边界的。定义清楚一个智能体负责什么、不负责什么，团队成员自然会知道什么时候该 @ 它，智能体自己也能紧盯岗位职责，更精准地交付结果或交接任务。
平凯 Loop 的「角色」功能包含了智能体的系统提示词、知识库访问权限以及工具授权等行为准则，支持复用和版本管理。当前，定义智能体角色的方式有三种：
- 使用内置模板起步：官方模板目前已覆盖工程研发、产品与设计、数据与研究、运营与项目等多个协作领域。模板提供了一个良好的起点，创建后建议根据团队的实际工作流进一步调整和优化。
- 复用已沉淀的角色： 当一个智能体已经具备成熟的数字员工能力时，你可以直接基于该智能体生成角色草稿（此操作不会改动来源智能体的配置）。同一个角色也可以在不同工作区创建多个智能体实例，各自独立运行，互不影响。
- 从空白开始自定义：在创建新的智能体时，支持通过自然语言从零开始描述，逐步明确期望的工作模式、重点关注的任务事项、产出结果的标准以及行动边界。
此外，结合任务复杂度、风险要求、响应速度等实际需求，你还可以进一步调整智能体的配置模型、推理强度（6 档可调）、应用/集成工具授权范围，选择是否开启独立执行会话以及是否增强回复能力。比如，负责代码架构评审的智能体可以启用高推理度、增强回复与长任务独立执行；做简单分类的文档助手则用低推理度并关闭增强回复即可。这对企业团队协作中的 Token 成本控制和响应效率提升控制很有帮助。
技能：沉淀组织的标准化 SOP
日常协作中，团队可能经常要反复向智能体解释同一套流程或规范。比如代码评审的输出应该包含哪些内容、提 PR 前的自查清单有哪些项、线上问题排查应该按什么步骤推进。这些做法散落在以前的聊天记录和文档里，即使每次都重新交代了，智能体的输出结构还不一定一致。
「技能」解决的正是：高频重复流程怎么稳定且规范地推进和交付。
然而，随着 AI 基础设施的完善，单个技能在未来会越来越容易获得。真正有长期价值的，是管理、调度海量技能并使其在组织约束下发挥效用的系统能力。
在平凯 Loop，「技能」功能支持把这些经过验证的做法沉淀为可复用的模块。一次定义，多处调用。帮助智能体在遇到对应任务时按规范的步骤执行，输出结构和质量更加稳定。
当前，平凯 Loop 「技能」功能支持：
- 在对话窗口，通过自然语言让智能体自主生成或下载安装 skill；
- 创建私人或共享技能库；
- 上传文件、输入来源地址的方式导入技能；
- 对技能库进行备份与恢复；
- 一键应用到智能体。
配置技能时，建议注意以下几点：
- 技能要简短且可执行，提炼出相对稳定的步骤和规则，不要把项目背景、角色职责以及一次性的临时要求塞进去。
- 技能和智能体角色要匹配——代码评审角色配代码审查技能，技术负责人角色配需求拆解和风险跟踪技能，不要把所有技能都给每个智能体，分配过宽反而看不出专业分工。
- 技能需要随团队流程变化同步更新，但临时例外直接在当前任务里说明就好，不用急着改技能本身。
记忆：让 Agent 带着上下文持续进化
大模型每次调用都是无状态的，于是“没有记忆”的智能体们，每次新会话都像“第一天上班”——上周评审时和智能体约定了代码风格规则，这周和它从零开始讨论同样的约定；项目的技术约束变了，但负责测试计划的智能体还在按旧约束生成用例……
「记忆」功能为长期跟进项目的智能体解决上述问题。它保存后续工作仍需反复参考的稳定信息：项目目标、技术约束、团队约定、重要决策和已知风险。智能体在新会话中可以直接读取这些信息，快速对齐上下文。
更为关键的是，平凯 Loop 在记忆的工程实现上，不会把历史记录全部塞进上下文窗口，而是依托底层的状态持久化机制，实现更优雅的按需加载：
- 频道消息、任务状态、记忆数据都在 Loop 侧持久化。
- 每次唤醒智能体时，只编译当前消息、目标话题、路由信息和少量关键上下文为当轮输入。
- 智能体需要更多历史时，支持通过 read_history、任务面板、记忆文件等工具按需获取。
在平凯 Loop 的治理框架下，可靠的业务延续不完全取决于模型的天然上下文窗口，持久化的消息日志和动态记忆状态也很重要。
因此，处理长期任务的最佳做法，是引导智能体在工作流中及时调用 Task 工具追踪进展，并主动更新 Memory 文件中的关键变量，而不是把所有信息都堆砌积压在频道的对话流中。这样一来，即使会话重启或触发上下文压缩，业务也能顺滑推进。
最后，记忆作为高价值的数字资产，需要保持“高信噪比”。当项目状态变化时需及时更新，过期信息必须被清理；切忌将未经整理的零散聊天记录或一次性临时安排塞入记忆。
自上而下的组织级设计思路
区别于将配置与单个 AI 智能体强绑定的模式，平凯 Loop 将「角色、技能和记忆」设计为可以在组织层面统一管理的协作资产。
能力共享与复用：沉淀下来的优质技能可以被多个智能体直接引用；维护良好的项目记忆能让所有相关的智能体快速对齐上下文。“数字员工”也可以作为平等的协作主体参与工作，能力通过共享网络在团队中流动。
全链路可审计：从任务创建、智能体接手、工具调用到最终交付，每个协作环节都有记录可查。平凯 Loop 将企业级的过程管控与合规需求内嵌到协作流程中，管理团队可以基于这些全链路数据，持续优化配置。
而这些设计的底层逻辑，源自平凯星辰在企业级工程管理上的长期积累。构建复杂数据库所遵循的——“每一层职责清晰、交互可观测、故障可追溯”的工程化管理哲学，被迁移到了多智能体协作的管理中，最终形成了 Loop 自上而下的组织级设计思路。