你有没有过这样的经历:
想写一篇深度文章,但光是调研就花了一整天?
网上资料查了一堆,结果自己先搞乱了?
写完之后自己都不想看第二遍,更别说发出来了?
我一直觉得,AI 时代最缺的已经不是「能帮你写东西的工具」了,而是一套完整的工作流。
直到我发现了 newtype-os。内核是一套 8 Agent 多层编排系统,配备专业 Skills 和记忆系统,专为内容生产场景打造。
项目地址: https://github.com/newtype-01/newtype-os/blob/main/README.zh-cn.md

你可以把它理解为:一个驻扎在终端里的内容团队。主编(Chief)负责与你对话、拆解需求;副主编(Deputy)调度执行;6 位专家各司其职——调研、核查、检索、提取、撰写、编辑。
你 ↔ Chief(主编)—— 思考伙伴 + 任务协调 ↓ Deputy(副主编)—— 执行调度 ↓ ┌─────────┼─────────┐ ↓ ↓ ↓ 外部情报 内部知识 内容生产 │ │ │ ├─ Researcher(研究员)—— 外部调研、趋势发现 ├─ Fact-Checker(核查员)—— 事实验证、来源评估 │ ├─ Archivist(档案员)—— 知识库检索、语义关联 ├─ Extractor(提取员)—— PDF/网页/图片 → Markdown │ ├─ Writer(撰稿人)—— 素材 → 结构化初稿 └─ Editor(编辑)—— 润色、逻辑加固、风格统一01. 快速上手
安装
npm install -g @newtype-os/cli安装完后先启动,初始化配置:
nt # 启动后直接说话nt init # 初始化配置,注入技能到其他 AI 工具配置 Agent 模型
C:\Users\Administrator\.config\newtype\newtype-profile.jsonAgent 团队
| Agent | 角色 | 职责 |
|---|---|---|
| Chief | 主编 | 你的对话入口——思考伙伴 + 任务协调 |
| Deputy | 副主编 | Chief 的执行层,调度下游专家 |
| Researcher | 研究员 | 外部情报搜集、趋势发现 |
| Fact-Checker | 核查员 | 事实验证、来源可信度评估 |
| Archivist | 档案员 | 内部知识库检索与关联 |
| Extractor | 提取员 | PDF/图片/网页内容提取,转为 Markdown |
| Writer | 撰稿人 | 将素材转化为结构化初稿 |
| Editor | 编辑 | 语言润色、逻辑加固、风格统一 |
内置 Skills 与 MCP 服务器
Agent 在执行任务时会自动加载对应的 Skill 框架:
| Skill | 命令 | 说明 |
|---|---|---|
| Super Workflow | /super-workflow | 端到端内容生产工作流纪律,含强制质量门控:定标准 → 选题 → 大纲 → 写作 → 审稿 → 诊断 → 终检 → 交付 |
| Super Analyst | /super-analyst | 12 种分析框架(SWOT、波特五力、第一性原理等) |
| Super Writer | /super-writer | 6 种写作方法论(W.R.I.T.E、AIDA、叙事等) |
| Super Fact-Checker | /super-fact-checker | 系统化事实核查 + 来源可信度评估 |
| Super Editor | /super-editor | 四层编辑:结构 → 段落 → 句子 → 用词 |
| Super Interviewer | /super-interviewer | 深度对话技巧,用于需求挖掘和头脑风暴 |
| Super Obsidian | /super-obsidian | Obsidian CLI 优先的笔记库操作:搜索、阅读、创建与管理笔记 |
| MCP 集成 | - | 内置微信桥接(WeClaw)、知识图谱、外部 API 等 MCP 服务器 |
CLI 命令
除了 TUI 交互界面,newtype 还提供一组面向命令行和 AI Agent 调用的专业命令(均支持 --json 输出):
| 命令 | 调度的 Agent | 说明 |
|---|---|---|
nt research [topic] | Researcher + Fact-Checker | 深度调研 + 来源验证 |
nt write [topic] | Writer | 多风格内容生成 |
nt edit [file] | Editor | 四层内容精修 |
nt fact-check [topic] | Fact-Checker | 事实核查与交叉验证 |
nt analyze [topic] | Deputy + Researcher + Archivist | 基于框架的结构化分析 |
nt extract | Extractor | 从文件/URL/图片提取内容 |
nt archive <action> | Archivist | 知识库存取与语义搜索 |
nt pipeline [topic] | 全流程编排 | Research → Analyze → Write → Fact-check → Edit |
nt session list | - | 列出所有会话记录 |
nt session read [id] | - | 读取指定会话内容 |
nt session search [query] | - | 跨会话全文搜索 |
nt skill list | - | 查看已安装的技能列表 |
nt skill install [name] | - | 安装新技能 |
nt config | - | 查看/编辑配置 |
nt doctor | - | 环境诊断与健康检查 |
nt update | - | 检查并更新版本 |
交互命令
| 命令 | 说明 |
|---|---|
/connect | 连接模型供应商 |
/agent-models | Agent 模型分配 |
/init-deep | AI 读取仓库所有文章,创建知识文档 |
/init-soul | 创建定义 Chief 性格(表人格)的 soul.md 文档 |
/wiki | 知识库自动化编译 |
/clear | 清空当前会话上下文 |
/compact | 压缩会话历史,节省 token |
/model [name] | 切换当前使用的模型 |
/export | 导出当前会话为 Markdown |

02. 设计原理与技能
记忆系统
newtype 内置三层记忆架构,让 Agent 团队拥有跨会话的长期记忆:
| 层级 | 说明 | 用途 |
|---|---|---|
| Memory | 会话记忆摘要 | 记录每次对话的关键决策和待办 |
| Archive | 用户主动存档 | 重要内容手动归档,支持语义搜索 |
| Knowledge | 项目知识库 | 自动编译项目文档,形成结构化知识 |
Chief 可以通过 Archivist 检索任意层级的记忆,实现”还记得上次我们讨论过…”这样的连续对话。
深度分析模式(Analyze Mode)
当 Chief 遇到需要深度分析的任务时,会自动进入 Analyze Mode,工作流程如下:
你提出问题 ↓Chief 判断需要深度分析 ↓chief_task(subagent_type="deputy", prompt="Analyze: [topic]") ↓Deputy 调度多个 Agent 并行工作: ├─ Researcher —— 搜集代码模式、实现方案 └─ Archivist —— 检索知识库、外部文档 ↓Chief 综合所有发现,给出结论关键参数说明:
| 参数 | 说明 |
|---|---|
subagent_type="deputy" | 委派给副主编调度 |
run_in_background=false | 同步等待结果,阻塞对话 |
run_in_background=true | 异步执行,不阻塞对话(适合耗时调研) |
skills=["super-analyst"] | 加载特定技能框架辅助分析 |
Chief 的直连工具:
除了委派 Agent,Chief 还可以直接使用:
grep—— 文件内容搜索lsp_*—— 代码智能(跳转定义、查找引用、类型解析)read/glob—— 文件读取与模式匹配
这些工具用于快速定位问题,不需要走完整的委派链路。
同时项目深度集成多款 MCP 实用工具,核心亮点是打通微信生态,复用此前拆解的 WeClaw 项目能力,支持移动端远程操控、随时发指令。
全程只需和 Chief 主编用自然语言提需求,无需手动操作、不用分步对接,系统会自动串联所有 Agent 分工协作,一站式完成从调研、取材、撰稿到精修的全流程创作。
03. 使用场景案例
场景 1:写一篇深度文章
> 我想写一篇关于 AI Agent 架构趋势的文章
Chief:好的,我帮你调研一下最新的动态...[自动调用 Researcher 调研][自动调用 Fact-Checker 验证][自动调用 Writer 写作][自动调用 Editor 润色]
完成!生成了完整的文章草稿一条命令,从调研到成稿,全部搞定。
场景 2:快速查资料
> 帮我查一下 MCP 协议最近有什么新动态
Chief:[调用 Researcher 搜索] [调用 Fact-Checker 验证]找到了 3 篇最新文章,主要内容是...场景 3:管理知识库
> 之前我写的关于 xxx 的笔记在哪?
Chief:[调用 Archivist 搜索你的 Obsidian 笔记]找到了,在 xx 文件里,需要我调取出来吗?场景 4:提取网页内容
> 把这个 PDF 的内容提取出来
Chief:[调用 Extractor]已提取完成,保存在 xxx.md场景 5:桥接个人微信
newtype CLI 内置了 WeClaw 集成,通过 ACP(Agent Client Protocol) 将你的微信与完整 Agent 团队打通。在微信里给自己发一条消息,Chief 就会接手处理——调研、写作、核查,全部在微信完成。
| 命令 | 说明 |
|---|---|
nt wechat setup | 下载 WeClaw 二进制文件 + 扫码绑定微信 |
nt wechat start | 启动微信 Agent 桥接(启动前自动检测更新) |
nt wechat stop | 停止微信 Agent 桥接 |
nt wechat status | 查看已安装版本和运行状态 |
快速开始:
nt wechat setup # 首次:下载 + 扫码登录nt wechat start # 启动桥接守护进程桥接进程在后台运行。微信消息通过 newtype 的 ACP 服务器路由,使用你配置的模型调度 Chief 处理。微信端无需 API Key——使用的是微信官方 iLink API。
PS. 配置文件里,第一行
default_agent设置为newtype就会加载它技能的工作流:C:\Users\Administrator\.weclaw\config.json
用了一段时间,最大的感受是:终于可以把「创作」这件事,真正变成一件只需要动嘴不动手的事。
以前写一篇文章,要自己查资料、自己整理、自己写、自己改,来来回回折腾好几遍。现在只需要告诉 Chief 要写什么,它会把后面的事情全部安排好。
当然,它不是完美的。生成的内容还是需要自己过一遍,核心观点还是需要自己把控。但至少,那些繁琐的体力活,有人帮你干了。
发现错误或想要改进这篇文章?
在 GitHub 上编辑此页