Agent Orchestrator 是一个元智能体技能，用于编排复杂任务：把宏观任务拆解为子任务，生成自治子智能体，并整合其产出。其工作流分为六个阶段。
第一阶段任务拆解：分析宏观任务，明确最终目标与成功标准，列出主要交付物，判断组件依赖，将独立工作分组为可并行子任务，并为顺序工作绘制依赖图。原则是每个子任务可独立完成、尽量减少智能体间依赖、偏好更宽泛的自治任务、为每个子任务设定清晰成功标准。
第二阶段智能体生成：为每个子任务创建工作区，使用命令 python3 scripts/create_agent.py <agent-name> --workspace <path>，生成包含 SKILL.md、inbox/、outbox/、workspace/ 和 status.json 的目录。SKILL.md 动态写入角色目标、所需工具能力、输入输出规范、成功标准与通信协议；可参考 references/sub-agent-templates.md 的预置模板。
第三阶段智能体派发：将任务说明写入 inbox/instructions.md，把输入文件复制到 inbox/，把 status.json 设为 {"state": "pending", "started": null}，再通过 Task 工具以 subagent_type="general-purpose" 派发，提示其读取 SKILL.md、从 inbox 读取任务、把输出写入 outbox 并更新状态。
第四阶段监控：面向完全自治的智能体只需最小监控，周期读取 status.json，判断 state 是否为 completed。
第五阶段汇总：收集各智能体 outbox 输出，按成功标准验证交付物，按需合并整合、解决冲突并生成工作总结。
第六阶段解散与总结：可归档工作区、清理临时文件，并生成包含各智能体成果、问题、交付物位置和资源指标的总报告，命令为 python3 scripts/dissolve_agents.py --workspace <path> --archive。
文件通信协议规定 inbox/ 对智能体只读、由编排者写入；outbox/ 对智能体只写、由编排者读取；status.json 记录 pending 到 running 到 completed 或 failed 的状态。文档给出的市场分析报告示例按 data-collector、analyst、writer、reviewer 顺序依赖执行。模板库还提供研究、代码、分析、写作、评审、集成等常见智能体模板。最佳实践包括从小规模开始、明确边界、结构化交接、优雅处理失败、记录全过程。资料未提供具体收费、价格、支持平台或性能数据。