claude-bootstrap
claude-bootstrap 是专为 Claude Code 打造的项目初始化系统,旨在通过“安全优先、规范驱动”的理念,为 AI 生成的代码建立可靠护栏。当前 AI 编码的瓶颈已从“生成”转向“理解与维护”,该工具通过严格的测试驱动开发(TDD)流程解决这一痛点:它利用停止钩子(Stop Hooks)在每次 AI 响应后自动运行测试,确保代码在通过验证前绝不交付,从而保证产出简洁、安全且可验证。
这套系统特别适合追求高质量工程实践的开发者团队。其核心亮点在于默认采用"AI 代理团队”协作模式,将项目拆解为由不同角色代理协同完成的任务;同时实施极致的代码简约原则(如单函数不超过 20 行),并具备基于文件路径的条件规则机制,仅在编辑特定类型文件时加载对应规范,有效节省上下文资源。此外,最新版本引入了意图增强的代码属性图谱与多层级记忆恢复技术,能精准追踪代码演变、防止重复劳动,并在会话中断时无缝恢复上下文。只需简单命令,claude-bootstrap 即可自动配置包含技能库、安全策略及 CI/CD 在内的完整开发环境,让开发者从繁琐的设置中解放,专注于核心逻辑构建。
使用场景
某初创团队的后端工程师正利用 Claude Code 快速构建一个包含敏感用户数据的金融 API 服务,需要在极短时间内交付高质量且安全的代码。
没有 claude-bootstrap 时
- 代码质量失控:AI 生成的函数往往过长且参数混乱,缺乏统一规范,导致后期人工审查和维护成本极高。
- 测试滞后或缺失:通常是先写业务代码再补测试,甚至遗漏测试,使得潜在 Bug 流入生产环境的风险大增。
- 安全隐患频发:开发者容易疏忽将密钥硬编码在代码中,或缺少对依赖包的自动安全扫描,埋下数据泄露隐患。
- 上下文丢失严重:在长对话中,一旦遇到模型上下文压缩或会话中断,之前的开发意图和架构决策常常丢失,导致重复劳动。
- 协作效率低下:缺乏预定义的“代理团队”分工,单个 AI 实例需同时处理架构、编码和调试,容易顾此失彼。
使用 claude-bootstrap 后
- 强制简约架构:通过内置规则自动限制函数不超过 20 行、文件不超过 200 行,确保生成的代码天然简洁易读。
- 严格 TDD 闭环:利用 Stop Hooks 机制,强制要求“先写失败测试再实现功能”,若测试不通过则自动阻断并让 AI 迭代修复。
- 默认安全优先:自动配置权限拒绝规则防止
.env文件泄露,并在提交前自动扫描依赖漏洞,从源头杜绝常见安全问题。 - 智能记忆恢复:借助 Mnemos 双层任务恢复和类型化记忆图,即使会话崩溃或上下文被压缩,也能精准找回开发目标与意图。
- 多代理协同作业:自动组建由不同专长 AI 代理构成的团队,分别负责编码、测试和审查,大幅提升复杂任务的完成度。
claude-bootstrap 通过将松散的 AI 代码生成转变为受控、安全且可验证的工程化流程,彻底解决了"AI 写得快但人看不懂”的核心瓶颈。
运行环境要求
- Linux
- macOS
未说明
未说明

快速开始
Claude Bootstrap
一个为 Claude Code 设计的、带有明确立场的项目初始化系统。默认采用代理团队模式,严格遵循 TDD 流程,支持多引擎代码评审,并将安全性置于首位。
瓶颈已从代码生成转移到代码理解。 AI 能够生成无限量的代码,但人类仍然需要对这些代码进行审查、理解和维护。Claude Bootstrap 提供了一系列约束机制,确保 AI 生成的代码简洁、安全且可验证。
v3.3.1 新增功能: Mnemos 两层后压缩任务恢复——当 Claude Code 的压缩功能触发、崩溃或未运行时,也能保证上下文的完整恢复。类型化内存图(目标永不被驱逐)、四维疲劳监测,以及跨会话的检查点与恢复功能。iCPG 意图增强型代码属性图——追踪代码存在的原因,检测偏差,避免重复工作。
核心理念
┌────────────────────────────────────────────────────────────────┐
│ 通过停止钩子实现 TDD 循环 │
│ ─────────────────────────────────────────────────────────────│
│ 停止钩子会在每次 Claude 回应后运行测试。 │
│ 如果测试失败,反馈会自动回传给 Claude,直到测试全部通过。 │
│ 这是真正的 Claude Code 基础设施——无需任何插件。 │
├────────────────────────────────────────────────────────────────┤
│ 测试先行,始终如此 │
│ ─────────────────────────────────────────────────────────────│
│ 功能开发流程:编写测试 → 观察测试失败 → 实现功能 → 通过测试 │
│ Bug 修复流程:发现测试缺失 → 编写失败的测试 → 修复 → 通过测试 │
│ 没有经过失败测试的代码不会被部署。 │
├────────────────────────────────────────────────────────────────┤
│ 简洁性是目标 │
│ ─────────────────────────────────────────────────────────────│
│ 每个函数不超过 20 行 │ 每个文件不超过 200 行 │ 参数最多 3 个 │
│ 通过 .claude/rules/ 中的 frontmatter 路径强制执行。 │
├────────────────────────────────────────────────────────────────┤
│ 默认安全 │
│ ─────────────────────────────────────────────────────────────│
│ 代码中不包含任何敏感信息 │ 对 .env 文件实施权限拒绝规则 │
│ 依赖项扫描 │ 提交前钩子 │ CI 强制执行 │
├────────────────────────────────────────────────────────────────┤
│ 默认使用代理团队 │
│ ─────────────────────────────────────────────────────────────│
│ 每个项目都以协调一致的 AI 代理团队形式运行。 │
│ 代理定义使用规范的 frontmatter:工具、模型、 │
│ 最大轮次、努力程度、禁止使用的工具等。 │
├────────────────────────────────────────────────────────────────┤
│ 条件规则 │
│ ─────────────────────────────────────────────────────────────│
│ .claude/rules/ 中的规则会根据文件路径激活。 │
│ React 规则仅在编辑 .tsx 文件时加载。 │
│ Python 规则仅在编辑 .py 文件时加载。 │
│ 这样可以节省 token,减少噪音,提供更精准的指导。 │
└────────────────────────────────────────────────────────────────┘
快速入门
# 克隆并安装(可克隆到任意位置)
git clone https://github.com/alinaqi/claude-bootstrap.git
cd claude-bootstrap && ./install.sh
# 在任意项目目录下
claude
> /initialize-project
Claude 将执行以下操作:
- 验证工具 - 检查 gh、vercel、supabase 的 CLI 是否可用
- 提问 - 选择编程语言、框架、是否以 AI 优先、数据库类型、图分析级别等
- 设置仓库 - 创建或连接 GitHub 仓库
- 创建结构 - 包括技能、规则、配置、安全措施、CI/CD、规格说明和待办事项
- 复制 settings.json - 预配置的权限和停止钩子
- 生成 CLAUDE.md - 包含用于模块化技能的
@include指令 - 生成 CLAUDE.local.md - 用于开发者私有覆盖的模板
- 启动代理团队 - 部署团队负责人 + 质量控制 + 安全 + 评审 + 合并 + 功能代理
TDD 循环的工作原理(停止钩子)
无需插件,也无假命令。 当 Claude 完成一次响应时,Claude Code 的停止钩子会运行一段脚本。如果脚本退出码为 2,则会将 stderr 反馈给 Claude,并继续对话。
┌─────────────────────────────────────────────────────────────┐
│ 1. 用户说:“在注册功能中添加邮箱验证” │
│ 2. Claude 编写测试用例及实现代码 │
│ 3. Claude 完成响应 │
│ 4. 停止钩子运行:npm test && npm run lint │
│ 5a. 所有测试通过(退出码 0)→ 完成! │
│ 5b. 测试失败(退出码 2)→ stderr 被反馈给 Claude │
│ 6. Claude 发现问题,修复后再次完成响应 │
│ 7. 停止钩子再次运行 → 重复此过程,直到所有测试通过为止 │
└─────────────────────────────────────────────────────────────┘
配置位于 .claude/settings.json 中:
{
"hooks": {
"Stop": [{
"hooks": [{
"type": "command",
"command": "scripts/tdd-loop-check.sh",
"timeout": 60,
"statusMessage": "正在运行测试..."
}]
}]
}
}
tdd-loop-check.sh 脚本会运行测试、代码风格检查和类型检查。它还会记录迭代次数(最多 25 次),并区分代码错误(循环)和环境错误(停止)。
@include 指令
CLAUDE.md 使用 @include 指令来模块化加载技能:
# CLAUDE.md
@.claude/skills/base/SKILL.md
@.claude/skills/iterative-development/SKILL.md
@.claude/skills/security/SKILL.md
这些内容会在加载时由 Claude Code 解析——内容会被递归内联(最大深度 5,内置循环检测)。这意味着技能实际上会成为提示的一部分,而不仅仅是作为文本列出。
条件规则
.claude/rules/ 中的规则使用 YAML frontmatter 的 paths: 字段,仅在编辑相关文件时才会生效:
# .claude/rules/react.md
---
paths: ["src/components/**", "**/*.tsx"]
---
优先使用带 hooks 的函数式组件...
# .claude/rules/python.md
---
paths: ["**/*.py"]
---
使用类型注解、pytest 和 ruff...
包含的规则:
| 规则 | 激活条件 |
|---|---|
quality-gates.md |
始终(无 paths: 过滤) |
tdd-workflow.md |
始终 |
security.md |
始终 |
react.md |
编辑 .tsx/.jsx 文件 |
typescript.md |
编辑 .ts/.tsx 文件 |
python.md |
编辑 .py 文件 |
nodejs-backend.md |
编辑 api/routes/server 文件 |
更智能的压缩(PreCompact 钩子)
Claude Code 内置的压缩机制会在上下文使用率达到约 83% 时触发,并使用一个通用的 9 段模板将所有内容总结为 20,000 个 token。然而,它并不了解你的项目真正关心的内容。
PreCompact 钩子通过向总结器注入项目特定的保留优先级来解决这一问题:
┌─────────────────────────────────────────────────────────────┐
│ 内置压缩: │
│ “总结本次对话” → 通用摘要 │
├─────────────────────────────────────────────────────────────┤
│ 使用 PreCompact 钩子: │
│ “请总结,但要逐字保留所有模式决策、精确的错误信息、API 合同细节, │
│ 并按名称引用这些关键决策,同时附上当前的 Git 状态以便包含在内” → 项目感知的总结 │
└─────────────────────────────────────────────────────────────┘
该钩子会自动检测:
- 项目类型(TypeScript/Next.js、Python/FastAPI、Flutter 等)
- 模式文件(Drizzle、Prisma、SQLAlchemy)→ 告知总结器保留模式相关的讨论
- API 目录→ 告知总结器保留端点路径和合同内容
- CLAUDE.md 中的关键决策→ 告知总结器按名称引用这些决策
- Git 状态→ 注入分支、未提交的更改以及暂存文件
在正常使用过程中无额外开销,仅在压缩真正触发时才会运行。
Mnemos — 任务范围内的内存生命周期
Claude Code 的内置压缩具有损耗性且不可靠。它有时不会触发,/compact 和 /clear 命令也可能失败(尤其是在多智能体执行中),而崩溃或重启则会导致所有上下文丢失。Mnemos 提供了持久化到磁盘的结构化状态,能够抵御所有这些故障模式。
┌─────────────────────────────────────────────────────────────┐
│ 默认 Claude Code 与 使用 Mnemos │
├─────────────────────────────────────────────────────────────┤
│ 盲目等待至 83.5% 持续进行四维监控│
│ 突然强制压缩 分阶段触发:40→60→75→83% │
│ 统一总结 类型化:目标永远不会被清除 │
│ 无跨会话记忆 自动检查点与恢复 │
│ 崩溃 = 完全丢失上下文 崩溃 = 从磁盘恢复 │
│ 多智能体:无共享状态 每个智能体拥有独立的结构化状态│
│ 缺乏行为感知 能够检测重复读取与分散操作 │
└─────────────────────────────────────────────────────────────┘
压缩后的任务恢复(双层保障)
当压缩触发时,内置的总结器往往会丢失任务特定的状态。Mnemos 使用两个独立的层面来确保恢复:
压缩前 压缩后
PreCompact 钩子触发 第一次工具调用 → PreToolUse 钩子触发
├── 写入紧急检查点 ├── 检测“.mnemos/just-compacted”标记
├── 根据 signals.jsonl 构建任务叙述(文件、工具等) ├── 读取 checkpoint-latest.json
├── 输出强保留指令给总结器 ├── 将完整检查点输出到上下文中
├── 写入“.mnemos/just-compacted”标记文件 └── Claude 现在拥有:总结 + 检查点
└── 恢复完成
第一层(尽力而为):PreCompact 告诉总结器需要保留哪些内容,包括带有类型化清除优先级的内联检查点内容。
第二层(保证):压缩后的 PreToolUse 注入机制会在压缩后的首次工具调用时重新注入完整的检查点。这一过程不依赖于总结器。如果没有发生压缩,快速路径耗时约 5 毫秒。
为什么不直接写入普通文件?
当然可以——但你会立刻面临以下问题:采用什么格式?何时更新?如何区分“这是关键的”和“这只是锦上添花的”?MnemoGraph 的类型化节点解决了这些问题:
| 节点类型 | 清除策略 | 示例 |
|---|---|---|
| GoalNode | 绝不清除 | “实现认证模块” |
| ConstraintNode | 绝不清除 | “API 向后兼容性” |
| ResultNode | 先压缩 | “JWT 中间件已测试” → 保留摘要 |
| WorkingNode | 先压缩 | 当前推理 / 进行中的分析 |
| ContextNode | 可清除 | 文件内容 → 从磁盘重新读取 |
如果没有类型化的优先级,检查点就只是一个简单的数据块。而有了它们,系统就能明确目标 > 约束 > 工作内存 > 上下文,并在 token 预算范围内做出智能的恢复决策。
正常压缩之外的韧性
真正的价值并不在于一切顺利的情况,而是在出现问题时:
| 故障模式 | CC 内置 | Mnemos |
|---|---|---|
| 会话崩溃/中断 | 上下文丢失 | 磁盘上的检查点仍然存在 |
/compact 未触发 |
截断至上限 | 疲劳钩子已在更早时写入检查点 |
| 多智能体子进程死亡 | 无法恢复 | 子进程的 .mnemos/ 中保存着结构化状态 |
| 强制重启 | 通用摘要 | SessionStart 会重新加载完整检查点 |
/clear 在多智能体中失败 |
卡在奇怪的状态 | MnemoGraph 独立于 CC 的状态 |
疲劳模型
通过钩子被动观察的四个维度——无需智能体之间的协作:
| 维度 | 权重 | 信号来源 | 检测内容 |
|---|---|---|---|
| Token 利用率 | 0.40 | Statusline JSON | 上下文窗口的满载程度 |
| 作用域分散 | 0.25 | PreToolUse 文件路径 | 智能体在不同目录之间来回切换 |
| 重复读取比例 | 0.20 | PreToolUse 的读取调用 | 智能体反复读取文件(上下文损失) |
| 错误密度 | 0.15 | PostToolUse 的结果 | 智能体遇到困难(高错误率) |
疲劳状态:FLOW (0–0.4) → COMPRESS (0.4–0.6) → PRE-SLEEP (0.6–0.75) → REM (0.75–0.9) → EMERGENCY (0.9+)。疲劳模型确保检查点在问题恶化之前就被写入——因此,即使在 0.85 时发生崩溃,你仍然会有来自 0.6 的最新检查点。
CLI
mnemos init # 初始化 .mnemos/
mnemos status # 节点数量 + 疲劳状态
mnemos fatigue # 四维详细分解
mnemos checkpoint --force # 立即写入检查点
mnemos resume # 输出检查点以供会话注入
mnemos add goal "构建认证" # 创建一个 GoalNode
mnemos bridge-icpg # 导入 iCPG ReasonNodes
开销: 每次工具调用约 5 毫秒(快速路径),磁盘占用 84KB。Token 信号通过 statusline 自动输入。
iCPG — 基于意图的代码属性图
iCPG 不仅记录代码的功能,还追踪代码存在的原因。每次代码变更都会与一个 ReasonNode 关联,该节点捕获了代码的意图、后置条件和不变式。
icpg create "实现认证" --scope src/auth/ # 创建意图
icpg record src/auth/middleware.ts # 链接符号
icpg query constraints src/auth/middleware.ts # 获取不变式
icpg drift # 检查偏移
icpg bootstrap # 从 Git 历史推断
任务前查询(通过 PreToolUse 钩子自动注入):
icpg query context <file>— 哪些意图与此文件相关?icpg query constraints <file>— 必须满足哪些不变式?icpg drift file <file>— 此文件是否偏离了其初衷?
6 维度偏移检测:规范偏移、决策偏移、所有权偏移、测试偏移、使用偏移、依赖偏移。
预配置权限
.claude/settings.json 包含权限规则,以避免用户在执行常规操作时频繁被询问:
{
"permissions": {
"allow": [
"Bash(npm test *)",
"Bash(npm run lint *)",
"Bash(pytest *)",
"Bash(git status *)",
"Bash(gh pr *)"
],
"deny": [
"Bash(rm -rf *)",
"Bash(git push --force *)",
"Write(.env)",
"Write(.env.*)"
]
}
}
CLAUDE.local.md(私有覆盖)
每位开发者都有一个被 .gitignore 排除的 CLAUDE.local.md 文件,用于存储个人偏好:
# 我的偏好
- 我更喜欢详细的解释
- 我的本地数据库运行在 5433 端口
- 使用 pnpm 而不是 npm
此文件会以更高优先级加载,覆盖项目中的 CLAUDE.md——个人偏好会优先于团队配置,而不会污染仓库。
代理团队
每个项目都以协调一致的 AI 代理团队形式运行,并配有完整的 frontmatter 定义:
# .claude/agents/team-lead.md
---
name: team-lead
description: 协调代理团队
model: sonnet
tools: [Read, Glob, Grep, TaskCreate, TaskUpdate, TaskList, TaskGet, SendMessage]
disallowedTools: [Write, Edit, Bash]
maxTurns: 50
effort: high
---
默认团队:
| 代理 | 角色 | 是否可编辑代码? |
|---|---|---|
| 团队负责人 | 协调并分配任务(不编写代码) | 否 |
| 质量代理 | 验证 RED/GREEN TDD 流程,覆盖率 ≥ 80% | 否 |
| 安全代理 | OWASP 扫描、敏感信息检测、依赖审计 | 否 |
| 代码审查代理 | 多引擎代码审查 | 否 |
| 合并代理 | 通过 gh CLI 创建功能分支和 PR |
否 |
| 功能代理(x N) | 每个功能一个,遵循严格的 TDD 流程 | 是 |
流程(由任务依赖关系强制执行):
规格 > 规格评审 > 测试 > RED 验证 > 实现 >
GREEN 验证 > 验证 > 代码审查 > 安全 > 分支+PR
# 自动由 /initialize-project 启动,或手动启动:
/spawn-team
项目结构
your-project/
├── .claude/
│ ├── agents/ # 代理定义,包含 frontmatter
│ │ ├── team-lead.md # 名称、模型、工具、禁用工具、最大轮次
│ │ ├── quality.md
│ │ ├── security.md
│ │ ├── code-review.md
│ │ ├── merger.md
│ │ └── feature.md
│ ├── rules/ # 条件规则(路径:frontmatter)
│ │ ├── quality-gates.md # 始终生效
│ │ ├── tdd-workflow.md # 始终生效
│ │ ├── security.md # 始终生效
│ │ ├── react.md # 对 .tsx/.jsx 文件生效
│ │ ├── typescript.md # 对 .ts/.tsx 文件生效
│ │ ├── python.md # 对 .py 文件生效
│ │ └── nodejs-backend.md # 对 api/routes/server 文件生效
│ ├── skills/ # 通过 @include 加载的能力
│ │ ├── base/SKILL.md
│ │ ├── iterative-development/SKILL.md
│ │ ├── security/SKILL.md
│ │ ├── mnemos/SKILL.md
│ │ └── [framework]/SKILL.md
│ └── settings.json # 权限、钩子和状态栏
├── scripts/
│ ├── tdd-loop-check.sh # TDD 循环停止钩子脚本
│ ├── icpg/ # 基于意图的代码属性图
│ └── mnemos/ # 任务范围内的记忆生命周期
├── .mnemos/ # Mnemos 状态(自动生成,被 .gitignore 排除)
│ ├── mnemo.db # SQLite MnemoGraph
│ ├── fatigue.json # 实时疲劳信号
│ ├── signals.jsonl # 行为信号日志
│ └── checkpoint-latest.json # 最近检查点
├── .github/workflows/
│ ├── quality.yml
│ └── security.yml
├── _project_specs/
│ ├── features/
│ └── todos/
├── CLAUDE.md # @include 指令,项目上下文
└── CLAUDE.local.md # 私人开发者覆盖(被 .gitignore 排除)
提交规范
┌─────────────────────────────────────────────────────────────┐
│ 提交规模阈值 │
├─────────────────────────────────────────────────────────────┤
│ 合格:≤ 5 个文件,≤ 200 行 │
│ 警告:6–10 个文件,201–400 行 → “尽快提交” │
│ 停止:> 10 个文件,> 400 行 → “立即提交” │
└─────────────────────────────────────────────────────────────┘
包含的能力(59 项)
核心能力
| 能力 | 目的 |
|---|---|
base.md |
通用模式、约束、TDD 流程、原子化待办事项 |
iterative-development.md |
通过停止钩子实现 TDD 循环(替代 Ralph Wiggum) |
mnemos.md |
任务范围内的记忆生命周期——疲劳监测、检查点、类型化压缩 |
icpg.md |
基于意图的代码属性图——追踪代码存在的原因,检测偏移 |
code-review.md |
强制性代码审查——Claude、Codex、Gemini 或多引擎审查 |
codex-review.md |
OpenAI Codex CLI 代码审查 |
gemini-review.md |
Google Gemini CLI 代码审查,1M token 上下文 |
workspace.md |
多仓库工作区意识,合约跟踪 |
commit-hygiene.md |
原子化提交,PR 尺寸限制 |
code-deduplication.md |
通过能力索引防止语义重复 |
agent-teams.md |
具有完整 frontmatter 定义的代理团队工作流 |
ticket-craft.md |
面向 Claude Code 优化的 AI 原生工单撰写 |
team-coordination.md |
多人协作项目,共享状态,交接 |
code-graph.md |
通过 MCP 持久化代码图 |
cpg-analysis.md |
深度 CPG 分析——Joern + CodeQL |
security.md |
OWASP 模式,敏感信息管理 |
credentials.md |
中央化 API 密钥管理 |
session-management.md |
上下文保持,可恢复性 |
project-tooling.md |
gh、vercel、supabase CLI + 部署 |
existing-repo.md |
分析现有仓库,设置护栏 |
语言与框架技能
| 技能 | 目的 |
|---|---|
python.md |
Python + ruff + mypy + pytest |
typescript.md |
TypeScript strict + eslint + jest |
nodejs-backend.md |
Express/Fastify 模式、仓库模式 |
react-web.md |
React + hooks + React Query + Zustand |
react-native.md |
移动端模式、平台特定代码 |
android-java.md |
Android Java,使用 MVVM、ViewBinding、Espresso |
android-kotlin.md |
Android Kotlin,使用协程、Jetpack Compose、Hilt |
flutter.md |
Flutter,使用 Riverpod、Freezed、go_router |
UI 技能
| 技能 | 目的 |
|---|---|
ui-web.md |
Web UI - Tailwind、暗黑模式、可访问性 |
ui-mobile.md |
移动端 UI - React Native、iOS/Android 模式 |
ui-testing.md |
视觉测试 |
playwright-testing.md |
端到端测试 - Playwright、Page Objects |
user-journeys.md |
用户体验流程 |
pwa-development.md |
渐进式 Web 应用 - service workers、离线支持 |
数据库与后端技能
| 技能 | 目的 |
|---|---|
database-schema.md |
模式意识 |
supabase.md |
Supabase 核心 CLI、迁移、RLS |
supabase-nextjs.md |
Next.js + Supabase + Drizzle ORM |
supabase-python.md |
FastAPI + Supabase |
supabase-node.md |
Express/Hono + Supabase |
firebase.md |
Firebase Firestore、Auth、Storage |
cloudflare-d1.md |
Cloudflare D1 SQLite 结合 Workers |
aws-dynamodb.md |
AWS DynamoDB 单表设计 |
aws-aurora.md |
AWS Aurora Serverless v2 |
azure-cosmosdb.md |
Azure Cosmos DB |
AI 与智能体技能
| 技能 | 目的 |
|---|---|
agentic-development.md |
构建 AI 智能体 |
llm-patterns.md |
AI 驱动的应用、LLM 测试 |
ai-models.md |
最新模型参考 |
内容、集成及其他技能
| 技能 | 目的 |
|---|---|
aeo-optimization.md |
AI 引擎优化 |
web-content.md |
SEO + AI 发现 |
site-architecture.md |
技术 SEO |
web-payments.md |
Stripe Checkout、订阅 |
reddit-api.md |
Reddit API |
reddit-ads.md |
Reddit Ads API + 智能体优化 |
ms-teams-apps.md |
Microsoft Teams 机器人 |
posthog-analytics.md |
PostHog 分析 |
shopify-apps.md |
Shopify 应用开发 |
woocommerce.md |
WooCommerce REST API |
medusa.md |
Medusa 无头电商 |
klaviyo.md |
Klaviyo 邮件/SMS 营销 |
使用模式
新项目
mkdir my-new-app && cd my-new-app
claude
> /initialize-project
现有项目
cd my-existing-app
claude
> /initialize-project
# 自动检测现有代码 → 先进行分析
全局更新技能
cd "$(cat ~/.claude/.bootstrap-dir)"
git pull
./install.sh
前置条件
# GitHub CLI
brew install gh && gh auth login
# Vercel CLI(可选)
npm i -g vercel && vercel login
# Supabase CLI(可选)
brew install supabase/tap/supabase && supabase login
与 v2.x 的主要区别
| 特性 | v2.x(旧版) | v3.0.0(新版) |
|---|---|---|
| TDD 循环 | Ralph Wiggum 插件(不存在) | Stop hooks(真正的 Claude Code 基础设施) |
| CLAUDE.md | 以文本形式列出技能 | @include 指令(在解析时实际加载) |
| 质量规则 | 在 CLAUDE.md 中以散文形式描述 | .claude/rules/ 文件,带有 paths: 前言 |
| 代理团队 | 需要设置 CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1 |
通过 .claude/agents/ 原生支持 |
| 代理定义 | 纯 Markdown | 正式的前言:工具、模型、最大轮次、努力程度 |
| 权限 | 所有操作都需要手动批准 | settings.json 中预配置的允许/拒绝 |
| 开发者覆盖 | 无 | CLAUDE.local.md(被 git 忽略,优先级更高) |
| 框架规则 | 总是加载(57 项技能 = 浪费 token) | 根据文件路径有条件地激活规则 |
| 压缩 | 通用总结 | PreCompact 钩子 + Mnemos 类型化保存 |
| 内存 | 在压缩或新会话时丢失 | Mnemos 检查点可在会话间恢复 |
| 意图跟踪 | 无 | iCPG 将代码与原因关联,并检测偏离 |
| 执行 | “严格强制执行”的文字说明 | 实际运行代码的钩子 |
贡献
请参阅 CONTRIBUTING.md 获取指南。
更改日志
请参阅 CHANGELOG.md 查看版本历史。
许可证
MIT - 请参阅 LICENSE
致谢
基于在客户体验管理、智能体 AI 平台、移动应用和全栈 Web 应用等 100 多个项目中的经验构建而成。
需要帮助在贵公司规模化部署 AI 吗? Claude Code & MCP 专家
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备