BMAD-METHOD
BMAD-METHOD 是一个专为敏捷开发打造的 AI 驱动框架,旨在成为开发者在软件全生命周期中的专家级协作伙伴。与传统 AI 工具直接替人思考不同,它通过结构化的工作流引导用户发挥最佳创造力,覆盖从需求分析、架构设计到代码实现及部署的完整过程。
该工具主要解决了传统 AI 生成结果平庸、缺乏系统性规划的问题。它内置了产品经理、架构师、UX 设计师等 12 多位领域专家角色,能根据项目复杂度自动调整规划深度,无论是修复小漏洞还是构建企业级系统都能灵活应对。其独特的“派对模式”允许多个 AI 角色在同一会话中协同讨论,模拟真实团队的头脑风暴;同时提供随时可调用的智能指引技能,帮助用户明确下一步行动。
BMAD-METHOD 完全免费开源,无任何付费墙或社区门槛,特别适合希望提升开发效率、追求高质量架构设计的软件开发团队、独立开发者及技术研究人员。只需简单安装即可集成到主流 AI 编程环境中,让 AI 真正成为懂流程、有深度的得力助手。
使用场景
某初创团队的技术负责人正带领三人小组,需要在两周内从零构建一个具备复杂业务逻辑的电商库存管理系统。
没有 BMAD-METHOD 时
- 思维外包导致质量平庸:直接让通用 AI 生成代码,结果往往是缺乏深度思考的“平均水准”方案,难以应对高并发下的数据一致性挑战。
- 流程混乱且缺乏规划:团队成员各自为战,缺少统一的敏捷分析、架构设计与实施标准,导致后期返工频繁。
- 角色缺失与协作困难:缺乏专业的产品经理、架构师等视角,开发者既要懂业务又要搞架构,顾此失彼,难以发现潜在风险。
- 扩展性差:初期仅针对简单功能编写代码,未考虑企业级扩展,一旦业务量激增,系统架构无法自适应调整,推倒重来成本极高。
使用 BMAD-METHOD 后
- 专家级协作引导:BMAD-METHOD 调动 PM、架构师等 12+ 专属智能体作为合作伙伴,引导团队输出最佳思考,而非简单代劳,确保架构设计严谨可靠。
- 结构化敏捷工作流:内置的分析、规划到实施的全生命周期工作流,让团队严格遵循敏捷最佳实践,显著减少沟通成本和返工率。
- 多角色协同讨论(Party Mode):通过“派对模式”让不同领域的智能体在同一会话中辩论与协作,自动补全业务盲点,提前规避技术债务。
- 自适应规模智能:系统根据项目复杂度自动调整规划深度,从简单的 Bug 修复平滑过渡到企业级系统设计,确保架构具备真正的弹性扩展能力。
BMAD-METHOD 将 AI 从单纯的“代码生成器”升级为“全流程专家协作伙伴”,帮助团队在保持敏捷的同时交付企业级的高质量软件。
运行环境要求
- 未说明 (支持跨平台,基于 Node.js 和 Python)
未说明
未说明

快速开始

构建更多架构梦想 — 一款基于 AI 的敏捷开发模块,专为 BMad 方法模块生态系统打造。它是目前最佳且最全面的敏捷 AI 驱动开发框架,具备真正的规模自适应智能,能够从修复 Bug 调整至企业级系统开发。
100% 免费且开源。 没有付费墙,没有内容限制,也没有封闭的 Discord 社区。我们相信应该赋能每一个人,而不仅仅是那些有能力支付封闭社区或课程费用的人。
为什么选择 BMad 方法?
传统的 AI 工具会替你思考,但往往只能产生平庸的结果。而 BMad 的代理和引导式工作流则扮演着专家协作伙伴的角色,通过结构化的流程指导你与 AI 携手合作,激发你最好的思维。
- AI 智能助手 — 随时调用
bmad-help技能,获取下一步行动的指导 - 规模与领域自适应 — 根据项目复杂度自动调整规划深度
- 结构化工作流 — 基于敏捷最佳实践,覆盖分析、规划、架构和实施等环节
- 专业化代理 — 12+ 位领域专家(项目经理、架构师、开发者、用户体验设计师等)
- 多人协作模式 — 在同一会话中引入多个代理角色,共同讨论与协作
- 完整生命周期 — 从头脑风暴到部署上线
🚀 BMad 的下一步计划是什么?
V6 已发布,而我们的旅程才刚刚开始! BMad 方法正在快速演进,优化内容包括跨平台代理团队与子代理集成、技能架构、BMad Builder v1、开发循环自动化等等,更多功能也正在开发中。
快速入门
先决条件:Node.js v20+ · Python 3.10+ · uv
npx bmad-method install
想体验最新的预发布版本吗?请使用
npx bmad-method@next install。请注意,该版本的稳定性可能低于默认安装。
按照安装向导的提示操作,然后在项目文件夹中打开你的 AI IDE(Claude Code、Cursor 等)。
非交互式安装(适用于 CI/CD):
npx bmad-method install --directory /path/to/project --modules bmm --tools claude-code --yes
不确定该做什么? 向
bmad-help寻求帮助——它会明确告诉你下一步该做什么以及哪些是可选步骤。你也可以提问,例如:“bmad-help 我刚完成架构设计,接下来该做什么?”
模块
BMad 方法可通过官方模块扩展至特定领域。这些模块可在安装时选择,也可在后续随时添加。
| 模块 | 用途 |
|---|---|
| BMad 方法 (BMM) | 核心框架,包含 34+ 种工作流 |
| BMad 构建器 (BMB) | 创建自定义 BMad 代理与工作流 |
| 测试架构师 (TEA) | 基于风险的测试策略与自动化 |
| 游戏开发工作室 (BMGD) | 游戏开发工作流(Unity、Unreal、Godot) |
| 创意智能套件 (CIS) | 创新、头脑风暴、设计思维 |
文档
BMad 方法文档站 — 教程、指南、概念与参考
快捷链接:
社区
- Discord — 获取帮助、分享想法、协作
- YouTube — 教程、大师课等
- X / Twitter
- 官网
- GitHub Issues — 用于报告 bug 和提出功能需求
- Discussions — 社区交流
支持 BMad
BMad 对所有人免费开放,并将一直保持如此。请为本仓库点赞,或通过 buy me a coffee 支持我们,亦可通过 contact@bmadcode.com 联系我们以洽谈企业赞助事宜。
贡献
我们欢迎任何形式的贡献!请参阅 CONTRIBUTING.md 获取详细指南。
许可证
MIT 许可证 — 详情请见 LICENSE。
BMad 和 BMAD-METHOD 是 BMad Code, LLC 的商标。详情请参阅 TRADEMARK.md。
有关贡献者信息,请参阅 CONTRIBUTORS.md。
版本历史
v6.3.02026/04/10v6.2.22026/03/26v6.2.12026/03/24v6.2.02026/03/15v6.1.02026/03/13v6.0.42026/03/01v6.0.32026/02/23v6.0.22026/02/23v6.0.02026/02/17v6.0.0-Beta.82026/02/09v6.0.0-Beta.72026/02/05v6.0.0-Beta.62026/02/04v6.0.0-Beta.52026/02/016.0.0-Beta.42026/01/296.0.0-Beta.32026/01/296.0.0-Beta.22026/01/27v6.0.0-alpha.232026/01/11v6.0.0-alpha.72025/11/07v6.0.0-alpha.62025/11/05v6.0.0-alpha.42025/11/03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。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
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
