pro-workflow

GitHub
1.6k 151 简单 1 次阅读 昨天插件Agent
AI 解读 由 AI 自动生成,仅供参考

pro-workflow 是一款专为提升 AI 编程效率设计的开源增强工具,主要服务于使用 Claude Code、Cursor 等智能编码助手的开发者。它核心解决了 AI 在长期协作中“记不住教训”的痛点:以往用户需要反复纠正相同的错误(如测试规范、项目约定),而 pro-workflow 通过内置的 SQLite 数据库持久化存储用户的每一次修正。随着使用次数增加(超过 50 次会话),这些修正会转化为自动加载的规则,让 AI 越用越聪明,最终实现几乎无需重复纠错的流畅体验。

该工具不仅具备自我进化的记忆机制,还拥有多项独特技术亮点。它支持上下文工程、并行工作树和多智能体团队协作,内置了 24 种实战技能和 8 类代理角色。最新版本更引入了"LLM gates"功能,可利用 AI 自动验证提交内容并检测敏感信息,同时提供成本追踪、权限调优及 MCP 审计等高级特性,帮助团队在复杂项目中保持代码质量与控制力。无论是独立开发者还是追求高效工作流的技术团队,pro-workflow 都能将原本碎片化的交互转化为持续积累的智能资产,显著降低重复沟通成本。

使用场景

某全栈开发团队正在使用 Claude Code 重构一个遗留的电商后端系统,需要在数周内完成大量代码迁移并统一测试规范。

没有 pro-workflow 时

  • 重复纠正低效:开发者每天需多次向 AI 强调“不要在集成测试中 Mock 数据库”或“遵循特定的错误处理格式”,同样的指令在周一和周五被反复提及。
  • 上下文记忆丢失:每次开启新会话或切换分支时,AI 会遗忘之前达成的共识,导致生成的代码风格不一致,需要人工重新解释项目约定。
  • 协作成本高昂:团队成员各自为战,A 成员调教好的 AI 习惯无法同步给 B 成员,导致代码审查时发现大量因 AI 理解偏差产生的低级错误。
  • 规则难以沉淀:随着项目推进,临时性的修正指令散落在聊天记录中,无法形成可执行的长期规则,导致错误模式不断重演。

使用 pro-workflow 后

  • 一次纠正永久生效:当开发者首次指出“禁止 Mock 数据库”后,pro-workflow 自动将其保存为持久化规则;后续所有会话中,AI 自动生成正确的集成测试,无需二次提醒。
  • 会话启动即智能:利用 SQLite 存储的自我修正记忆,每次会话开始时 AI 自动加载团队积累的 50+ 条最佳实践,输出代码风格高度统一且符合项目规范。
  • 团队智慧复用:通过共享的规则数据库,新加入的成员能立即获得经过团队验证的 AI 行为模式,大幅减少沟通成本和对齐时间。
  • 错误率显著下降:随着会话次数增加,AI 对团队偏好的理解呈复利增长,在第 50 次会话时,因误解需求导致的返工率接近于零。

pro-workflow 将原本线性的、易遗忘的人机交互,转化为具有累积效应的智能资产,让 AI 真正成为懂团队默契的资深伙伴。

运行环境要求

操作系统
  • 未说明
GPU

不需要 GPU

内存

未说明

依赖
notes该工具是 Claude Code 的插件,主要运行在 Node.js 环境中而非 Python。安装需要 npm 和 git。核心功能依赖 SQLite 数据库存储记忆。支持通过 SkillKit 与 32+ 种 AI 代理协作。无需显卡加速,主要消耗取决于所连接的 LLM 服务而非本地硬件。
python未说明
Node.js/npm (用于构建)
SQLite (内置支持)
Claude Code
Cursor
SkillKit
pro-workflow hero image

快速开始

Pro Workflow

Stars npm License SkillKit Docs

你的 Claude Code 每次会话都会变得更聪明。

自我修正的记忆会在超过 50 次会话中不断累积。你只需纠正一次 Claude,它就不会再犯同样的错误。
24 项技能8 个代理21 条命令29 个钩子脚本覆盖 24 个事件
可与 Claude CodeCursor 以及通过 SkillKit 的 32 多个代理 配合使用。


问题

你以相同的方式纠正 Claude 50 次。周一告诉它“不要在测试中模拟数据库”,周五又重复一遍。每次新会话都要解释项目规范。上下文被压缩,学习成果消失,错误反复出现。

每个 Claude Code 用户都会遇到这个瓶颈。

解决方案

Pro Workflow 将每一次纠正都记录在一个支持全文检索的持久化 SQLite 数据库中。这些纠正会逐渐转化为规则,规则会在每次会话开始时自动加载。经过 50 次会话后,Claude 几乎不再需要纠正。

自我修正循环

会话 1: 你 → “不要在测试中模拟数据库”
            Claude → 提出规则 → 你批准 → 保存到 SQLite

会话 2:  SessionStart 钩子加载所有学习内容
            Claude → 编写集成测试(不使用模拟)
            你 → 完全不需要纠正

会话 50: Claude 已经了解你的规范、风格和偏好
            纠正率:接近零

安装(30 秒)

/plugin marketplace add rohitg00/pro-workflow
/plugin install pro-workflow@pro-workflow
其他安装方法
# Cursor
/add-plugin pro-workflow

# 任何代理通过 SkillKit
npx skillkit install pro-workflow

# 手动安装
git clone https://github.com/rohitg00/pro-workflow.git /tmp/pw
cp -r /tmp/pw/templates/split-claude-md/* ./.claude/

# 构建并支持 SQLite
cd ~/.claude/plugins/*/pro-workflow && npm install && npm run build

v3.2 新功能

  • LLM 闸门 — 第一个带有 type: "prompt" 钩子的插件,用于 AI 驱动的提交验证和机密检测
  • 权限调节器 — 分析拒绝模式,生成优化的允许/拒绝规则
  • 紧凑保护器 — 通过压缩保护上下文(5 文件恢复限制,5 万预算)
  • 成本跟踪器 — 会话成本意识及预算基准
  • MCP 审计 — 分析每次请求的 MCP 服务器令牌开销
  • 自动设置 — 检测项目类型,自动配置质量门
  • 文件监视器 — 基于 CLAUDE_ENV_FILE 注入的反应式工作流
  • 代理优化 — 在只读代理上启用 omitClaudeMd 以节省令牌
  • 6 个新钩子事件 — PermissionDenied、Setup、WorktreeCreate、WorktreeRemove、CwdChanged、TaskCreated

Pro Workflow 的对比

功能 Pro Workflow Superpowers ECC gstack GSD
自我修正记忆(SQLite + FTS5)
LLM 驱动的钩子 (type: "prompt")
权限拒绝分析
压缩感知的状态保存
成本跟踪与预算提醒
MCP 开销审计
跨代理(通过 SkillKit 的 32 多个代理) 部分
技能 24 14 140+ 18+ 0
代理 8 5 36 0 18
命令 21 3 60+ 5+ 57
钩子事件 24 8 18 0 0

试试看

/develop add user authentication     # 多阶段:研究 > 计划 > 实施 > 评估
/wrap-up                             # 结束会话,记录学习成果,审核更改
/doctor                              # 检查你的设置健康状况
/learn-rule                          # 将一次纠正提取为持久记忆
/commit                              # 质量门 > 阶段性评审 > 符合规范的提交
/permission-tuner                    # 分析拒绝情况,生成允许/拒绝规则
/cost-tracker                        # 检查会话成本和令牌消耗
/mcp-audit                           # 审计 MCP 服务器的开销

内容简介

24项技能

技能 功能描述
自我纠正循环 Claude 能够自动从您的纠正中学习
上下文工程 编写/选择/压缩/隔离框架,用于令牌管理
代理团队 多实例协调,共享任务列表和消息传递
批处理编排 使用 /batch 模式进行并行工作树代理
并行工作树 通过原生 claude -w 工作树实现零闲置时间
智能提交 质量门控、分阶段评审和规范性提交
总结仪式 带着意图结束会话,记录学习成果
上下文优化器 令牌管理、上下文预算、MCP 审计
去冗余 移除 AI 生成代码中的冗余部分并清理代码风格
编排 将命令、代理和技能串联起来,实现多阶段开发
会话交接 生成交接文档,确保会话连续性
重现学习 展示与当前任务相关的过往学习内容
洞察 会话分析、纠正趋势和生产力指标
安全模式 针对破坏性操作的护栏
冲刺状态 跟踪跨会话的进度
全面性评分 评估实现的完整性
学习规则 将纠正内容保存为持久的学习规则
LLM 门控 使用 type: "prompt" 钩子的 AI 驱动质量门控
权限调优器 分析拒绝模式,生成允许/拒绝规则
紧凑守护 通过压缩周期保持状态
成本跟踪 提高会话成本意识,并设定预算基准
MCP 审计 审计 MCP 服务器的令牌开销和冗余
自动设置 自动检测项目类型,配置质量门控
文件监视器 对配置和依赖项变化做出响应的工作流

8个代理

代理 目的
规划者 将复杂任务分解(只读,需审批)
评审员 代码评审和安全审计(基于检查清单)
侦察员 在置信度门控下进行探索(后台运行,隔离于工作树)
编排者 多阶段功能开发(研究 > 计划 > 实施 > 评审)
调试器 系统性的 bug 调查(基于假设驱动)
上下文工程师 上下文窗口分析与优化(轻量级,只读)
权限分析师 分析权限拒绝模式,推荐规则优化
成本分析师 分析令牌使用模式,识别高成本操作

21条命令

命令 功能描述
/develop 带有验证门控的多阶段功能构建
/commit 带有质量门控的智能提交
/wrap-up 会话结束检查清单及学习记录
/learn-rule 将纠正内容提取到持久内存
/doctor 设置与配置的健康检查
/insights 会话分析与纠正热力图
/replay 展示过往学习内容以辅助当前任务
/handoff 生成会话交接文档
/search 按关键词搜索学习内容
/list 列出所有存储的学习内容
/deslop 从差异中移除 AI 生成的代码冗余
/context-optimizer 审计并优化上下文窗口使用情况
/parallel 设置 Git 工作树以支持并行会话
/learn 交互式 Claude Code 最佳实践指南
/safe-mode 切换破坏性操作防护栏
/sprint-status 跟踪多会话进度
/auto-setup 自动检测项目类型并配置质量门控
/compact-guard 带有状态保存的保护性压缩
/cost-tracker 跟踪会话成本及优化建议
/mcp-audit 审计 MCP 服务器的令牌开销
/permission-tuner 分析拒绝模式,生成允许/拒绝规则

29个钩子脚本(24个事件)

钩子事件 脚本 功能
会话开始 1 从数据库加载学习内容
会话结束 1 将会话统计信息保存到数据库
用户提示提交 2 纠正跟踪、漂移检测
工具使用前(编辑/编写) 1 跟踪编辑次数,提醒质量门控
工具使用前(Bash) 3 提交前检查、LLM 提交验证、推送前检查
工具使用前(编写) 1 LLM 驱动的秘密检测
工具使用后(编辑) 1 检查 console.log、TODO 和秘密
工具使用后(Bash) 1 建议从测试失败中学习
停止 2 上下文感知提醒,自动捕获 [LEARN] 块
压缩前 1 在压缩前保存上下文状态
压缩后 1 重新注入关键上下文摘要
子代理启动 1 记录子代理生命周期以便观察
子代理停止 1 记录子代理完成情况并捕获结果
任务完成 1 完成时的质量门控
任务创建 1 验证任务描述以便跟踪
权限请求 1 标记危险操作
权限被拒 1 跟踪拒绝模式以便优化
工具使用失败后 1 跟踪失败,建议从中学习
同事空闲 1 检测代理团队中的阻碍因素
停止失败 1 记录错误并提供重试建议
文件变更 1 监视 package.json、.env 和 CI 配置文件
配置变更 1 检测会话中途的设置变化
通知 1 记录权限请求
设置 1 初始化时自动检测项目类型
工作树创建 1 记录工作树创建以便并行跟踪
工作树移除 1 清理移除工作树后的跟踪记录
当前目录变更 1 检测目录变化时的项目类型

10份参考指南

指南 内容概述
settings-guide.md 所有设置键、权限模式及层级关系
cli-cheatsheet.md 每一个 CLI 标志、键盘快捷键和斜杠命令
orchestration-patterns.md 命令 > 代理 > 技能架构,代理团队
context-engineering.md 编写/选择/压缩/隔离、内存分类及压缩
agent-teams.md 设置、任务分解、团队与子代理
context-loading.md CLAUDE.md 加载、代理内存及技能发现
cross-agent-workflows.md Claude Code + Cursor 协同工作,SkillKit 翻译
new-features.md 语音、代理团队、检查点及远程控制
daily-habits.md 会话习惯、调试技巧及反模式
core-rules.md 质量门控、原子提交及上下文纪律

工作原理

Pro Workflow 专注于 80/20 法则。每一次纠正都会成为一条规则,而每一条规则都能避免未来的错误。这一循环不断累积放大。

/develop 流程

开发流程

带有验证关卡的多阶段开发:先调研再规划,先规划再实现,提交前先评审。

架构

架构图

数据库

学习内容存储在 SQLite 中,并使用 FTS5 全文搜索:

/search testing           # 查找所有与测试相关的学习内容
/search "file paths"      # 精确短语搜索
/list                     # 显示所有已存储的学习内容

核心模式

模式 作用
自我修正循环 Claude 能够自动从你的修正中学习
并行工作树 使用原生 claude -w 工作树实现零闲置时间
收尾仪式 带着明确意图结束会话,记录学习成果
拆分记忆 针对复杂项目采用模块化的 CLAUDE.md
80/20 审查 在关键检查点进行批量审查
上下文工程 写入/选择/压缩/隔离以管理 token 数量
代理团队 多实例协作,共享任务列表
批量编排 并行工作树代理用于大规模变更
多阶段开发 调研 > 规划 > 实施 > 审查,各环节设有关卡
学习日志 自动记录洞察
编排 命令 > 代理 > 技能联动,用于复杂功能
LLM 关卡 在执行破坏性操作前进行 AI 驱动的验证
权限调优 通过分析拒绝模式来减少提示疲劳

跨代理支持

可通过 SkillKit 在 32+ 种 AI 编码代理之间协同工作:

npx skillkit install pro-workflow
npx skillkit translate pro-workflow --agent cursor
npx skillkit translate pro-workflow --agent codex
npx skillkit translate pro-workflow --agent gemini-cli

支持的代理包括:Claude Code、Cursor、Codex CLI、Gemini CLI、Windsurf、OpenCode、Kiro、Amp、Goose、Roo,以及 另外 27 种


配置

设置

请参阅 settings.example.json,其中包含适用于生产环境的配置,包括权限规则、输出样式、自动压缩和自定义加载动词。

MCP 配置

请参阅 mcp-config.example.json,其中提供了精选的服务器推荐:

  • context7 — 实时文档查找
  • playwright — 浏览器自动化(最节省 token)
  • GitHub — PR、问题和代码搜索

建议:初始设置 3 个 MCP。仅在有具体需求时再添加。


结构

pro-workflow/
├── skills/           # 24 个技能
├── agents/           # 8 个代理
├── commands/         # 21 个斜杠命令
├── hooks/            # 24 个事件,29 个脚本
├── docs/             # 10 份参考指南
├── rules/            # 7 条规则(Cursor + 通用)
├── contexts/         # 3 种上下文模式
├── templates/        # 分割的 CLAUDE.md 和 AGENTS.md
├── scripts/          # 29 个钩子脚本
├── src/              # TypeScript 源代码(SQLite)
└── config.json

社区建议

“我写的代码中,80% 是由 AI 生成的,剩下的 20% 则用来审查和修正。” — Andrej Karpathy

“使用子代理为问题投入更多算力——将任务卸载出去,保持主上下文的简洁。” — Boris Cherny

“如果某件事你每天要做一次以上,就把它做成一个技能或命令。” — Boris Cherny

“在将工作交给他人之前,务必写出详细的需求规格,减少歧义——越具体,结果越好。” — Boris Cherny

“技能描述字段是一个触发器,而非摘要——要为模型而写。” — Thariq Shihipar


哲学理念

  1. 累积改进 — 小小的修正随着时间推移带来巨大的收益
  2. 信任但验证 — 让 AI 工作,在关键节点进行审查
  3. 零闲置时间 — 并行会话保持进度
  4. 记忆珍贵 — 无论是你的还是 Claude 的
  5. 编排而非微观管理 — 将模式串联起来,让代理自行执行

相关项目

项目 描述
everything-claude-code 140+ 技能,36 个代理——全面的集合
claude-code-best-practice 精选技巧、对比分析及社区最佳实践
SkillKit 通用 CLI,用于管理 32+ 种代理的技能
awesome-claude-code-toolkit 850+ 文件,135 个代理,176 个插件——精选目录

星标历史

星标历史图表


如果 pro-workflow 节省了您的时间,请给这个仓库加星,让更多人发现它。

星标

文档SkillKit 市场报告问题参考指南

版本历史

v3.2.02026/03/31
v3.1.02026/03/29
v3.0.02026/03/29
v2.0.02026/03/05
v1.3.02026/02/20
v1.2.02026/02/06
v1.1.02026/02/05
v0.1.02026/02/02

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

349.3k|★★★☆☆|昨天
Agent开发框架图像

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。

162.1k|★★★☆☆|昨天
开发框架图像Agent

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

142.7k|★★☆☆☆|今天
开发框架Agent语言模型

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。

107.9k|★★☆☆☆|今天
开发框架图像Agent

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

93.4k|★★☆☆☆|今天
插件开发框架

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

90.1k|★★★☆☆|今天
语言模型图像Agent