claude-code-workflow
claude-code-workflow 是一套专为 Claude Code 打造的实战级工作流模板。它旨在解决大模型在编程辅助中常见的“失忆”问题——即缺乏结构化管理时，AI 容易在会话间遗忘上下文，导致效率低下。借助 claude-code-workflow，Claude Code 能转变为持久化、可自我进化的开发伙伴。
此方案特别适合追求高效编码体验的开发者。其核心亮点在于独特的三层架构设计：常驻规则层确保基础行为一致，按需加载文档层节省 Token 成本，热数据层实时记录项目状态。此外，claude-code-workflow 实现了智能任务路由，根据需求分配至 Opus 或 Sonnet 等不同模型层级，并内置强制验证机制，要求 AI 在完成任务前必须运行测试并确认结果，有效减少幻觉和错误。系统还能自动保存进度，避免意外关闭导致的工作丢失。这不仅仅是一个配置模板，更是一套经过三个月日常多项目验证的生产级解决方案。
使用场景
后端工程师小李负责重构一个遗留微服务系统，涉及跨模块数据迁移与长达数周的迭代任务。
没有 claude-code-workflow 时
- 每次重启会话都要重复解释项目背景，AI 经常遗忘之前的架构决策。
- 长对话中上下文窗口耗尽，导致后续代码建议逐渐偏离实际需求。
- 修复 Bug 后未经验证就提交，上线后才发现隐藏的逻辑漏洞。
- 意外关闭终端前未保存进度，数小时的调试成果瞬间付诸东流。
使用 claude-code-workflow 后
- 自动沉淀历史错误与经验，新会话直接继承上下文记忆，无需重复输入。
- 三层架构管理信息，关键规则常驻且按需加载文档，保持上下文精准高效。
- 内置强制验证技能确保代码运行测试通过后才标记完成，杜绝“应该能跑”的幻觉。
- 会话结束时自动保存状态并提交，随时中断都能无缝恢复工作进度。
claude-code-workflow 将临时的聊天助手转变为可信赖的持久化开发伙伴，显著提升复杂项目的交付质量。
运行环境要求
- Linux
- macOS
未说明
未说明
快速开始
Claude Code 工作流
一个经过实战检验的 Claude Code 工作流模板 —— 基于跨多个项目的 3 个月日常使用经验，涵盖记忆管理、上下文工程和任务路由。
不是教程。不是玩具配置。是一个真正能交付的生产级工作流。
为何存在
Claude Code 开箱即用功能强大，但如果没有结构支撑，它会变成一个在会话之间遗忘一切的智能助手。此模板将其转变为一个持久、自我改进的开发伙伴，能够：
- 记住过去的错误并自动应用经验教训
- 在长会话中管理上下文而不会偏离目标
- 将任务路由到正确的模型层级（Opus/Sonnet/Haiku/Codex/Local）
- 在声称完成前强制进行验证（不再出现“现在应该可以了”的情况）
- 自动保存进度，关闭窗口不会丢失工作
架构：三层结构
┌─────────────────────────────────────────────────────────┐
│ Layer 0: Auto-loaded Rules (always in context) │
│ ┌─────────────┐ ┌────────────┐ ┌───────────────┐ │
│ │ behaviors.md │ │skill- │ │memory-flush.md│ │
│ │ │ │triggers.md │ │ │ │
│ └─────────────┘ └────────────┘ └───────────────┘ │
├─────────────────────────────────────────────────────────┤
│ Layer 1: On-demand Docs (loaded when needed) │
│ agents.md · content-safety.md · task-routing.md │
│ behaviors-extended.md · scaffolding-checkpoint.md ... │
├─────────────────────────────────────────────────────────┤
│ Layer 2: Hot Data (your working memory) │
│ today.md · projects.md · goals.md · active-tasks.json │
└─────────────────────────────────────────────────────────┘
为何分为三层？ 上下文窗口 (Context window) 成本高昂。加载所有内容会浪费 Token（令牌）并降低质量。该系统始终加载规则（约 2K Token），仅在相关时加载文档（每个约 1-3K），并保持您的每日状态热数据以便即时调用。
内部结构
claude-code-workflow/
├── CLAUDE.md # Entry point — Claude reads this first
├── README.md # You are here
│
├── rules/ # Layer 0: Always loaded
│ ├── behaviors.md # Core behavior rules (debugging, commits, routing)
│ ├── skill-triggers.md # When to auto-invoke which skill
│ └── memory-flush.md # Auto-save triggers (never lose progress)
│
├── docs/ # Layer 1: On-demand reference
│ ├── agents.md # Multi-model collaboration framework
│ ├── behaviors-extended.md # Extended rules (knowledge base, associations)
│ ├── behaviors-reference.md # Detailed operation guides
│ ├── content-safety.md # AI hallucination prevention system
│ ├── scaffolding-checkpoint.md # "Do you really need to self-host?" checklist
│ └── task-routing.md # Model tier routing + cost comparison
│
├── memory/ # Layer 2: Your working state (templates)
│ ├── today.md # Daily session log
│ ├── projects.md # Cross-project status overview
│ ├── goals.md # Week/month/quarter goals
│ └── active-tasks.json # Cross-session task registry
│
├── skills/ # Reusable skill definitions
│ ├── session-end/SKILL.md # Auto wrap-up: save progress + commit + record
│ ├── verification-before-completion/SKILL.md # "Run the test. Read the output. THEN claim."
│ ├── systematic-debugging/SKILL.md # 5-phase debugging (recall → root cause → fix)
│ ├── planning-with-files/SKILL.md # File-based planning for complex tasks
│ └── experience-evolution/SKILL.md # Auto-accumulate project knowledge
│
├── agents/ # Custom agent definitions
│ ├── pr-reviewer.md # Code review agent
│ ├── security-reviewer.md # OWASP security scanning agent
│ └── performance-analyzer.md # Performance bottleneck analysis agent
│
└── commands/ # Custom slash commands
├── debug.md # /debug — Start systematic debugging
├── deploy.md # /deploy — Pre-deployment checklist
├── exploration.md # /exploration — CTO challenge before coding
└── review.md # /review — Prepare code review
快速开始
1. 复制到您的 Claude Code 配置目录
# Clone the template
git clone https://github.com/runesleo/claude-code-workflow.git
# Copy to your Claude Code config directory
cp -r claude-code-workflow/* ~/.claude/
# Or symlink if you want to keep it as a git repo
ln -sf ~/claude-code-workflow/rules ~/.claude/rules
ln -sf ~/claude-code-workflow/docs ~/.claude/docs
# ... etc
2. 自定义 CLAUDE.md
打开 ~/.claude/CLAUDE.md 并填写以下内容：
- 用户信息：您的姓名、项目目录、社交账号
- 子项目记忆路由：将您的项目映射到记忆路径
- SSOT 所有权表：定义每种类型信息的存储位置
- 按需加载索引：根据需要调整文档路径
3. 开始会话
claude
Claude 将自动加载您的规则并开始遵循工作流。尝试：
- 开始编码并观察任务路由（"🔀 Route: bug fix → Sonnet"）
- 遇到 Bug 并观察系统性调试机制启动
- 说"that's all for now"并查看会话结束自动保存所有内容
- 明天回来并在
today.md中找到保留的上下文
核心概念
SSOT（单一事实来源）
每条信息都有一个唯一的规范位置。CLAUDE.md 中的 SSOT 表将信息类型映射到文件。Claude 被训练为在写入前检查 SSOT，防止“同一条信息出现在 5 个地方且全部过时”的问题。
记忆刷新 (Memory Flush)
Claude 在每个任务完成、每次提交和每次退出信号时自动保存进度。您可以在句子中间关闭窗口，内容不会丢失。不再需要担心“我忘了保存我的上下文”。
完成前验证
最具影响力的规则：Claude 无法声称工作已完成，除非运行验证命令并读取输出结果。消除了 AI 编码最常见的失败模式 —— “现在应该可以了”但实际上并未检查。
三层任务路由
并非每个任务都需要 Opus。路由系统自动将任务复杂度匹配到模型层级：
- Opus：关键逻辑、安全敏感、复杂推理
- Sonnet：日常开发、分析、大多数编码任务
- Haiku：简单查询、子代理任务、快速查找
- Codex：交叉验证、代码审查、第二意见
- Local：提交消息、格式化、离线工作
周日规则
系统优化安排在周日进行。在其他日子里，如果您试图调整工作流而不是交付成果，Claude 将拦截并提醒您专注于产出。可根据您喜欢的任何频率进行配置。
自定义指南
添加新项目
- 添加到
memory/projects.md - 在
CLAUDE.md的“子项目记忆路由”中添加记忆路由 - 在项目根目录创建
PROJECT_CONTEXT.md
添加新技能
使用以下内容创建 skills/your-skill/SKILL.md：
---
name: your-skill
description: What it does
allowed-tools:
- Read
- Write
- Bash
---
# Your Skill
[Instructions for Claude when this skill is invoked]
添加新智能体
使用以下内容创建 agents/your-agent.md：
---
name: your-agent
description: What it does
tools: Read, Grep, Glob, Bash
---
# Your Agent
[Agent personality, review dimensions, output format]
调整模型路由
编辑 rules/behaviors.md 中的“任务路由”部分，以及 docs/task-routing.md 以获取详细的层级定义。
理念
此模板编码了从日常 AI 辅助开发中学到的几个原则：
- 结构 > 提示：一个组织良好的配置文件每次都胜过巧妙的一次性提示。
- 记忆 > 智能：一个能记住你过去错误的 AI，比一个每次会话都从头开始的更聪明的 AI 更有价值。
- 验证 > 信心：运行
npm test的成本总是低于发布损坏构建的成本。 - 分层加载 > 扁平配置：不要把所有东西都倒入上下文。规则始终加载，文档按需加载，数据需要时加载。
- 自动保存 > 手动保存：如果需要用户去记住，它就会被遗忘。让它自动化。
要求
- Claude Code CLI (命令行界面) (Claude Max 或 API (应用程序接口) 订阅)
- 可选：Codex CLI 用于交叉验证
- 可选：Ollama 用于本地模型回退
相关作品与致谢
此模板借鉴了：
星标历史
许可证
MIT — 使用它，分叉它，让它成为你的。
由 @runes_leo 构建 — 更多 AI 工具请访问 leolabs.me — Telegram 社区
常见问题
相似工具推荐
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。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。