claude-code-sub-agent-collective

GitHub
521 59 非常简单 1 次阅读 2天前MITAgent
AI 解读 由 AI 自动生成,仅供参考

claude-code-sub-agent-collective 是一个专为测试驱动开发(TDD)和快速原型设计打造的 AI 智能体集群。它并非简单的工具集合,而是通过“中心辐射”架构,利用 Claude Code 作为协调枢纽,指挥 30 多个专用智能体协同工作。

该工具旨在解决开发者在 AI 辅助编程中常见的痛点:生成的代码缺乏测试、需手动查阅文档、开发风格不一致以及复杂任务拆解困难。安装后,用户只需输入 /van 命令,系统便会自动将任务路由给最合适的专家智能体。这些智能体严格遵循“红 - 绿 - 重构”的 TDD 流程,确保先写测试再写代码;同时集成 Context7 技术,能实时拉取真实的官方文档而非依靠模型猜测,从而大幅提升代码质量和可靠性。

此外,项目还配备了专门的质量审查、DevOps 配置及功能测试智能体,形成从需求分析到部署验证的完整闭环。它特别适合追求高质量代码、希望规范化开发流程的软件工程师和技术团队使用。通过智能化的任务编排与上下文工程研究,claude-code-sub-agent-collective 让 AI 编程从“单兵作战”进化为高效的“集团军协作”,帮助开发者更专注于核心逻辑创新。

使用场景

某全栈开发者正需在三天内从零构建一个包含复杂业务逻辑和严格测试要求的电商 MVP 原型。

没有 claude-code-sub-agent-collective 时

  • AI 生成的代码往往直接跳过测试环节,导致后期需要人工补写大量单元测试,严重拖慢进度。
  • 面对不熟悉的第三方库,AI 经常凭“直觉”编造 API 用法,开发者必须手动查阅文档并反复修正错误代码。
  • 缺乏统一的任务拆解机制,复杂功能(如购物车结算)容易被一次性生成混乱的单体代码,难以维护和调试。
  • 不同模块的开发风格不一致,缺乏自动化的代码审查和质量门禁,导致集成阶段频繁出现低级错误。

使用 claude-code-sub-agent-collective 后

  • 通过 /van 命令触发 @task-orchestrator,系统自动将需求拆解并分发给 @feature-implementation-agent,强制遵循“红 - 绿 - 重构”的 TDD 流程,确保每行代码都有测试覆盖。
  • @research-agent 实时调用 Context7 获取真实的官方文档,彻底杜绝了 API 幻觉,生成的代码一次通过率显著提升。
  • 复杂的结算逻辑被智能拆分为多个并行子任务,由专用 Agent 分别处理业务逻辑、UI 组件和基础设施,结构清晰且易于迭代。
  • @quality-agent 和 @enhanced-quality-gate 在代码提交前自动执行标准化审查和功能验证,确保交付物始终符合高质量标准。

claude-code-sub-agent-collective 通过上下文工程和多 Agent 协作,将原本松散低效的 AI 辅助开发转变为自动化、高标准的工业化生产流程。

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该工具是基于 Node.js 的 CLI 工具,而非深度学习模型,因此无需 GPU 或 Python 环境。安装后必须重启 Claude Code 才能加载 Hook 系统。工具强依赖 Context7 进行文档检索,并强制推行测试驱动开发(TDD)流程。
python不需要 Python
Node.js >= 16.0.0
NPM >= 8.0.0
Claude Code (需支持 MCP 和 Hook 系统)
claude-code-sub-agent-collective hero image

快速开始

克劳德代码子代理集合

npm version License: MIT

面向测试驱动开发的实验性 NPX 安装程序

此工具会安装一组专为测试驱动开发和快速原型设计而打造的 AI 代理。它目前仍处于实验阶段,带有明确的设计理念,是我为了加快自己的 MVP 开发工作而构建的。

安装后的内容

npx claude-code-collective init

您将获得 30 多个专业代理,它们强制执行 TDD 方法论,并尝试更智能地利用真实文档而非凭猜测来完成任务。

为何创建此工具

我厌倦了以下问题:

  • AI 给出的代码没有测试
  • 必须手动查找库文档
  • 不同项目之间开发方式不一致
  • 需要手动拆解复杂功能

因此,我构建了这些代理,它们能够:

  1. 始终先编写测试(红 → 绿 → 重构)
  2. 使用 Context7 获取真实文档
  3. 根据任务需求将工作分配给相应的专家代理
  4. 智能地分解复杂请求

安装后的具体内容

核心实现代理(强制 TDD)

  • @component-implementation-agent - 带有测试和现代模式的 UI 组件
  • @feature-implementation-agent - 带有全面测试的业务逻辑
  • @infrastructure-implementation-agent - 带有测试设置的构建系统
  • @testing-implementation-agent - 能真正测试功能的测试套件
  • @polish-implementation-agent - 在保留测试的前提下进行性能优化

质量与验证

  • @quality-agent - 代码审查和标准检查
  • @devops-agent - 部署和 CI/CD 设置
  • @functional-testing-agent - 使用 Playwright 进行浏览器测试
  • @enhanced-quality-gate - 全面的验证门控机制
  • @completion-gate - 任务验证和完成检查

研究与情报(实验性)

  • @research-agent - 基于 Context7 的文档查找
  • @prd-research-agent - 智能的需求分解
  • @task-orchestrator - 智能的任务并行化

系统与协调

  • /van 命令 - 路由到 @task-orchestrator 的入口点
  • @task-orchestrator - 中央路由枢纽,负责选择合适的专家代理
  • @behavioral-transformation-agent - 系统行为设置
  • @hook-integration-agent - TDD 强制自动化
  • @van-maintenance-agent - 系统维护和更新

此外还有 20 多个其他专业代理,用于特定的开发任务。

安装选项

快速安装(推荐用于试用)

npx claude-code-collective init

其他可选方案(按需选择)

# 仅核心代理,适合轻量级项目
npx claude-code-collective init --minimal

# 仅关注测试框架
npx claude-code-collective init --testing-only

# 仅行为系统和钩子
npx claude-code-collective init --hooks-only

# 交互式设置,可自由选择
npx claude-code-collective init --interactive

实际安装内容

your-project/
├── CLAUDE.md                    # 代理的行为规则
├── .claude/
│   ├── settings.json           # 钩子配置
│   ├── agents/                 # 代理定义文件(30 多个)
│   │   ├── prd-research-agent.md
│   │   ├── task-orchestrator.md
│   │   ├── lib/
│   │   │   └── research-analyzer.js  # 复杂度分析引擎
│   │   └── ... (更多代理)
│   └── hooks/                  # TDD 强制脚本
│       ├── test-driven-handoff.sh
│       └── collective-metrics.sh
└── .claude-collective/
    ├── tests/                  # 测试框架模板
    ├── metrics/                # 使用情况跟踪(用于开发)
    └── package.json           # 测试设置(Vitest)

工作原理

  1. /van 命令会路由到 @task-orchestrator(路由枢纽),该代理会分析请求并将其分配给相应的专家。
  2. 研究阶段:代理使用 Context7 获取真实文档。
  3. 先写测试:在任何实现之前先编写测试。
  4. 实现:编写最少的代码使测试通过。
  5. 重构:在保持测试通过的情况下进行代码清理。
  6. 交付:您可以看到添加了哪些测试以及最终结果。

每个代理遵循的 TDD 合同

## 交付完成
✅ 先编写测试(红色阶段)
✅ 实现通过测试(绿色阶段)
✅ 代码经过重构以提高质量(重构阶段)
📊 测试结果:X/X 通过

管理命令

# 检查已安装内容及运行状态
npx claude-code-collective status

# 验证安装完整性
npx claude-code-collective validate

# 修复损坏的安装
npx claude-code-collective repair

# 清除所有内容
npx claude-code-collective clean

# 获取帮助
npx claude-code-collective --help

当前状态(坦诚评估)

表现良好的方面

  • TDD 的强制执行有效减少了大量 bug
  • Context7 的集成远优于代理凭猜测获取信息
  • 路由系统通常能正确分配任务给合适的代理
  • 复杂任务的分解确实很有帮助

实验性和不足之处

  • 部分代理仍在优化中
  • 研究阶段有时会比较慢
  • 钩子系统需要重启(受 Claude Code 限制)
  • 文档分散在各个文件中

已知局限性

  • 需要 Node.js >= 16
  • 安装后必须重启 Claude Code
  • 对 TDD 有较强偏好(如果您不喜欢测试,请跳过)
  • 部分代理可能过于细致或缓慢,不适合简单任务

测试安装效果

安装完成后:

# 1. 验证所有内容是否正确安装
npx claude-code-collective validate

# 2. 检查状态
npx claude-code-collective status

# 3. 重启 Claude Code(钩子需要加载)

# 4. 试用一下
# 在 Claude Code 中输入:“用 React 构建一个简单的待办事项应用”
# 预期结果:系统会进入研究阶段 → 分解任务 → 编写测试 → 实现功能

故障排除

安装失败

  • 检查 Node.js 版本:node --version(需 >= 16)
  • 清除 npm 缓存:npm cache clean --force
  • 尝试强制安装:npx claude-code-collective init --force

代理无法正常工作

  • 重启 Claude Code(钩子需要重新加载)
  • 检查 .claude/settings.json 是否存在
  • 运行 npx claude-code-collective validate

测试未运行

  • 确保您的项目中已安装测试运行器(Jest、Vitest 等)
  • 检查测试是否实际写入文件
  • 查看代理提供的 TDD 完成报告

研究速度较慢

  • Context7 可能存在连接问题
  • 代理可能过于细致(具体情况因人而异)
  • 检查 .claude-collective/metrics/ 中的时间数据

系统要求

  • Node.js: >= 16.0.0
  • NPM: >= 8.0.0
  • Claude Code: 支持 MCP 和钩子系统
  • 重启: 安装后必须重启(受钩子限制)

这是什么,又不是什么

是什么

  • 面向快速原型开发的实验性辅助工具
  • 专注于测试驱动开发(TDD)的AI智能体集合
  • 我用于构建个人MVP的自用项目
  • 坚持测试先行的开发理念

不是什么

  • 生产级企业软件
  • 保证完美运行
  • 遵循任何官方标准
  • 可以替代思考或理解代码的能力

为什么选择TDD?

因为根据我的经验:

  • 先写测试能促使更优秀的设计思维
  • 在缺陷修复成本较低时就能发现并捕获错误
  • 良好的测试覆盖率让重构更加安全
  • 带有测试的代码在未来更容易进行修改

这些智能体会强制执行上述原则,因为我相信这能带来更好的结果。如果你不认同TDD的理念,那么这个工具可能并不适合你。

研究型功能(实验性)

为了让智能体更好地适应现代开发需求:

  • Context7集成:实时、最新的库文档支持
  • ResearchDrivenAnalyzer:智能化复杂度评估
  • 智能任务拆分:仅在真正需要时才创建子任务
  • 最佳实践应用:基于研究的模式推荐

这些功能目前仍处于实验阶段,有时可能会过度思考,但总体来说还是很有帮助的。

解决常见智能体问题

AI智能体往往不够可靠。为此我设计了以下机制来应对这些问题:

智能体忽视TDD规则:通过钩子系统强制执行测试先行,确保任何代码都不会在未通过测试的情况下被提交。

智能体绕过指令:使用CLAUDE.md行为操作系统,设置优先级指令以覆盖默认行为。

智能体中途停止工作:通过测试驱动的交接验证,确保任务要么完整完成,要么明确移交。

智能体虚构API:通过Context7集成,强制智能体使用真实、最新的文档。

智能体采取错误方法:通过@task-orchestrator中枢进行集中路由,防止智能体自行选择不当路径。

智能体破坏协作:采用中心辐射式架构,避免点对点通信带来的混乱。

智能体跳过质量环节:设置质量门控,只有达到标准后才能继续推进。

智能体丢失上下文:通过交接契约,在智能体切换时保留所需信息。

智能体输出不一致:为每个实现智能体统一规范TDD完成报告格式。

智能体关注错误优先级:利用ResearchDrivenAnalyzer评估复杂度,合理分配精力。

以上大部分措施都是通过钩子和行为约束自动执行的,并非单纯依赖智能体自觉遵守指令。

支持

这是一个个人项目,但:

  • 如果你发现了bug或有任何建议,欢迎提交Issue;
  • 对于小修复或改进智能体提示词的PR也十分欢迎;
  • 请不要期待快速响应——毕竟这只是我的一个副业项目。

获取帮助:运行npx claude-code-collective validate进行诊断。

许可证

MIT许可证——你可以随意使用、修改甚至“破坏”它,只要对你有用就行。


实验性 | TDD导向 | 个人项目 | 请自行承担风险

更改日志

详细的版本历史和发布说明,请参阅CHANGELOG.md

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|★★★☆☆|5天前
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|★★★☆☆|6天前
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

150.7k|★★☆☆☆|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。

108.3k|★★☆☆☆|昨天
开发框架图像Agent

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。

100.8k|★★☆☆☆|昨天
插件Agent图像

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|★★★☆☆|5天前
语言模型图像Agent