agents
agents 是一个专为 Claude Code 设计的智能自动化与多智能体编排系统，旨在将单一 AI 助手升级为高效协作的专家团队。它通过模块化的插件架构，解决了传统 AI 在复杂开发任务中上下文冗余、专业度不足及难以协调多步骤工作流的痛点。
该系统内置了 182 个覆盖架构、安全、运维等领域的专用智能体，以及 147 项按需加载的“智能体技能”。其核心亮点在于“渐进式披露”机制：用户只需安装特定功能的插件（如 Python 开发或 Kubernetes 运维），系统便仅加载相关的智能体与指令，避免无关信息占用宝贵的上下文窗口，从而显著提升响应速度与准确性。此外，它还提供了 16 种工作流编排器，能够自动协调多个智能体协同完成全栈开发、安全加固等复杂任务。
agents 非常适合软件开发者、DevOps 工程师及技术团队使用，尤其是那些希望利用 AI 深度参与代码生成、系统架构设计及自动化测试的专业人士。通过像搭积木一样组合 75 个专注型插件，用户可以灵活构建适合自己项目的智能化开发环境，让 AI 真正成为懂业务、能协作的生产力伙伴。
使用场景
某全栈开发团队正紧急重构一个遗留的电商系统，需同时处理 Python 后端逻辑迁移、Kubernetes 容器化部署及安全漏洞修复。
没有 agents 时
- 上下文过载：开发者不得不将庞大的通用知识库全部加载到 Claude 的上下文中，导致 Token 消耗极快且响应变慢。
- 协作断层：后端代码修改、基础设施配置和安全扫描由不同人员手动分段执行，缺乏统一协调，极易出现配置不一致。
- 技能缺失：面对特定的 K8s 部署难题或深层安全漏洞，通用模型只能提供泛泛的建议，无法直接生成可执行的生产级脚本。
- 重复劳动：每次切换任务（如从写代码转到写测试）都需要重新提示模型切换角色，浪费大量时间在上下文对齐上。
使用 agents 后
- 按需加载：通过
agents仅安装python-development和kubernetes-operations插件，只加载必要的 3 个 Python 专家和 4 个部署技能，Token 占用降低 90%。 - 自动编排：利用内置的
full-stack-orchestration工作流，16 个多智能体自动协同，一次性完成从代码重构、测试生成到容器部署的全链路操作。 - 专家级输出：调用的专用 Agent 直接输出经过验证的 Helm Charts 和安全加固代码，精准解决特定领域的复杂问题。
- 无缝流转：各插件边界清晰但可自由组合，系统在代码审查与基础设施更新间自动切换，无需人工反复干预提示词。
agents 通过将单一通用模型转化为由 182 个领域专家组成的协作网络，实现了从“辅助聊天”到“自主交付”的质变。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
Claude 代码插件：编排与自动化
⚡ 针对 Opus 4.6、Sonnet 4.6 和 Haiku 4.5 更新 — 三层模型策略，实现最佳性能
🎯 已启用代理技能 — 147 种专业技能通过渐进式披露扩展了 Claude 在各插件中的能力
一个全面的生产就绪系统，结合了 182 个专业 AI 代理、16 个多代理工作流编排器、147 个代理技能 和 95 个命令，并将其组织成 75 个专注的单一用途插件，适用于 Claude Code。
概述
这个统一的仓库提供了现代软件开发中智能自动化和多代理编排所需的一切：
- 75 个专注插件 - 细粒度的单一用途插件，优化了最小化令牌使用和可组合性
- 182 个专业代理 - 在架构、语言、基础设施、质量、数据/AI、文档、业务运营和 SEO 等领域拥有深厚知识的领域专家
- 147 个代理技能 - 具有渐进式披露功能的模块化知识包，用于提供专业 expertise
- 16 个工作流编排器 - 用于复杂操作的多代理协调系统，如全栈开发、安全加固、机器学习流水线和事件响应
- 95 个命令 - 优化的实用工具，包括项目脚手架、安全扫描、测试自动化和基础设施设置
主要特性
- 细粒度插件架构：75 个专注于特定任务的插件，优化了最小化令牌使用
- 全面工具集：95 个命令，包括测试生成、脚手架和安全扫描
- 100% 代理覆盖：所有插件都包含专业代理
- 代理技能：147 种遵循渐进式披露和令牌效率的专业技能
- 清晰的组织结构：23 个类别，每个类别包含 1 到 6 个插件，便于发现
- 高效设计：每个插件平均包含 3.4 个组件（遵循 Anthropic 的 2-8 模式）
工作原理
每个插件都是完全隔离的，拥有自己的代理、命令和技能：
- 仅安装你需要的 - 每个插件只加载其特定的代理、命令和技能
- 最小化令牌使用 - 不会将不必要的资源加载到上下文中
- 自由组合 - 可以组合多个插件来完成复杂的工作流
- 清晰的边界 - 每个插件都有一个单一且专注的目的
- 渐进式披露 - 技能仅在被激活时才会加载知识
示例：安装 python-development 会加载 3 个 Python 代理、1 个脚手架工具，并使 16 个技能可用（约 1000 个令牌），而不是加载整个市场中的所有内容。
快速入门
第一步：添加市场
将此市场添加到 Claude Code：
/plugin marketplace add wshobson/agents
这将使所有 75 个插件都可以安装，但 不会将任何代理或工具 加载到你的上下文中。
第二步：安装插件
浏览可用的插件：
/plugin
安装你需要的插件：
# 核心开发插件
/plugin install python-development # Python 插件，包含 16 个专业技能
/plugin install javascript-typescript # JS/TS 插件，包含 4 个专业技能
/plugin install backend-development # 后端 API 插件，包含 3 个架构技能
# 基础设施与运维
/plugin install kubernetes-operations # Kubernetes 插件，包含 4 个部署技能
/plugin install cloud-infrastructure # 云基础设施插件，包含 4 个云技能
# 安全与质量
/plugin install security-scanning # SAST 插件，包含安全技能
/plugin install comprehensive-review # 多视角代码分析插件
# 全栈编排
/plugin install full-stack-orchestration # 多代理工作流插件
每个已安装的插件都会将 其特定的代理、命令和技能 加载到 Claude 的上下文中。
插件与代理的区别
你安装的是 插件，它会捆绑代理：
| 插件 | 代理 |
|---|---|
comprehensive-review |
architect-review, code-reviewer, security-auditor |
javascript-typescript |
javascript-pro, typescript-pro |
python-development |
python-pro, django-pro, fastapi-pro |
blockchain-web3 |
blockchain-developer |
# ❌ 错误 - 不能直接安装代理
/plugin install typescript-pro
# ✅ 正确 - 安装插件
/plugin install javascript-typescript@claude-code-workflows
故障排除
“未找到插件” → 使用插件名称，而不是代理名称。请加上 @claude-code-workflows 后缀。
插件未加载 → 清除缓存并重新安装：
rm -rf ~/.claude/plugins/cache/claude-code-workflows && rm ~/.claude/plugins/installed_plugins.json
文档
核心指南
- 插件参考 - 所有 75 个插件的完整目录
- 代理参考 - 所有 182 个代理按类别组织
- 代理技能 - 147 种具有渐进式披露功能的专业技能
- 使用指南 - 命令、工作流和最佳实践
- 架构 - 设计原则和模式
- PluginEval - 质量评估框架（层次、维度、评分）
快速链接
最新动态
PluginEval — 质量评估框架（全新）
一个用于衡量和认证插件/技能质量的三层评估框架：
/plugin install plugin-eval@claude-code-workflows
- 三层评估 — 静态分析（即时）、LLM 评判（语义）、蒙特卡洛模拟（统计）
- 10 个质量维度 — 触发准确性、编排契合度、输出质量、范围校准、渐进式披露、令牌效率、鲁棒性、结构完整性、代码模板质量、生态一致性
- 质量徽章 — 白金（★★★★★）、黄金（★★★★）、白银（★★★）、青铜（★★）
- 反模式检测 — 过度约束、描述为空、缺少触发器、技能臃肿、孤立引用、无效交叉引用
- 统计严谨性 — Wilson 分数置信区间、自助法置信区间、Clopper-Pearson 精确置信区间、Elo 排名
- CLI + Claude Code —
uv run plugin-eval score/certify/compare或/eval、/certify、/compare命令 - CI 门控 —
--threshold标志在低于最低分数时退出非零状态
# 快速评估（仅静态，即时）
uv run plugin-eval score path/to/skill --depth quick
# 标准评估（静态 + LLM 评判）
uv run plugin-eval score path/to/skill --depth standard
# 全面认证（所有层级 + Elo）
uv run plugin-eval certify path/to/skill
Agent Teams 插件
使用 Claude Code 的实验性 Agent Teams 功能，编排多智能体团队以实现并行工作流：
/plugin install agent-teams@claude-code-workflows
- 7 种团队预设 —
review、debug、feature、fullstack、research、security、migration - 并行代码评审 —
/team-review src/ --reviewers security,performance,architecture - 基于假设的调试 —
/team-debug "API 返回 500" --hypotheses 3 - 并行功能开发 —
/team-feature "添加 OAuth2 认证" --plan-first - 研究团队 — 在代码库和网络资源中并行展开调查
- 安全审计 — 4 名评审员分别覆盖 OWASP、身份验证、依赖项和机密信息
- 迁移支持 — 协调迁移流程，同时进行多个并行任务并验证正确性
包含 4 个专用智能体、7 条命令和 6 个技能，并附有参考文档。
Conductor 插件 — 上下文驱动开发
将 Claude Code 转变为项目管理工具，采用结构化的 上下文 → 规范与计划 → 实施 工作流：
/plugin install conductor@claude-code-workflows
- 交互式设置 —
/conductor:setup创建产品愿景、技术栈、工作流规则和风格指南 - 基于轨道的开发 —
/conductor:new-track生成规范和分阶段实施计划 - TDD 工作流 —
/conductor:implement执行任务并设置验证检查点 - 语义回滚 —
/conductor:revert按逻辑单元（轨道、阶段或任务）撤销工作 - 状态持久化 — 可跨会话恢复设置，保持项目上下文的持久性
- 3 个技能 — 上下文驱动开发、轨道管理、工作流模式
智能体技能（涵盖 21 个插件的 147 个技能）
遵循 Anthropic 渐进式披露架构的专业知识包：
语言开发：
- Python（5 个技能）：异步模式、测试、打包、性能、UV 包管理器
- JavaScript/TypeScript（4 个技能）：高级类型、Node.js 模式、测试、现代 ES6+
基础设施与 DevOps：
- Kubernetes（4 个技能）：清单文件、Helm 图表、GitOps、安全策略
- 云基础设施（4 个技能）：Terraform、多云环境、混合网络、成本优化
- CI/CD（4 个技能）：流水线设计、GitHub Actions、GitLab CI、机密管理
开发与架构：
- 后端（3 个技能）：API 设计、架构模式、微服务
- LLM 应用程序（8 个技能）：LangGraph、提示工程、RAG、评估、嵌入、相似度搜索、向量调优、混合搜索
区块链与 Web3（4 个技能）：DeFi 协议、NFT 标准、Solidity 安全、Web3 测试
项目管理：
- Conductor（3 个技能）：上下文驱动开发、轨道管理、工作流模式
还有更多： 框架迁移、可观测性、支付处理、机器学习运维、安全扫描
三层模型战略
为实现最佳性能和成本效益而制定的战略性模型分配方案：
| 层级 | 模型 | 智能体 | 使用场景 |
|---|---|---|---|
| Tier 1 | Opus 4.6 | 42 | 关键架构、安全、全面代码评审、生产编码（语言专家、框架） |
| Tier 2 | Inherit | 42 | 复杂任务——用户可自行选择模型（AI/ML、后端、前端/移动端、专业领域） |
| Tier 3 | Sonnet | 51 | 智能辅助（文档、测试、调试、网络、API 文档、DX、遗留系统、支付） |
| Tier 4 | Haiku | 18 | 快速操作任务（SEO、部署、简单文档、销售、内容、搜索） |
为何关键智能体要使用 Opus 4.6？
- SWE-bench 测试中得分高达 80.8%（行业领先）
- 复杂任务所需令牌数量减少 65%
- 最适合架构决策和安全审计
Tier 2 的灵活性（inherit）：
标记为 inherit 的智能体将使用您会话的默认模型，从而帮助您在成本和能力之间取得平衡：
- 可通过
claude --model opus或claude --model sonnet在启动会话时设置 - 若未指定默认模型，则回退到 Sonnet 4.6
- 非常适合希望控制成本的前端/移动端开发者
- AI/ML 工程师则可选择 Opus 来处理复杂的模型任务
成本考量：
- Opus 4.6：每百万输入/输出令牌 5 美元/25 美元——适用于关键任务的高端选择
- Sonnet 4.6：每百万令牌 3 美元/15 美元——性能与成本的平衡之选
- Haiku 4.5：每百万令牌 1 美元/5 美元——快速且经济高效的运营
- Opus 在复杂任务上令牌消耗减少 65%，通常可抵消其较高费率
- 使用
inherit层级可有效控制高容量使用场景的成本
编排模式可结合不同模型以提高效率：
Opus（架构）→ Sonnet（开发）→ Haiku（部署）
热门应用场景
全栈功能开发
/full-stack-orchestration:full-stack-feature "使用 OAuth2 的用户认证"
协调 7 个以上的智能体：后端架构师 → 数据库架构师 → 前端开发者 → 自动化测试工程师 → 安全审计员 → 部署工程师 → 可观测性工程师
安全加固
/security-scanning:security-hardening --level comprehensive
多代理安全评估，包含 SAST、依赖项扫描和代码审查。
使用现代工具进行 Python 开发
/python-development:python-scaffold fastapi-microservice
创建具备异步模式的生产就绪 FastAPI 项目，激活以下技能：
async-python-patterns- AsyncIO 和并发编程python-testing-patterns- pytest 和 fixtureuv-package-manager- 快速依赖管理
Kubernetes 部署
# 自动激活 k8s 技能
“使用 Helm Chart 和 GitOps 创建生产级 Kubernetes 部署”
使用具有 4 种专业技能的 kubernetes-architect 代理，用于生成生产级别的配置。
插件分类
24 类，75 款插件：
- 🎨 开发 (4) - 调试、后端、前端、跨平台
- 📚 文档 (3) - 代码文档、API 规范、图表、C4 架构
- 🔄 工作流 (5) - git、全栈开发、TDD、Conductor（上下文驱动开发）、Agent Teams（多代理编排）
- ✅ 测试 (2) - 单元测试、TDD 工作流
- 🔍 质量 (2) - 全面审查、性能优化
- 🤖 AI & ML (4) - LLM 应用、代理编排、上下文、MLOps
- 📊 数据 (2) - 数据工程、数据验证
- 🗄️ 数据库 (2) - 数据库设计、迁移
- 🚨 运维 (4) - 事件响应、诊断、分布式调试、可观性
- ⚡ 性能 (2) - 应用性能、数据库/云优化
- ☁️ 基础设施 (5) - 部署、验证、Kubernetes、云、CI/CD
- 🔒 安全 (4) - 扫描、合规、后端/API、前端/移动端
- 💻 语言 (7) - Python、JS/TS、系统编程、JVM、脚本语言、函数式编程、嵌入式开发
- 🔗 区块链 (1) - 智能合约、DeFi、Web3
- 💰 金融 (1) - 定量交易、风险管理
- 💳 支付 (1) - Stripe、PayPal、计费
- 🎮 游戏 (1) - Unity、Minecraft 插件
- 📢 营销 (4) - SEO 内容、技术 SEO、SEO 分析、内容营销
- 💼 商业 (3) - 分析、HR/法律、客户/销售
- 以及更多……
架构亮点
细粒度设计
- 单一职责 - 每个插件专注于做好一件事
- 最小化 token 使用 - 平均每个插件仅需 3.4 个组件
- 可组合性 - 可自由组合以构建复杂工作流
- 100% 覆盖率 - 所有 182 个代理均可通过插件访问
渐进式披露（技能）
三层架构以提升 token 效率：
- 元数据 - 名称及激活条件（始终加载）
- 指令 - 核心指导信息（激活时加载）
- 资源 - 示例与模板（按需加载）
仓库结构
claude-agents/
├── .claude-plugin/
│ └── marketplace.json # 75 款插件
├── plugins/
│ ├── python-development/
│ │ ├── agents/ # 3 位 Python 专家
│ │ ├── commands/ # 脚手架工具
│ │ └── skills/ # 5 种专业技能
│ ├── kubernetes-operations/
│ │ ├── agents/ # Kubernetes 架构师
│ │ ├── commands/ # 部署工具
│ │ └── skills/ # 4 种 Kubernetes 技能
│ └── ... (还有 65 款插件)
├── docs/ # 全面文档
└── README.md # 当前文件
贡献说明
要添加新的代理、技能或命令：
- 在
plugins/中找到或创建合适的插件目录。 - 在相应子目录中创建
.md文件：agents/- 用于专业代理commands/- 用于工具和工作流skills/- 用于模块化知识包
- 遵循命名规范（小写，连字符分隔）。
- 编写清晰的激活条件和全面的内容。
- 更新
.claude-plugin/marketplace.json中的插件定义。
详细指南请参阅 架构文档。
资源
文档
本仓库
许可证
MIT 许可证 - 详情请参阅 LICENSE 文件。
星标历史
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。
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。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。