claude-sub-agent

GitHub
572 104 简单 1 次阅读 1周前Agent
AI 解读 由 AI 自动生成,仅供参考

claude-sub-agent 是一个基于 Claude Code 子代理功能构建的 AI 驱动开发工作流系统。它旨在解决传统开发中从创意到落地代码周期长、质量不稳定以及文档缺失等痛点,通过将软件开发全生命周期拆解为需求分析、系统设计、任务规划、代码实现、测试验证及代码审查等多个专业阶段,让不同的专用 AI 代理协同工作,自动完成从项目构思到生产级代码的转化。

这套系统特别适合希望提升研发效率的软件开发者、技术团队负责人以及需要快速原型验证的研究人员。其核心亮点在于引入了严格的“质量门禁”机制:在每个关键阶段结束后,系统会自动进行校验,只有达标才能进入下一环节,否则将触发反馈循环进行修正。这种类似工厂流水线的协作模式,不仅实现了开发速度的显著提升,还确保了产出代码的一致性与高质量,并自动生成详尽的需求、设计及任务文档,让开发过程更加规范透明。

使用场景

某初创团队的后端工程师需要在两天内从零构建一个具备用户认证和支付功能的电商微服务模块,且必须保证代码质量符合生产标准。

没有 claude-sub-agent 时

  • 需求与设计脱节:开发者独自脑补需求细节,常因理解偏差导致后期反复重构架构,浪费大量时间。
  • 测试覆盖不足:赶工期时往往跳过单元测试或仅编写简单用例,导致上线后频繁出现边界条件报错。
  • 文档严重缺失:代码写完后无暇补全文档,后续维护者难以理解业务逻辑,协作效率极低。
  • 质量依赖个人状态:代码审查完全依赖人工,疲劳状态下容易遗漏潜在的安全漏洞或逻辑缺陷。

使用 claude-sub-agent 后

  • 流水线式专业分工:spec-analyst 和 spec-architect 代理先自动拆解需求并输出严谨的系统设计图,确保开发方向零偏差。
  • 自动化质量门禁:spec-tester 代理在编码完成后立即生成全覆盖测试用例,未通过质量网关的代码无法进入下一阶段。
  • 文档与代码同步生成:每个阶段自动产出详细的需求规格书、设计文档和任务清单,直接存入 docs 目录,无需人工补录。
  • 多重验证机制:spec-reviewer 和 spec-validator 代理进行多轮代码审查与最终校验,系统性消除人为疏忽带来的隐患。

claude-sub-agent 通过将软件开发拆解为多个专家代理协同工作的标准化流水线,让单人开发者也能以十倍速度交付具备企业级质量的完整功能模块。

运行环境要求

操作系统
  • 未说明
GPU

未说明

内存

未说明

依赖
notes该工具并非独立的 Python 应用程序,而是基于 Claude Code 的 Sub-Agents 功能构建的工作流系统。运行环境核心要求是安装最新版的 Claude Code 客户端。无需配置 GPU、特定 Python 版本或深度学习依赖库。安装过程主要涉及将提供的 Markdown 代理文件复制到项目目录下的 .claude/agents 和 .claude/commands 文件夹,并在 CLAUDE.md 中配置文档规范。
python未说明
Claude Code (最新版本)
claude-sub-agent hero image

快速开始

Claude 子代理规范工作流系统

基于 Claude Code 的子代理功能构建的全面 AI 驱动开发工作流系统。该系统通过协调运作的专用 AI 代理,将项目创意转化为可投入生产的代码。

目录

概述

规范工作流系统利用 Claude Code 的子代理能力,创建了一个多代理开发流水线。每个代理都是专注于软件开发生命周期特定环节的专业专家,从需求分析到最终验证。

核心特性

  • 自动化工作流:从创意到生产代码的完整开发流程
  • 专业化分工:各代理专注于各自的专业领域
  • 质量门控:自动化的检查点确保质量标准
  • 灵活集成:可与现有专业代理协同工作
  • 全面文档化:每个阶段都会生成详细的产出物

优势

  • 从概念到代码的开发速度提升 10 倍
  • 通过自动化验证实现一致的质量
  • 自动生成全面的文档
  • 通过系统化流程减少错误
  • 清晰的工作流促进更好的协作

系统架构

graph TD
    A[项目创意] --> B[spec-orchestrator]
    B --> C[规划阶段]
    C --> D[spec-analyst<br/>需求分析]
    D --> E[spec-architect<br/>系统设计]
    E --> F[spec-planner<br/>任务分解]
    
    F --> G{质量门控1}
    G -->|通过| H[开发阶段]
    G -->|未通过| D
    
    H --> I[spec-developer<br/>实现]
    I --> J[spec-tester<br/>测试]
    
    J --> K{质量门控2}
    K -->|通过| L[验证阶段]
    K -->|未通过| I
    
    L --> M[spec-reviewer<br/>代码评审]
    M --> N[spec-validator<br/>最终检查]
    
    N --> O{质量门控3}
    O -->|通过| P[已准备好投入生产]
    O -->|未通过| Q[反馈循环]
    
    style B fill:#1a73e8,color:#fff
    style G fill:#f9ab00,color:#fff
    style K fill:#f9ab00,color:#fff
    style O fill:#f9ab00,color:#fff
    style P fill:#34a853,color:#fff

安装

先决条件

  • Claude Code(最新版本)
  • 已初始化的项目目录
  • 对 AI 辅助开发的基本了解

设置步骤

  1. 下载代理

    # 方法一:克隆仓库
    git clone https://github.com/zhsama/claude-sub-agent.git
    cd claude-sub-agent
    
    # 方法二:下载所需的具体代理
    # 单个代理文件可在 agents/ 目录下找到
    
  2. 将代理和斜杠命令复制到项目的 Claude Code 目录中

    # 在项目中创建 .claude 目录结构
    mkdir -p .claude/agents .claude/commands
    
    # 复制分类目录下的所有代理
    cp -r agents/*/*.md .claude/agents/
    
    # 复制斜杠命令
    cp commands/agent-workflow.md .claude/commands/
    
  3. 在 CLAUDE.md 中添加规则

    ## 项目文档规范(重要)
    
    **文档文件:** 所有新文档或任务文件必须保存在本仓库的 `docs/` 文件夹下。例如:
    
    - **任务与待办事项**:保存在 `docs/{YYYY_MM_DD}/tasks/` 目录中(如 `docs/t2025_08_08/asks/ReleaseTodo.md` 用于发布清单)。
    - **需求/规格说明**:保存在 `docs/{YYYY_MM_DD}/specs/` 目录中(如 `docs/2025_08_08/specs/AuthModuleRequirements.md`)。
    - **设计文档**:保存在 `docs/{YYYY_MM_DD}/design/` 目录中(如 `docs/2025_08_08/design/ArchitectureOverview.md`)。
    - **代码文件:** 遵循项目结构(按照讨论结果将新代码放置在相应的 src/module 文件夹中)。
    - **测试:** 新测试文件应放在 `tests/` 目录下,并与代码结构保持一致。
    
    > **重要提示:** 创建新文件时,请确保目标目录存在,否则请先创建。切勿将这些文件默认保存在根目录下。
    
  4. 验证安装

    仓库结构:

    claude-sub-agent/
    ├── agents/
    │   ├── spec-agents/         # 核心工作流代理
    │   │   ├── spec-analyst.md
    │   │   ├── spec-architect.md
    │   │   ├── spec-developer.md
    │   │   ├── spec-orchestrator.md
    │   │   ├── spec-planner.md
    │   │   ├── spec-reviewer.md
    │   │   ├── spec-tester.md
    │   │   └── spec-validator.md
    │   ├── backend/             # 后端专家
    │   │   └── senior-backend-architect.md
    │   ├── frontend/            # 前端专家
    │   │   └── senior-frontend-architect.md
    │   ├── ui-ux/              # 设计专家
    │   │   └── ui-ux-master.md
    │   └── utility/             # 工具类代理
    │       └── refactor-agent.md
    └── commands/
        └── agent-workflow.md    # 斜杠命令
    ├── CLAUDE.md
    

    安装后的项目结构:

    your-project/
    ├── .claude/
    │   ├── commands/
    │   │   └── agent-workflow.md   # 斜杠命令
    │   └── agents/
    │       ├── spec-analyst.md
    │       ├── spec-architect.md
    │       ├── spec-developer.md
    │       ├── spec-orchestrator.md
    │       ├── spec-planner.md
    │       ├── spec-reviewer.md
    │       ├── spec-tester.md
    │       ├── spec-validator.md
    │       ├── senior-backend-architect.md
    │       ├── senior-frontend-architect.md
    │       ├── ui-ux-master.md
    │       └── refactor-agent.md
    ├── CLAUDE.md
    └── ... (您的项目文件)
    

快速入门

基本用法

# 启动新的项目工作流
向 Claude 提问:“使用 spec-orchestrator 代理创建一个待办事项 Web 应用程序”

# Orchestrator 将自动完成以下步骤:
# 1. 分析需求
# 2. 设计架构
# 3. 制定任务计划
# 4. 实现代码
# 5. 编写测试
# 6. 进行评审和验证

简单示例

您:使用 spec-orchestrator 创建一个个人博客平台

Claude(spec-orchestrator):开始个人博客平台的工作流...

[规划阶段 - 45 分钟]
✓ 需求已分析
✓ 架构已设计
✓ 任务已规划
✓ 质量门控 1:通过(96/100)

[开发阶段 - 2 小时]
✓ 15 项任务已完成
✓ 测试已编写
✓ 质量门控 2:通过(88/100)

[验证阶段 - 30 分钟]
✓ 代码已评审
✓ 最终验证完成
✓ 质量门控 3:通过(91/100)

项目完成!生成的成果包括:
- requirements.md
- architecture.md
- 源代码(15 个文件)
- 测试套件(覆盖率 85%)
- 文档

斜杠命令使用方法

要以最快的方式启动完整的工作流,请使用我们的自定义斜杠命令:

基本用法

/agent-workflow "创建一个带有用户认证和实时更新的任务管理Web应用"

高级用法

# 高质量企业级项目
/agent-workflow "开发具有客户管理和分析功能的CRM系统" --quality=95

# 快速原型开发  
/agent-workflow "简单的个人博客网站" --quality=75 --skip-agent=spec-tester

# 从现有需求出发
/agent-workflow "基于现有需求的移动应用" --skip-agent=spec-analyst

# 仅执行特定阶段
/agent-workflow "微服务架构的电商平台" --phase=planning

命令选项

  • --quality=[75-95]: 设置质量门限
  • --skip-agent=[agent-name]: 跳过指定代理
  • --phase=[planning|development|validation|all]: 执行特定阶段
  • --output-dir=[path]: 指定输出目录
  • --language=[zh|en]: 文档语言

📖 完整的斜杠命令文档,请参阅 commands/agent-workflow.md

工作原理

1. Claude Code子代理集成

根据Claude Code的文档,子代理的工作方式如下:

  • 在隔离的上下文窗口中运行
  • 防止污染主对话
  • 允许专业、专注的交互
  • 根据任务上下文自动选择

我们的系统利用这些特性,为每个开发阶段创建专门的代理。

2. 工作流阶段

规划阶段

  1. spec-analyst: 分析需求并创建用户故事
  2. spec-architect: 设计系统架构
  3. spec-planner: 将工作分解为任务
  4. 质量门1: 验证规划完整性

开发阶段

  1. spec-developer: 根据任务实现代码
  2. spec-tester: 编写全面的测试
  3. 质量门2: 验证代码质量

验证阶段

  1. spec-reviewer: 检查代码是否符合最佳实践
  2. spec-validator: 最终生产就绪检查
  3. 质量门3: 确保部署就绪

3. 代理间通信

代理通过结构化产物进行沟通:

  • 每个代理生成特定文档
  • 下一代理以先前输出为输入
  • 协调器管理流程
  • 质量门确保一致性

代理参考

代理分类体系

我们的代理按专业类别组织,以便更好地管理和领域专长:

  • spec-agents/: 核心工作流协调代理
  • backend/: 后端系统专家
  • frontend/: 前端开发专家
  • ui-ux/: 用户体验与设计专家
  • utility/: 通用工具代理

核心工作流代理 (spec-agents/)

代理 目的 输入 输出
spec-orchestrator 工作流协调 项目描述 状态报告、路由
spec-analyst 需求分析 用户描述 requirements.md, user-stories.md
spec-architect 系统设计 需求 architecture.md, api-spec.md
spec-planner 任务规划 架构 tasks.md, test-plan.md
spec-developer 实现 任务 源代码、单元测试
spec-tester 测试 代码 测试套件、覆盖率报告
spec-reviewer 代码审查 代码 审查报告、改进建议
spec-validator 最终验证 所有产物 验证报告、质量评分

按类别划分的专家代理

后端专家 (backend/)

代理 领域 整合点
senior-backend-architect 后端系统与架构 架构/开发阶段

前端专家 (frontend/)

代理 领域 整合点
senior-frontend-architect 前端系统与架构 开发阶段

UI/UX专家 (ui-ux/)

代理 领域 整合点
ui-ux-master 用户体验与界面设计 规划/开发阶段

工具代理 (utility/)

代理 领域 整合点
refactor-agent 代码质量与重构 任何阶段

使用示例

示例1:企业应用

# 高质量的企业系统
使用质量阈值为95的spec-orchestrator:
创建一个企业级CRM系统,具备以下功能:
- 多租户支持
- 基于角色的访问控制
- RESTful API
- 实时仪表盘
- 审计日志

示例2:快速原型

# 低质量阈值的快速原型
使用质量阈值为75且跳过分析师的spec-orchestrator:
创建一个简单的邮件捕获着陆页

示例3:现有需求

# 从现有文档开始
使用从需求开始的spec-orchestrator:
加载./docs/requirements.md中的需求,并继续工作流

示例4:仅执行特定阶段

# 仅对现有代码执行验证
仅使用spec-orchestrator的验证阶段:
验证./my-app/中的项目

质量门

第1道门:规划质量(95%阈值)

  • 需求完整性
  • 架构可行性
  • 任务分解质量
  • 用户故事清晰度

第2道门:开发质量(80%阈值)

  • 测试覆盖率
  • 代码质量指标
  • 安全扫描结果
  • 性能基准测试

第3道门:生产就绪(85%阈值)

  • 整体质量评分
  • 文档完整性
  • 部署准备情况
  • 运营要求

最佳实践

1. 项目准备

  • 编写清晰的项目描述
  • 包括约束条件和需求
  • 明确质量期望
  • 提供现有文档

2. 与代理协作

  • 让每个代理完成其阶段
  • 在各阶段之间审查产物
  • 有效利用反馈循环
  • 相信质量门的作用

3. 自定义

  • 根据需求调整质量阈值
  • 对于简单项目可跳过某些代理
  • 添加自定义验证标准
  • 与现有工作流整合

4. 性能优化

  • 对大型项目启用并行执行
  • 对迭代开发进行结果缓存
  • 使用分阶段执行
  • 监控资源使用情况

高级用法

自定义工作流

# 创建自定义工作流配置
workflow_config = {
    "quality_threshold": 90,
    "skip_agents": ["spec-analyst"],  # 如果已有需求
    "parallel": True,
    "custom_validators": ["security-scan", "performance-test"],
    "output_format": "markdown"
}

# 使用自定义配置执行
"使用spec-orchestrator并配置:" + json.dumps(workflow_config)

与CI/CD集成


# GitHub Actions 示例
名称: AI 工作流验证
触发条件: [pull_request]
作业:
  validate:
    运行在: ubuntu-latest
    步骤:
      - 使用: actions/checkout@v3
      - 名称: 运行规范验证
        运行: |
          # 使用 Claude Code CLI(如果可用)
          claude-code run spec-orchestrator \
            --phase validation \
            --project-path .

### 系统扩展

1. **添加新代理**
   - 使用 YAML 前置元数据创建代理
   - 明确职责范围
   - 指定输入输出格式
   - 更新编排器路由逻辑

2. **自定义质量门控**
   - 定义新的评估标准
   - 设置合适的阈值
   - 实现验证逻辑
   - 添加到工作流中

3. **领域特定工作流**
   - 创建专用的编排器
   - 定义领域模式
   - 自定义质量标准
   - 针对特定需求进行优化

## 故障排除

### 常见问题

1. **未找到代理**
   - 确认代理文件位于正确目录
   - 检查 YAML 前置元数据格式
   - 确保文件权限设置正确

2. **质量门控失败**
   - 仔细检查失败的具体标准
   - 核实生成的工件是否完整
   - 允许代理重新修改工作
   - 考虑调整阈值

3. **工作流卡住**
   - 检查编排器状态
   - 查看上一个代理的输出
   - 寻找错误信息
   - 从最近的检查点重新启动

### 调试模式

```bash
# 启用详细日志记录
使用带有调试模式的 spec-orchestrator:
创建测试项目并展示所有代理交互

贡献说明

我们欢迎各位贡献!请:

  1. 遵循现有代理格式
  2. 提供详尽的文档
  3. 包含使用示例
  4. 使用编排器进行测试
  5. 提交带有说明的拉取请求

许可证

MIT 许可证 - 详情请参阅 LICENSE 文件

致谢

  • 基于 Claude Code 的子代理功能构建
  • 受 BMAD 方法论启发
  • 欢迎社区贡献

更多信息请参阅:

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|★★★☆☆|1周前
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|★★★☆☆|1周前
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

152.6k|★★☆☆☆|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|★★☆☆☆|3天前
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|★★☆☆☆|3天前
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|★★★☆☆|1周前
语言模型图像Agent