在讨论多 Agent 协作时，“Swarm/蜂群”是一个通用术语（OpenAI甚至有官方项目叫 Swarm），但 Claude Code 的官方概念是 Agent Teams。本文使用官方术语 Agent Teams，并保留“蜂群”作为通俗说明。
上周的文章（关于 Agent Swarm）发布后，收到最多的反馈是：“每次都要手动写那么长的提示词，有没有更简单的方法？”
答案是：有。
为此，我花了一周时间，将这套多 Agent 编排逻辑封装成了一个 Claude Code Skill。现在，你只需要说一句“拉个团队”，它就能自动完成组队、分工和验收。今天，这个 Skill 正式开源了。
在开发过程中，最令我感触的是：仅用 216 行提示词，就实现了过去需要庞大工程才能完成的功能。这不再是一个必须“造轮子”的时代。当然，认知是运用好 AI 的前提，本文的精华内容将帮助你建立这种认知。
核心价值：从“你指挥”到“它组队”
这个 Skill 名为 agent-teams-playbook，它解决的核心问题是：让 Claude Code 从“你指挥它干活”转变为“它自己作为 CTO 来组队干活”。
你只需要描述任务，它会自动完成以下事项：
- 判断任务复杂度，选择最合适的编排场景。
- 组建团队，为每个
Agent 分配角色和模型。
- 并行执行任务，并实时汇报进度。
- 进行质量把关与产品打磨，确保成果不仅“能用”还要“好用”。
- 交付结果并提供部署说明。
全程你只需要在关键节点进行确认。
术语澄清：
teammate 是独立的 Claude Code 实例：各自拥有上下文窗口，可以互相沟通，你也可以直接切换到任意一个进行对话。- 因此，这个 Skill 的正确定位是 “并行外脑 + 汇总压缩”的编排器，而非“单脑扩容”器。理解这一点至关重要。
为什么要开发这个 Skill？
在实践了上篇文章的 6 种玩法模板后，我发现了几个实际问题：
- 每次都要手动决策：需要先判断任务复杂度、所需
Agent 数量、协作模式，效率低下。
- 提示词冗长：模板提示词长达 200 多字，每次都需要复制、修改，操作繁琐。
- 缺乏质量把关：
Agent 执行完毕后缺乏统一的验收标准和打回修改机制。
- 流程不统一：每次都是临时拼凑流程，无法沉淀和复用。
于是，agent-teams-playbook 诞生了，旨在将这些判断逻辑、流程规范和质量标准全部封装起来。
核心设计：赋予 AI “技术合伙人”的思维
这个 Skill 的第一行定义就与众不同：
你是 Technical Co-Founder 级别的 Agent Teams 协调器——不只是分配任务，而是：明确每个角色的职责边界、把控执行过程、对最终产品质量负责。
Technical Co-Founder，直译是“技术联合创始人”。通俗地说，就是创业公司里那个既懂技术又能带团队的 CTO 角色。
为什么要赋予 AI 这个角色？因为普通的“任务协调器”只会机械分配，而一个好的技术合伙人会做以下五件事：
- 质疑需求：当需求不合理时，主动挑战假设并建议更好的方案。
- 界定范围：清晰区分“现在必须做”和“以后再说”，砍掉非核心部分。
- 选择策略：根据任务复杂度选择最合适的编排方式。
- 把控质量：不仅追求“能用”，更要确保“好用”——涵盖边界处理、专业度和完整性。
- 交付移交：完成后，告诉你如何使用、如何验证以及存在哪些限制。
这就是从“工具人”到“合伙人”的本质区别。
五大编排场景：自动选择，无需操心
Skill 内置了一个决策树，可根据任务复杂度自动选择场景：
Q1: 任务复杂度？
├── 简单(1-2步) → 场景1：提示增强
├── 中等(3-5步) → Q2: 有现成Skill可复用？
│ ├── 是 → 场景2：Skill复用
│ └── 否 → 场景3：计划+评审（默认）
└── 复杂(6+步) → Q3: 需要明确团队分工？
├── 是 → 场景4：Lead-Member
└── 否 → 场景5：复合编排
各场景说明：
- 提示增强：任务过于简单，无需组队。例如：“帮我改个函数名”。
- Skill复用：有现成 Skill 可用，直接调用。例如：“帮我写篇公众号” → 调用
gzh-writer。
- 计划+评审：制定计划 → 用户确认 → 并行执行 → 审查。例如：“重构认证模块”（最常用）。
- Lead-Member：Leader 协调，Members 并行工作。例如：“做一个完整的用户系统”。
- 复合编排：动态组合上述场景。例如：“从零搭建一个 SaaS 产品”。
重点：你无需记忆这些。只需说出“拉团队帮我重构认证模块”，Skill 会自动判断适用场景 3 并按流程执行。你也可以直接指定：“用场景 4 帮我做用户系统”，跳过决策树。
五阶段工作流：终端中的实际输出
以下是一个真实场景“拉团队帮我优化一个前端个人主页”的演示，展示了理想情况下的执行流程。实际输出格式可能因任务类型和模型响应而略有差异。
阶段 1：任务分析（Discovery）
Claude Code 输出任务分析表格，明确目标、范围、验收标准等。
此阶段设计为必须经用户确认才能继续。如果你认为范围有误，可以直接提出调整意见。
注意：你可以选择授权它“自行全权决定”，但我不建议这样做，因为它可能不理解你的细节需求而导致跑偏。
阶段 2：团队组建
用户输入“继续”后，Skill 将组建团队，并为不同角色分配合适的模型。
模型选择并非随意，而是根据任务复杂度自动分配。动手能力强的开发者，可以参考相关开源项目，通过 MCP 或 Agent 方式接入其他模型。为方便演示，此处统一使用 Claude 系列模型：haiku 处理简单任务，sonnet 处理常规编码，opus 处理需要深度思考的架构设计。
阶段 3：并行执行
多个 Agent 同时启动，并行工作。
如果某个 Agent 遇到问题，小问题会自行修复，大问题则会向你汇报并提供选项，由你决策。
阶段 4：质量把关 & 产品打磨
此阶段是 Skill 的核心——不仅检查“能不能跑”，更要检查“好不好用”。
问题最多会打回修改两轮，若仍不达标则通知人工介入。
产品打磨包含三个维度：
- 边界处理：是否覆盖了异常情况。
- 专业度：命名是否规范，错误提示是否友好。
- 完整性：文档、配置、示例是否齐全。
阶段 5：结果交付 & 部署移交
从任务分析到部署移交，全流程自动化。你只在阶段 1 确认了一次计划，其余均由 Skill 驱动。
“后续建议”一栏非常有用——它会列出在阶段 1 被界定为“add-later”的内容，提醒你下一步可以做什么。
两种协作模式
- Subagent 模式
- 通信方式：单向汇报（Agent → 协调器）
- 适用场景：任务间没有依赖
- 启动方式：Task 工具
- Agent Team 模式
- 通信方式：双向通信（Agent ↔ Agent）
- 适用场景：任务间需要互相协调
- 启动方式：TeamCreate + SendMessage
建议：90% 的场景使用 Subagent 模式即可。Agent Team 功能更强但成本更高（每条消息都消耗 Token），仅在任务间确实需要频繁沟通时使用。
安装前提：两个推荐的前置 Skill
为发挥完整功能，建议先安装以下两个 Skill（需手动安装，未直接集成以避免每次浪费 Token）：
必装 1：find-skills（自动发现社区 Skill）
这是 Claude Code 生态中的 Skill 发现工具，能从社区索引中搜索数百个开源 Skill。
npx skills add KimYx0207/findskill@find-skills -y
或手动安装：将仓库（https://github.com/KimYx0207/findskill）中的 SKILL.md 放到 .claude/skills/find-skills/ 目录。
编排器如何调用它？在阶段 2，协调器会询问 find-skills：“当前任务有无专门 Skill 可用？”若有，则为对应 Agent 指定该 Skill；若无，则使用通用 Agent。
必装 2：planning-with-files（自动生成计划文件）
npx skills add anthropic-ai/planning-with-files -y
或手动安装：将仓库（https://github.com/OthmanAdi/planning-with-files）中的 SKILL.md 放到 .claude/skills/planning-with-files/ 目录。
作用：自动生成 task_plan.md、findings.md、progress.md，使任务进度可追踪。
降级使用：如果暂时不安装上述 Skill，agent-teams-playbook 仍可使用，只是功能会降级（例如，跳过自动生成文件步骤），不会报错。
安装与使用：三步到位
第 1 步：创建目录
mkdir -p .claude/skills/agent-teams-playbook
第 2 步：放入 SKILL.md
将完整的 SKILL.md 文件（共 216 行）放入上述目录。完整代码见文末的 GitHub 仓库。
第 3 步：触发使用
以下任何一种自然语言方式均可触发：
# 自然语言触发
“拉团队帮我重构认证模块”
“帮我组个Agent团队做代码审查”
“用多Agent并行处理这个任务”
“agent swarm帮我搞定这个需求”
# 直接指定场景
“用场景4帮我做用户系统”
无需其他依赖、环境变量或服务，放入即用。
进阶玩法：与生态工具组合
agent-teams-playbook 作为编排器，可以手动组合其他工具来增强功能，构建更强大的 Agent 工作流。这尤其体现了在 Claude Code 生态中进行 开源实战 的灵活性。
1. 与 superpowers 组合（14 个开发工作流 Skill）
GitHub：https://github.com/obra/superpowers
这是一套完整的开发工作流 Skill 集合。你可以参考以下对应关系，在阶段 2 为不同角色的 Agent 指定这些专业 Skill：
brainstorming → 阶段 1（需求澄清）writing-plans → 阶段 2（拆解任务）dispatching-parallel-agents → 阶段 3（并行派发）subagent-driven-development → 阶段 3+4（驱动开发与评审）requesting-code-review → 阶段 4（代码审查）finishing-a-development-branch → 阶段 5（合并与清理）
关键区别：superpowers 是 工具库（14 把独立工具），而 agent-teams-playbook 是 编排器（决定何时、如何使用这些工具）。
2. 与 planning-with-files 深度集成
二者互补：编排器负责决策，planning-with-files 负责将计划落地为可追踪的文件。
- 阶段1：生成
task_plan.md
- 阶段2：生成
findings.md
- 阶段3：各
Agent 更新 progress.md
- 阶段4-5：将最终状态写入文件
效果是：计划有文件，执行有团队，进度可追踪。
3. 集成 TDD 工作流
在阶段 2 组建团队时，可为“实现者”角色的 Agent 指定 TDD 专用的 subagent_type（如 everything-claude-code:tdd-guide），让其自动遵循“写测试 → 实现 → 重构”的流程，并在质量把关阶段自动检查测试覆盖率。
4. 终极组合示例
将上述工具串联起来（需预先手动安装各 Skill）：
find-skills → 自动发现可用社区Skill
↓
planning-with-files → 生成结构化计划文件
↓
agent-teams-playbook → 基于计划文件组队+编排
↓
superpowers skills → 每个Agent用专业Skill执行
↓
tdd-guide → 实现者遵循TDD流程
理想情况下，你只需说一句“帮我做个用户系统”，就能实现：Skill自动发现、计划文件化、智能编排、专业执行、代码有保障的全流程自动化。
设计原则：经验总结
在开发过程中，我总结了 7 条底线原则并写入了代码：
- 先目标，后组织——任务不清晰时先澄清，不急于组队。
- 队伍不超过 5 个——
Agent 过多会导致沟通成本指数级增长。
- 关键节点设质量闸门——
Agent 干完不等于任务完成。
- 不默认任何工具可用——执行前先验证
find-skills 等工具状态。
- 成本只是约束——不做不切实际的成本节省承诺。
- 遇问题给选项——不替用户做决定，而是提供选择。
- 危险操作必须确认——大规模变更、删除等操作需用户明确同意。
开源地址
借助这个编排器，你可以更高效地管理和协同多个 Agent，将复杂的 人工智能 项目开发流程自动化。如果你对这类 Agent 协作、技能编排的 技术文档 和最佳实践感兴趣，欢迎在云栈社区的相关板块进行更深度的交流与探讨。
往期教程导航
关于 Agent Teams 生态，我已撰写系列教程，建议按以下顺序阅读：
- Agent Teams 多Agent协作（框架总览）
- find-skills（Skill发现机制）
- everything-claude-code（专业Agent类型库）
- planning-with-files（计划文件化）
- superpowers（14个执行Skill）
希望这篇文章和开源的 Skill 能帮助你告别手动拼装提示词的时代，更高效地驾驭多 Agent 协作的强大能力。
发表于 2026-2-15 07:07:09
|
查看: 26|
回复: 0
