作为一名独立开发者，我经常使用 Claude Code 这类 AI 工具来快速搭建原型，但总被一个老问题困扰——上下文窗口一满，AI 的输出就开始混乱、前后不一致，也就是所谓的“上下文退化”（context rot）。直到我接触到了 Get Shit Done (GSD) 这个开源框架，才算找到了一个系统性的解决方案。它不仅仅是一套提示词，更是一个专为 Claude Code、OpenCode 和 Gemini CLI 设计的 meta-prompting 系统，能帮你把创意想法拆解成可执行的阶段，确保 AI 输出的稳定性和项目推进的效率。
解决 AI 开发的痛点
GSD 项目在 GitHub 上由用户 glittercowboy 维护，采用 MIT 许可，已经获得了相当的关注度。它精准地瞄准了 AI 上下文管理的核心难题，引入了一个阶段化的工作流：从项目初始化、需求澄清，到执行和验证，全程使用文件和独立的“代理”来管理状态。其核心思想是把一个宏大的任务分解成细小的计划，并利用子代理进行并行处理，从而避免单个上下文窗口过载。
与 Speckit 或 BMAD 等更偏向企业级的复杂工具不同，GSD 的设计非常务实。它没有多余的仪式感，直接聚焦于“执行”。这使其特别适合独立开发者或小团队，用于原型构建、Bug 修复或功能迭代。感觉就像是拥有了一个分工明确、可靠协作的“AI 助手团队”。
GSD 的核心实用机制
GSD 的设计始终围绕着效率和可靠性。下面我们结合其代码实现和具体使用场景，来剖析几个关键机制。
1. 工作流拆解：Roadmap -> Phase -> Plan
使用 /gsd:new-project 命令初始化项目时，系统会通过一系列提问来澄清你的需求，提取关键要求，并最终生成一份项目蓝图（Roadmap）。这份蓝图会划分出多个里程碑（Milestones），每个里程碑下又分为多个阶段（Phases），每个阶段则进一步拆解为原子化的计划（Atomic Plans）。
从代码仓库中的 commands/new-project.md 可以看到这个流程：首先是提问澄清（questioning），然后是调研（research，由并行代理查找技术栈、架构和潜在陷阱），最后输出 REQUIREMENTS.md 和 ROADMAP.md 文件。这些计划采用 XML 格式定义，确保了每个任务都是具体且可验证的：
<task type="auto">
<name>Setup auth endpoint</name>
<files>src/api/auth.ts</files>
<action>Implement JWT with jose library...</action>
<verify>Run curl test for 200 response</verify>
<done>Endpoint handles valid/invalid creds</done>
</task>
这种在规划阶段就锁定范围的方式，有效避免了项目范围的无限膨胀。在实践中，我曾用它把一个电商原型项目拆分为认证、购物车等多个并行阶段，执行效率得到了显著提升。
2. 多代理协调：并行处理与鲜活上下文
GSD 通过一个“协调器”（Orchestrator，定义于如 workflows/execute-phase.md 的文件中）来管理不同类型的代理：研究员（Researcher）负责调研、规划师（Planner）制定计划、执行者（Executor）编写代码、验证者（Verifier）进行检查。执行过程被分为多个“波次”（Waves）——独立任务可以并行执行，有依赖关系的任务则按顺序进行。
每个代理（如 agents/gsd-executor.md 中定义的执行者）都运行在独立的上下文中，并拥有自己的工具集（如 Read、Bash 等）。协调器只负责路由任务和集成结果，从而保持了主对话窗口的干净。从 get-shit-done/bin/lib/core.cjs 的代码来看，这是通过 JavaScript 来生成代理进程并集成它们的结果实现的。
在我的项目中，这意味着构建数据模型和开发 API 接口可以同时进行，不仅节省了时间，更重要的是避免了因上下文污染而导致的 AI 输出质量下降。
3. Git 集成：原子提交与清晰的历史追踪
每个任务完成后，GSD 会自动执行一次 Git 提交，并附上详细的总结文件 summary.md。提交信息清晰规范：
git commit -m “feat(phase-1): add user model”
references/git-integration.md 文件说明了这种原子提交策略的好处：便于后续的二分查找（bisect）和回退（revert）。此外，hooks/gsd-context-monitor.js 还会监控上下文使用情况，确保不会超出限制。
这一点尤其实用——它让仓库的提交历史从杂乱无章变得结构清晰。在 Debug 时，你可以直接通过 git log 快速定位到引入问题的具体变更。
4. 灵活的配置与模式
GSD 支持“全自动”（yolo）和“交互式”（interactive）两种模式，你可以通过模型配置文件（model profiles）来控制成本（例如用 Opus 进行规划，用 Sonnet 执行）。workflows/settings.md 允许你灵活地开关调研（research）或验证（verify）步骤。
从 package.json 可以看出，GSD 本身是零依赖的，纯 Node.js 环境即可运行，保证了跨平台的稳定性。
技术架构：简洁而模块化的实现
GSD 的代码结构紧凑且易于维护。其目录设计清晰地反映了它“文件驱动”的本质：
commands/ 和 workflows/：这里存放着用 Markdown 编写的命令和流程定义文件，使用 XML 标签（如 <task>）来描述步骤。修改逻辑只需编辑这些 Markdown 文件，无需触及核心 JavaScript 代码。agents/：这里是各类代理的提示词文件，例如 gsd-planner.md，其中定义了代理的角色和可用的工具集。它支持 WebSearch 等扩展工具，每个代理都专注于单一职责。templates/：存放项目（project.md）、计划（plan.md）等文件模板。frontmatter.cjs 会解析其中的 YAML 信息，构建依赖关系图，确保上下文的智能组装。bin/ 和 lib/：install.js 处理安装逻辑，commands.cjs 解析斜杠命令。hooks/ 目录下的文件（如 gsd-statusline.js）使用 esbuild 打包，提供状态监控等功能。tests/：包含了初始化、里程碑管理等功能的测试用例，milestone.test.cjs 利用 helpers.cjs 来模拟运行环境。
整体来看，GSD 就像一个“文件驱动的引擎”：代码仓库本身即是状态（STATE.md 文件持久化记录决策），JavaScript 代码只负责流程协调。这种设计避免了复杂框架的引入，安装后即可开箱即用，并且 tests/ 中的用例保证了其可靠性。我曾修改过 agents/ 中的文件来添加自定义工具，过程非常顺畅，足见其扩展性之强。
安装与快速上手
GSD 支持 macOS、Linux 和 Windows（需要 Node.js >= 16.7）。我本人在 macOS、Ubuntu 和 Windows 10 上均测试通过，运行稳定。
安装方式
- 全局安装：
npx get-shit-done-cc@latest
运行后按提示选择你的 AI 工具运行时（Claude 等）和安装位置。
- 本地项目安装：
cd your-project
npx get-shit-done-cc --claude --local
- Docker 环境：
CLAUDE_CONFIG_DIR=/path/to/.claude npx get-shit-done-cc --global
基础配置
对于 Claude Code，你可能需要在启动时添加 --dangerously-skip-permissions 参数来跳过权限提示，或者在其 settings.json 配置文件中添加相应的允许规则（例如允许执行 Bash(git *) 命令）。
开始使用
Windows 用户注意：在路径处理上需留意反斜杠，不过 GSD 已经过测试，具有良好的兼容性。
应用场景：从零构建原型到迭代既有项目
我曾用 GSD 构建一个 Next.js + Supabase 的全栈应用：new-project 生成了清晰的路线图，execute-phase 让认证、数据库建模等任务得以并行开发，最后用 verify-work 进行手动测试。整个流程从需求梳理到可部署的版本，大约只花了两天时间。
GSD 同样适用于更复杂的场景：
- 既有项目（Brownfield）：使用
map-codebase 分析旧代码，加载已有的 conventions.md（编码规范），让新功能的开发能够无缝集成到现有架构中。
- 团队协作：利用
pause-work 和 resume-work 命令方便地进行工作交接，非常适合团队环境。
- 高度自定义：通过修改
templates/ 下的模板，你可以加入 TDD（测试驱动开发）模式，或者集成 LangChain 来处理更复杂的 NLP 任务。
- 按需选择模式：修复紧急 Bug 时使用快速（quick）模式；构建最小可行产品（MVP）时则启用完整工作流（full workflow）。
我的切身经验是：GSD 将 AI 辅助开发从“随机性生成”转变为了“工程化生产”，尤其适用于 Web 全栈、DevOps 脚本等需要清晰结构和可靠输出的项目。
总结：一个值得尝试的工程化框架
总而言之，GSD 框架精准地简化了 AI 辅助开发中的两大核心痛点：上下文管理和执行可靠性。其代码简洁，机制务实有效，为开发者提供了一个将 AI 能力“工程化”的高效路径。
如果你也在寻找一种方法来提升 AI 编码的效率和项目管理的条理性，GSD 绝对值得你花时间尝试。项目地址在 GitHub，欢迎 Star 或 Fork。对于这类 AI辅助开发 的工程化实践，如果你有更多心得或疑问，也欢迎到技术社区进行深入交流，例如在 云栈社区 的 开源实战 板块，常常能发现类似的实用框架和精彩的讨论。
发表于 9 小时前
|
查看: 2|
回复: 0
