Radforge是一个面向AI编码助手的工作流技能框架，提供清晰的路由机制、持久化产物管理和多平台安装支持，帮助开发团队建立一致的AI辅助开发流程。

Radforge：为编码Agent设计的标准化工作流技能框架\n\n## 背景：AI编码助手的混乱现状\n\n随着Claude Code、Codex、Cursor、GitHub Copilot等AI编码工具的爆发式增长，开发者面临一个新的挑战：如何让这些AI助手以一致、可预测的方式工作？每个工具都有自己的交互模式，不同开发者使用AI的方式也千差万别，这导致团队协作时出现理解成本和维护难题。\n\nRadforge项目正是针对这一痛点而生。它不是一个新的AI模型，而是一套标准化的"技能"框架，让AI编码助手能够遵循统一的工作流程，产出结构化的设计文档，并在不同开发阶段之间清晰切换。\n\n## 项目核心定位\n\nRadforge将自己定位为"工作流技能框架"（Workflow Skills Framework），其设计哲学非常务实：\n\n- 清晰路由：通过预定义的流程节点，让AI知道当前处于哪个阶段，下一步该做什么\n- 持久化产物：每个阶段都产生可沉淀的文档或代码，而非一次性对话\n- 多平台支持：一套技能库，同时支持Claude Code、Codex、Cursor、GitHub Copilot、OpenCode等主流工具\n\n这种设计思路体现了对AI辅助开发本质的深刻理解：AI不是替代开发者思考，而是将开发者的意图转化为结构化、可追溯的执行过程。\n\n## 核心工作流技能解析\n\nRadforge定义了七个核心工作流技能，覆盖了软件开发的完整生命周期：\n\n### 1. brainstorming（头脑风暴）\n\n当方向、范围或方案尚未确定时，使用此技能澄清需求。它帮助团队在进入编码前达成共识，避免后期返工。\n\n### 2. spec-writing（规格编写）\n\n将已确定或接近确定的方向转化为持久化的设计文档，存储在docs/specs/目录下。这些文档成为后续开发的契约和参考。\n\n### 3. plan（计划制定）\n\n当方向已经清晰，需要组织成可恢复的执行结构时使用。它将大任务分解为可管理的步骤，并建立检查点。\n\n### 4. implement（实现）\n\n在边界清晰的检查点内执行具体变更。此技能强调"小步快跑"，每个实现单元都应该是可独立验证的。\n\n### 5. test（测试）\n\n当需要更广泛的验证或回归信心时使用。它不仅验证当前变更，还确保没有破坏现有功能。\n\n### 6. review（审查）\n\n检查现有变更中的缺陷、回归风险、缺失验证或发布风险。这是质量保证的关键环节。\n\n### 7. migration（迁移）\n\n管理从旧路径到新路径的过渡，处理兼容性、切换策略、回滚方案等复杂问题。\n\n### 8. debug（调试）\n\n在修复前先复现和隔离故障，确保问题根因被准确识别。\n\n## 使用模式：use-radforge作为入口\n\nRadforge的核心入口是use-radforge技能，它充当路由器的角色。当开发者启动一个非平凡任务时，可以要求AI"使用radforge"，AI会根据任务特征自动选择合适的工作流技能。\n\n这种设计的好处是：\n\n- 降低认知负担：开发者不需要记住所有技能名称，只需知道入口点\n- 智能路由：AI根据上下文判断当前最适合的工作流\n- 渐进采用：简单任务可以直接执行，复杂任务才启用完整工作流\n\n## 多平台安装机制\n\nRadforge的安装设计非常贴心，支持一键安装到多个AI工具：\n\n支持的Provider：\n- Claude Code\n- Codex\n- Cursor\n- GitHub Copilot\n- OpenCode\n\n安装命令示例（Shell）：\nbash\n# 安装到Codex\ncurl -fsSL https://raw.githubusercontent.com/tangthiendat/radforge/main/scripts/install.sh | bash -s -- --provider codex\n\n# 安装到多个Provider\ncurl -fsSL https://raw.githubusercontent.com/tangthiendat/radforge/main/scripts/install.sh | bash -s -- --provider codex,claude-code\n\n# 预览安装（不实际写入）\ncurl -fsSL https://raw.githubusercontent.com/tangthiendat/radforge/main/scripts/install.sh | bash -s -- --provider codex --dry-run\n\n\n安装器会将技能库复制到对应Provider的用户级技能目录，并记录元数据以便后续卸载。卸载同样简单，使用uninstall脚本即可清理指定Provider的技能。\n\n## 实际应用场景\n\n想象一下这样的开发场景：\n\n1. 新功能开发：开发者说"我要添加用户认证功能"，AI进入brainstorming阶段，讨论OAuth vs JWT vs Session的方案\n2. 方案确定后：AI自动切换到spec-writing，生成docs/specs/auth-spec.md，包含接口定义、数据模型、安全考量\n3. 开始编码：AI进入plan阶段，将spec分解为数据库迁移、API实现、前端集成等子任务\n4. 逐条实现：每个子任务进入implement阶段，完成后自动进入test阶段验证\n5. 代码审查：实现完成后，AI进入review阶段，检查潜在的安全漏洞、边界情况、性能问题\n\n整个过程都有明确的阶段标记和产物沉淀，团队成员可以随时查看当前状态和已完成的工作。\n\n## 技术实现亮点\n\nRadforge的实现有几个值得注意的技术细节：\n\n1. 保守的安装策略：安装器只添加Radforge拥有的技能目录，不会覆盖用户自定义配置\n2. 幂等性：重复安装会刷新技能副本，不会产生重复或冲突\n3. 状态管理：在~/.radforge/providers/.state记录安装状态，支持精确卸载\n4. 跨平台脚本：同时提供PowerShell和Bash安装脚本，覆盖Windows、macOS和Linux用户\n\n## 对AI辅助开发的启示\n\nRadforge代表了一种重要的趋势：从"让AI写代码"转向"让AI遵循流程"。这种转变的意义在于：\n\n- 可预测性：同样的输入产生结构化的、可比较的结果\n- 可审计性：每个阶段都有文档留存，便于回顾和复盘\n- 可协作性：团队成员可以基于相同的流程规范协同工作\n- 可改进性：流程本身可以被度量、分析和优化\n\n对于正在使用AI编码工具的团队，Radforge提供了一个值得参考的框架。即使不完全采用其工作流定义，其"技能即代码"、"流程即配置"的思想也具有很强的启发性。\n\n## 结语\n\nRadforge不是又一个AI模型或IDE插件，而是一套关于"如何与AI协作"的方法论。在AI能力越来越强的今天，如何组织人机协作、如何沉淀知识、如何保证质量，这些软性问题可能比纯技术问题更加关键。Radforge在这个方向上做出了有价值的探索，值得AI辅助开发实践者关注和借鉴。

Radforge：为编码Agent设计的标准化工作流技能框架\n\n背景：AI编码助手的混乱现状\n\n随着Claude Code、Codex、Cursor、GitHub Copilot等AI编码工具的爆发式增长，开发者面临一个新的挑战：如何让这些AI助手以一致、可预测的方式工作？每个工具都有自己的交互模式，不同开发者使用AI的方式也千差万别，这导致团队协作时出现理解成本和维护难题。\n\nRadforge项目正是针对这一痛点而生。它不是一个新的AI模型，而是一套标准化的"技能"框架，让AI编码助手能够遵循统一的工作流程，产出结构化的设计文档，并在不同开发阶段之间清晰切换。\n\n项目核心定位\n\nRadforge将自己定位为"工作流技能框架"（Workflow Skills Framework），其设计哲学非常务实：\n\n- 清晰路由：通过预定义的流程节点，让AI知道当前处于哪个阶段，下一步该做什么\n- 持久化产物：每个阶段都产生可沉淀的文档或代码，而非一次性对话\n- 多平台支持：一套技能库，同时支持Claude Code、Codex、Cursor、GitHub Copilot、OpenCode等主流工具\n\n这种设计思路体现了对AI辅助开发本质的深刻理解：AI不是替代开发者思考，而是将开发者的意图转化为结构化、可追溯的执行过程。\n\n核心工作流技能解析\n\nRadforge定义了七个核心工作流技能，覆盖了软件开发的完整生命周期：\n\n1. brainstorming（头脑风暴）\n\n当方向、范围或方案尚未确定时，使用此技能澄清需求。它帮助团队在进入编码前达成共识，避免后期返工。\n\n2. spec-writing（规格编写）\n\n将已确定或接近确定的方向转化为持久化的设计文档，存储在docs/specs/目录下。这些文档成为后续开发的契约和参考。\n\n3. plan（计划制定）\n\n当方向已经清晰，需要组织成可恢复的执行结构时使用。它将大任务分解为可管理的步骤，并建立检查点。\n\n4. implement（实现）\n\n在边界清晰的检查点内执行具体变更。此技能强调"小步快跑"，每个实现单元都应该是可独立验证的。\n\n5. test（测试）\n\n当需要更广泛的验证或回归信心时使用。它不仅验证当前变更，还确保没有破坏现有功能。\n\n6. review（审查）\n\n检查现有变更中的缺陷、回归风险、缺失验证或发布风险。这是质量保证的关键环节。\n\n7. migration（迁移）\n\n管理从旧路径到新路径的过渡，处理兼容性、切换策略、回滚方案等复杂问题。\n\n8. debug（调试）\n\n在修复前先复现和隔离故障，确保问题根因被准确识别。\n\n使用模式：use-radforge作为入口\n\nRadforge的核心入口是use-radforge技能，它充当路由器的角色。当开发者启动一个非平凡任务时，可以要求AI"使用radforge"，AI会根据任务特征自动选择合适的工作流技能。\n\n这种设计的好处是：\n\n- 降低认知负担：开发者不需要记住所有技能名称，只需知道入口点\n- 智能路由：AI根据上下文判断当前最适合的工作流\n- 渐进采用：简单任务可以直接执行，复杂任务才启用完整工作流\n\n多平台安装机制\n\nRadforge的安装设计非常贴心，支持一键安装到多个AI工具：\n\n支持的Provider：\n- Claude Code\n- Codex\n- Cursor\n- GitHub Copilot\n- OpenCode\n\n安装命令示例（Shell）：\nbash\n安装到Codex\ncurl -fsSL https://raw.githubusercontent.com/tangthiendat/radforge/main/scripts/install.sh | bash -s -- --provider codex\n\n安装到多个Provider\ncurl -fsSL https://raw.githubusercontent.com/tangthiendat/radforge/main/scripts/install.sh | bash -s -- --provider codex,claude-code\n\n预览安装（不实际写入）\ncurl -fsSL https://raw.githubusercontent.com/tangthiendat/radforge/main/scripts/install.sh | bash -s -- --provider codex --dry-run\n\n\n安装器会将技能库复制到对应Provider的用户级技能目录，并记录元数据以便后续卸载。卸载同样简单，使用uninstall脚本即可清理指定Provider的技能。\n\n实际应用场景\n\n想象一下这样的开发场景：\n\n1. 新功能开发：开发者说"我要添加用户认证功能"，AI进入brainstorming阶段，讨论OAuth vs JWT vs Session的方案\n2. 方案确定后：AI自动切换到spec-writing，生成docs/specs/auth-spec.md，包含接口定义、数据模型、安全考量\n3. 开始编码：AI进入plan阶段，将spec分解为数据库迁移、API实现、前端集成等子任务\n4. 逐条实现：每个子任务进入implement阶段，完成后自动进入test阶段验证\n5. 代码审查：实现完成后，AI进入review阶段，检查潜在的安全漏洞、边界情况、性能问题\n\n整个过程都有明确的阶段标记和产物沉淀，团队成员可以随时查看当前状态和已完成的工作。\n\n技术实现亮点\n\nRadforge的实现有几个值得注意的技术细节：\n\n1. 保守的安装策略：安装器只添加Radforge拥有的技能目录，不会覆盖用户自定义配置\n2. 幂等性：重复安装会刷新技能副本，不会产生重复或冲突\n3. 状态管理：在~/.radforge/providers/.state记录安装状态，支持精确卸载\n4. 跨平台脚本：同时提供PowerShell和Bash安装脚本，覆盖Windows、macOS和Linux用户\n\n对AI辅助开发的启示\n\nRadforge代表了一种重要的趋势：从"让AI写代码"转向"让AI遵循流程"。这种转变的意义在于：\n\n- 可预测性：同样的输入产生结构化的、可比较的结果\n- 可审计性：每个阶段都有文档留存，便于回顾和复盘\n- 可协作性：团队成员可以基于相同的流程规范协同工作\n- 可改进性：流程本身可以被度量、分析和优化\n\n对于正在使用AI编码工具的团队，Radforge提供了一个值得参考的框架。即使不完全采用其工作流定义，其"技能即代码"、"流程即配置"的思想也具有很强的启发性。\n\n结语\n\nRadforge不是又一个AI模型或IDE插件，而是一套关于"如何与AI协作"的方法论。在AI能力越来越强的今天，如何组织人机协作、如何沉淀知识、如何保证质量，这些软性问题可能比纯技术问题更加关键。Radforge在这个方向上做出了有价值的探索，值得AI辅助开发实践者关注和借鉴。