# Agent Workflow：面向 Claude Code 与 Codex 的编排器-子智能体工作流技能集 > Agent Workflow 是一套专为 AI 编程智能体（Claude Code 和 Codex）设计的工作流技能集，实现了编排器-子智能体（Orchestrator-Subagent）架构模式。该模式通过将复杂任务分解为多个子任务，由专门的子智能体并行处理，再由编排器协调整合结果，显著提升了 AI 编程助手处理复杂项目的能力。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-06-09T09:15:15.000Z - 最近活动: 2026-06-09T09:29:05.040Z - 热度: 171.8 - 关键词: Agent Workflow, Claude Code, Codex, 编排器, 子智能体, Orchestrator, Subagent, 工作流, AI 编程, 并行处理, 任务分解, 智能体架构, 多智能体系统, AI 辅助开发 - 页面链接: https://www.zingnex.cn/forum/thread/agent-workflow-claude-code-codex - Canonical: https://www.zingnex.cn/forum/thread/agent-workflow-claude-code-codex - Markdown 来源: ingested_event --- ## 原作者与来源 - **原作者/维护者**: xzh20121116 - **来源平台**: GitHub - **原始标题**: agent-workflow - **原始链接**: https://github.com/xzh20121116/agent-workflow - **发布时间**: 2026-06-09 --- ## 项目背景：AI 编程智能体的挑战 随着 Claude Code、Codex 等 AI 编程助手的普及，开发者开始依赖这些工具来完成越来越复杂的开发任务。然而，当面对大型项目或复杂需求时，单一智能体模式暴露出了明显的局限性： ### 上下文窗口限制 即使是最先进的模型也有上下文长度限制。当需要处理一个包含数千个文件的大型代码库时，将所有代码都塞进上下文是不现实的。这导致智能体只能看到项目的局部，难以做出全局最优的决策。 ### 任务复杂度爆炸 复杂任务往往涉及多个子领域： - 前端界面设计与实现 - 后端 API 开发 - 数据库 schema 设计 - 测试用例编写 - 部署配置 让单一智能体同时处理所有这些方面，既低效又容易出错。 ### 专业化程度不足 不同子任务需要不同的专业知识： - UI/UX 设计需要审美和交互设计能力 - 数据库优化需要索引和查询优化知识 - 安全审计需要了解常见漏洞模式 通用智能体难以在所有领域都达到专家水平。 ### 并行效率低下 传统顺序执行模式下，智能体一次只能处理一个子任务。而实际上，许多子任务是可以并行执行的，顺序处理浪费了大量的时间。 ## 编排器-子智能体架构 Agent Workflow 项目采用经典的编排器-子智能体（Orchestrator-Subagent）模式来解决上述问题。这一架构模式借鉴了分布式系统和微服务架构的设计思想，将其应用于 AI 智能体的工作流管理。 ### 架构核心组件 #### 编排器（Orchestrator） 编排器是整个工作流的大脑，负责： - **任务分解**：将复杂任务拆分为可管理的子任务 - **子智能体调度**：决定哪些子任务由哪个子智能体处理 - **依赖管理**：识别子任务之间的依赖关系，确保按正确顺序执行 - **结果整合**：收集各子智能体的输出，合并为最终结果 - **错误处理**：当某个子任务失败时，决定重试策略或替代方案 编排器本身不执行具体的代码编写或分析工作，而是专注于协调和决策。 #### 子智能体（Subagent） 子智能体是执行具体任务的专用智能体，每个子智能体通常专注于特定领域： - **代码分析子智能体**：负责代码审查、依赖分析、架构评估 - **代码生成子智能体**：负责编写新代码、重构现有代码 - **测试子智能体**：负责生成测试用例、执行测试、分析覆盖率 - **文档子智能体**：负责生成代码注释、编写 README、更新文档 - **配置子智能体**：负责管理配置文件、环境变量、部署脚本 每个子智能体都有自己专门的上下文和工具集，可以针对特定任务进行优化。 ### 工作流执行流程 一个典型的 Agent Workflow 执行流程如下： #### 第一阶段：任务理解与分解 1. 用户向编排器提交任务请求 2. 编排器分析任务需求，识别涉及的子领域 3. 编排器将任务分解为多个子任务，定义每个子任务的输入和预期输出 4. 编排器构建任务依赖图，确定执行顺序 #### 第二阶段：子任务并行执行 1. 编排器根据依赖图，将可以并行执行的子任务分发给对应的子智能体 2. 各子智能体独立工作，处理分配给自己的子任务 3. 子智能体可以访问专门的工具和数据源 4. 子智能体完成任务后，将结果返回给编排器 #### 第三阶段：结果整合与验证 1. 编排器收集所有子任务的结果 2. 编排器检查结果之间的一致性和兼容性 3. 如有必要，编排器发起额外的验证子任务 4. 编排器将整合后的结果呈现给用户 #### 第四阶段：迭代优化（可选） 1. 如果结果不满足要求，编排器分析失败原因 2. 编排器决定是重试失败的子任务，还是调整整体策略 3. 进入下一轮执行，直到任务完成或达到最大迭代次数 ## 针对 Claude Code 的实现 Agent Workflow 专门为 Claude Code 和 Codex 进行了适配，充分利用了这些工具的特性： ### 与 Claude Code 的集成 Claude Code 是 Anthropic 推出的 AI 编程助手，具有以下特点： - **工具调用能力**：可以通过函数调用执行命令、读写文件、搜索代码等 - **多轮对话**：支持上下文感知的连续交互 - **代码感知**：能够理解代码结构和语义 Agent Workflow 通过以下方式与 Claude Code 集成： #### 技能定义格式 项目定义了一套技能（Skill）描述格式，Claude Code 可以解析并执行： ```yaml skill: orchestrator description: 协调多个子智能体完成复杂任务 steps: - name: decompose action: analyze_and_split input: user_request output: subtasks - name: dispatch action: parallel_dispatch input: subtasks agents: [analyzer, coder, tester] output: results - name: integrate action: merge_results input: results output: final_response ``` 这种声明式定义让 Claude Code 清楚知道每一步该做什么，而不需要每次都重新推理。 #### 上下文管理 Agent Workflow 实现了精细的上下文管理： - **全局上下文**：所有子智能体共享的项目级信息 - **任务上下文**：特定子任务相关的信息 - **临时上下文**：执行过程中产生的中间结果 通过智能的上下文传递，避免了将所有信息都塞进单次对话的 token 限制问题。 #### 工具链扩展 项目扩展了 Claude Code 的工具链，增加了专门用于工作流管理的工具： - `spawn_subagent`：启动一个新的子智能体实例 - `wait_for_results`：等待并行子任务完成 - `check_dependency`：检查任务依赖是否满足 - `merge_outputs`：合并多个子智能体的输出 ### 与 Codex 的集成 Codex 是 OpenAI 的 AI 编程模型，Agent Workflow 同样提供了支持： - **OpenAI Function Calling**：利用 Codex 的函数调用能力实现子智能体调度 - **Streaming 处理**：支持 Codex 的流式输出，实时显示子任务进度 - **多模态支持**：可以利用 Codex 的图像理解能力处理 UI 设计任务 ## 典型应用场景 ### 场景一：大型代码库重构 **任务**：将一个使用旧框架的 10 万行代码项目迁移到新框架 **传统方式**： - 开发者需要手动分析每个文件 - 容易遗漏依赖关系 - 难以保证重构后功能一致 **Agent Workflow 方式**： 1. **分析子智能体**扫描整个代码库，识别所有使用旧框架 API 的位置 2. **架构子智能体**设计新的代码结构，规划迁移路径 3. 多个**代码生成子智能体**并行处理不同模块的代码改写 4. **测试子智能体**为每个修改的模块生成测试用例并执行 5. **文档子智能体**更新相关文档和注释 6. 编排器整合所有结果，生成迁移报告 ### 场景二：全栈功能开发 **任务**：实现一个包含前端、后端、数据库的完整功能 **传统方式**： - 单一智能体需要依次处理所有层面 - 前后端接口容易不匹配 - 数据库设计可能不符合业务需求 **Agent Workflow 方式**： 1. **需求分析子智能体**深入理解业务需求，输出详细的需求文档 2. **数据库子智能体**设计数据库 schema，包括表结构和索引 3. **后端子智能体**并行开发 API 接口 4. **前端子智能体**并行开发用户界面 5. **集成子智能体**检查前后端接口兼容性 6. **测试子智能体**编写端到端测试 7. 编排器协调各子智能体，确保交付完整可用的功能 ### 场景三：代码审查与安全审计 **任务**：对关键代码库进行全面的代码审查和安全审计 **Agent Workflow 方式**： 1. **代码风格子智能体**检查代码风格一致性 2. **架构子智能体**评估代码架构合理性 3. **性能子智能体**识别潜在的性能瓶颈 4. **安全子智能体**扫描常见安全漏洞 5. **可维护性子智能体**评估代码可读性和可维护性 6. 编排器汇总所有审查意见，生成综合报告 ## 技术实现要点 ### 子智能体通信机制 Agent Workflow 实现了高效的子智能体间通信： - **消息队列**：基于内存的消息队列，支持异步通信 - **结果缓存**：子任务结果缓存，避免重复计算 - **超时控制**：每个子任务设置超时，防止无限等待 - **取消机制**：支持取消正在执行的子任务 ### 依赖解析算法 编排器使用图算法管理任务依赖： - **有向无环图（DAG）**：任务依赖关系表示为 DAG - **拓扑排序**：确定任务执行顺序 - **关键路径分析**：识别影响总耗时的关键任务链 - **动态调度**：根据实际执行情况动态调整调度策略 ### 错误恢复策略 Agent Workflow 实现了多层次的错误恢复： - **子任务重试**：单个子任务失败时自动重试 - **降级执行**：使用备用方案完成关键任务 - **部分结果交付**：即使部分子任务失败，也交付已完成的部分 - **人工介入点**：在关键决策点请求人工确认 ### 状态持久化 支持工作流状态的持久化存储： - **检查点机制**：定期保存工作流状态 - **断点续执行**：支持从检查点恢复执行 - **执行历史**：记录完整的工作流执行历史 ## 优势与价值 ### 效率提升 通过并行执行可独立的子任务，显著缩短整体完成时间。在实际测试中，复杂任务的完成时间可以缩短 60% 以上。 ### 质量保障 - **专业化**：每个子智能体专注于特定领域，输出质量更高 - **交叉验证**：多个子智能体从不同角度审查结果，发现潜在问题 - **一致性**：编排器确保各部分结果的一致性和兼容性 ### 可扩展性 - **子智能体扩展**：可以轻松添加新的子智能体类型 - **任务模板**：常见任务可以保存为模板，重复使用 - **能力复用**：子智能体的能力可以在不同项目中复用 ### 可观测性 - **执行追踪**：完整记录每个子任务的执行过程 - **性能分析**：分析各子智能体的耗时，识别瓶颈 - **成本归因**：追踪不同子任务的资源消耗 ## 使用建议 ### 何时使用 Agent Workflow 适合使用 Agent Workflow 的场景： - 任务涉及多个不同领域的专业知识 - 任务可以自然分解为相对独立的子任务 - 对结果质量要求较高，愿意 trade-off 一些时间 - 需要并行处理以缩短总时间 不适合使用的场景： - 简单任务，单一智能体可以快速完成 - 子任务之间高度耦合，难以并行 - 实时性要求极高，无法承受协调开销 ### 最佳实践 1. **合理分解**：子任务粒度要适中，太细会增加协调开销，太粗会失去并行优势 2. **明确接口**：定义清晰的子任务输入输出格式 3. **设置超时**：为每个子任务设置合理的超时时间 4. **优雅降级**：设计子任务失败时的备用方案 5. **持续优化**：根据执行历史优化任务分解策略 ## 未来发展方向 Agent Workflow 项目仍在持续演进，未来可能的发展方向包括： - **自适应分解**：基于任务特征自动选择最优分解策略 - **学习优化**：根据历史执行数据学习最优调度策略 - **人机协作**：更精细的人工介入点设计 - **跨平台支持**：支持更多 AI 编程助手平台 - **可视化工具**：提供工作流设计和监控的可视化界面 ## 总结 Agent Workflow 通过引入编排器-子智能体架构，为 AI 编程助手处理复杂任务提供了一套系统化的解决方案。它将分布式系统的成熟设计模式应用于 AI 智能体领域，实现了任务分解、并行执行、结果整合的自动化。 对于经常使用 Claude Code 或 Codex 的开发者来说，掌握 Agent Workflow 的工作模式，可以显著提升处理复杂项目的能力，让 AI 助手真正成为高效的开发伙伴。 该项目的开源实现为社区提供了参考，开发者可以根据自己的需求进行定制和扩展。