# Agentic Workflow：面向Claude Code的多智能体框架，实现分层审查与技能进化

> Agentic Workflow是一个专为Claude Code设计的多智能体框架，支持S/M/L分级接受策略、对抗性审查、跨模型第二意见、技能进化机制，并将人类作为最终裁决者。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-05-29T05:18:13.000Z
- 最近活动: 2026-05-29T05:55:09.622Z
- 热度: 145.4
- 关键词: Agentic Workflow, Claude Code, 多智能体, 代码审查, 对抗性审查, 技能进化, AI编程, 人机协作, 质量保障, Codex MCP
- 页面链接: https://www.zingnex.cn/forum/thread/agentic-workflow-claude-code-f9e3d270
- Canonical: https://www.zingnex.cn/forum/thread/agentic-workflow-claude-code-f9e3d270
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：AgentShekel
- 来源平台：github
- 原始标题：agentic-workflow
- 原始链接：https://github.com/AgentShekel/agentic-workflow
- 来源发布时间/更新时间：2026-05-29T05:18:13Z

# Agentic Workflow：面向Claude Code的多智能体框架，实现分层审查与技能进化\n\n随着AI编程助手从简单的代码补全进化为能够处理复杂任务的智能体，如何确保其输出的可靠性、安全性和质量，成为开发者面临的新挑战。Claude Code作为Anthropic推出的智能编程工具，已经展现出强大的任务执行能力，但在生产环境中，完全自动化的代码变更仍然需要谨慎对待。Agentic Workflow项目针对这一场景，构建了一个多智能体协作框架，通过分层审查、对抗性评估和技能进化机制，在保持效率的同时建立质量防线。\n\n## 原作者与来源\n\n- **原作者/维护者**：AgentShekel\n- **来源平台**：GitHub\n- **项目地址**：https://github.com/AgentShekel/agentic-workflow\n- **发布时间**：2026年5月29日\n\n## 背景：AI编程的质量与信任困境\n\nAI编程助手的能力正在快速提升，它们可以：\n\n- 理解自然语言描述的需求并生成代码\n- 分析现有代码库并提出重构建议\n- 执行多步骤的开发任务，如添加功能、修复bug、更新依赖\n- 运行测试、检查错误、迭代修复\n\n然而，能力越强，风险也越大。一个错误的代码变更可能导致生产故障、安全漏洞或数据丢失。完全信任AI的自主决策，在大多数组织中仍是不现实的。\n\n传统的解决方案是"人在回路"（Human-in-the-loop），即每个AI行动都需要人工确认。但这会严重降低效率，违背了使用AI自动化的初衷。\n\nAgentic Workflow探索的是第三条道路：通过多智能体协作建立分层质量防线，只有高风险的变更才需要人工介入，常规任务可以自动通过。\n\n## 核心架构：多智能体协作\n\nAgentic Workflow的设计理念是模拟软件开发团队中的角色分工，不同智能体承担不同的职责：\n\n### 执行者（Executor）\n\n这是主智能体，通常由Claude Code担任。它负责理解任务需求、分析代码上下文、制定执行计划并实施变更。执行者是整个流程的起点，也是主要的生产力来源。\n\n### 接受者/优化者分离（Acceptor/Optimizer Split）\n\n这是框架的关键创新。传统单智能体模式中，执行和评估由同一实体完成，存在自我确认的认知偏差。Agentic Workflow将这两个角色分离：\n\n- **接受者（Acceptor）**：负责初步审查执行者的输出，判断是否符合基本质量标准。接受者采用分级策略（S/M/L），根据变更的规模和风险决定审查深度。\n\n- **优化者（Optimizer）**：当接受者发现问题时，优化者介入提供改进建议。它不从零开始重写，而是针对性地修复接受者指出的问题。\n\n这种分离模拟了代码审查中的"审查者-作者"互动，引入外部视角减少盲点。\n\n### 对抗性审查者（Adversary Reviewer）\n\n更进一步，框架引入了专门的对抗性智能体。它在文件系统隔离的环境中运行，任务是主动寻找执行者代码中的问题：安全漏洞、边界条件处理不当、性能陷阱、逻辑错误等。\n\n文件系统隔离确保对抗者可以安全地执行模糊测试、静态分析等可能产生副作用的操作，而不影响主环境。\n\n对抗性审查的引入，模拟了安全审计和渗透测试的实践，为关键代码路径提供额外保障。\n\n### 跨模型第二意见（Cross-Family Second Opinion）\n\n当Claude家族模型内部出现分歧或置信度不足时，框架可以通过Codex MCP（Model Context Protocol）调用其他模型家族（如OpenAI的GPT系列）获取独立评估。\n\n这种跨模型验证利用了不同训练数据和方法带来的视角差异，减少单一模型的系统性盲点。\n\n## 分层接受策略（S/M/L Tiering）\n\n不是所有变更都需要同等级别的审查。Agentic Workflow实施智能分级：\n\n**S级（Small）**：微小变更，如单行修改、文档更新、变量重命名。通过自动化测试和基础静态检查后即可自动接受。\n\n**M级（Medium）**：中等规模变更，如函数重构、模块内部调整。需要接受者审查，可能触发一轮优化循环。\n\n**L级（Large）**：重大变更，如架构调整、跨模块改动、依赖升级。必须通过对抗性审查和跨模型验证，最终由人类裁决。\n\n分级策略基于变更范围、影响面、历史风险数据等信号自动判定，减少人工决策负担。\n\n## 技能进化机制（SkillOpt-Style Evolution）\n\nAgentic Workflow不仅审查单次任务，还关注长期能力提升。它借鉴SkillOpt的理念，实现技能进化：\n\n**技能提取**：从成功完成的任务中，提取可复用的模式、提示模板和最佳实践。\n\n**技能库维护**：建立结构化的技能库，按任务类型、技术栈、风险等级组织。\n\n**动态应用**：执行新任务时，检索相关技能并注入上下文，提升执行质量。\n\n**持续优化**：根据任务结果反馈，更新技能的有效性和适用条件。\n\n这种机制使框架能够从经验中学习，越用越聪明。\n\n## 事件账本与可观测性\n\n为了支持审计和调试，Agentic Workflow维护完整的事件账本（Event Ledger）：\n\n- 每个任务的完整执行轨迹\n- 各智能体的决策理由和置信度\n- 审查过程中的关键发现和分歧点\n- 最终决策路径和人类干预记录\n\n这些日志不仅用于事后分析，也支持实时监控和告警。当系统检测到异常模式（如某类任务失败率上升、对抗者发现集中某类问题），可以主动通知人类管理员。\n\n## 人类作为最高裁决者\n\n尽管框架追求最大化自动化，但它明确保留了人类的最终权威：\n\n- L级变更必须人工批准\n- 任何智能体都可以"升级"请求人类介入\n- 人类可以覆盖任何自动决策\n- 关键配置和策略调整需要人工确认\n\n这种设计承认当前AI的局限性，在效率和安全之间取得平衡。\n\n## 使用场景\n\nAgentic Workflow特别适合以下场景：\n\n**企业代码库维护**：在大型、关键的代码库中，安全地进行自动化重构和更新。\n\n**开源项目贡献**：自动处理issue、生成PR，同时确保代码质量符合项目标准。\n\n**安全敏感开发**：在涉及认证、支付、数据处理等敏感模块的开发中，建立多层安全网。\n\n**团队知识沉淀**：通过技能进化机制，将团队最佳实践编码为可复用的智能体技能。\n\n## 与Claude Code的关系\n\nAgentic Workflow不是Claude Code的替代品，而是其增强层。它假设Claude Code作为执行引擎，在其之上构建审查和治理框架。开发者可以继续使用熟悉的Claude Code交互方式，同时获得多智能体协作的质量保障。\n\n## 总结\n\nAgentic Workflow代表了AI编程助手向生产级工具演进的重要方向：从单一智能体的能力展示，转向多智能体协作的可靠系统。通过分层审查、对抗性评估、跨模型验证和技能进化，它在保持AI效率优势的同时，建立了必要的质量防线。\n\n对于正在将AI编程助手引入生产流程的团队，Agentic Workflow提供了一个值得参考的架构模式。它提醒我们：AI的能力越强大，治理和审查机制就越重要。