# Cadence：智能体无关的项目工作流CLI工具

> 一个与具体AI智能体无关的命令行工具，为完整项目工作流提供支持——从决策制定、任务执行到代码审查，基于项目模板知识框架构建。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-05-03T14:14:27.000Z
- 最近活动: 2026-05-03T14:26:06.964Z
- 热度: 155.8
- 关键词: CLI工具, 智能体无关, 项目工作流, 架构决策记录, AI协作, 项目管理
- 页面链接: https://www.zingnex.cn/forum/thread/cadence-cli
- Canonical: https://www.zingnex.cn/forum/thread/cadence-cli
- Markdown 来源: ingested_event

---

# Cadence：智能体无关的项目工作流CLI工具

## 项目背景：AI工具碎片化的问题

随着AI编程助手的普及，开发者的工作方式正在发生深刻变化。Claude Code、GitHub Copilot、Cursor、Devin等工具各显神通，但它们之间往往缺乏协同。一个团队可能同时使用多种AI工具，每种工具都有自己的工作流、上下文管理机制和输出格式。

这种碎片化带来了几个问题：

- **上下文孤岛**：在Claude Code中积累的领域知识，无法直接传递给Copilot
- **工作流不一致**：不同工具推荐的开发步骤可能相互矛盾
- **供应商锁定**：过度依赖特定工具的生态，迁移成本高昂

Cadence 项目提出了一种新的思路：与其让AI工具定义工作流，不如让工作流定义AI工具的使用方式。

## 核心理念：智能体无关的设计

"智能体无关"（Agent-agnostic）是 Cadence 的核心设计理念。它意味着：

1. **不绑定特定AI**：Cadence 可以与任何支持标准接口的AI智能体配合工作
2. **工作流即代码**：项目的开发流程被显式定义和版本控制
3. **知识框架中立**：领域知识存储在开放格式中，而非特定工具的私有格式

这种设计让团队能够：

- 根据任务特点选择最合适的AI工具
- 在工具之间无缝切换而不丢失上下文
- 建立团队一致的工作标准

## 完整工作流的三阶段

Cadence 将软件开发工作流划分为三个相互关联的阶段：

### 第一阶段：决策（Decisions）

在编写任何代码之前，需要明确"做什么"和"为什么"。Cadence 提供结构化的决策支持：

```bash
$ cadence decision start --topic "数据库选型"
```

这会启动一个交互式会话，引导团队：

1. **明确决策范围**：需要解决什么问题？约束条件是什么？
2. **收集候选方案**：PostgreSQL、MySQL、MongoDB、SQLite等
3. **评估维度定义**：性能、生态、团队熟悉度、运维成本
4. **证据收集**：让AI协助搜索相关基准测试、案例研究
5. **决策记录**：生成架构决策记录（ADR），存入项目文档

决策阶段的关键输出是架构决策记录（ADR），它不仅是选择的记录，更是未来回顾和审计的依据。

### 第二阶段：工作（Work）

决策明确后，进入执行阶段。Cadence 将开发任务分解为可管理的单元：

```bash
$ cadence work start --task "实现用户认证模块" --adr 0001-auth-design
```

工作阶段的核心功能包括：

- **上下文准备**：自动收集相关的ADR、API文档、代码规范
- **任务分解**：将大任务拆分为可验证的小步骤
- **AI协作接口**：通过标准化协议与AI智能体通信
- **进度追踪**：记录每个步骤的状态和阻塞原因
- **工件管理**：规范代码、测试、文档的产出位置

Cadence 不直接生成代码，而是为AI智能体提供必要的上下文，让其生成符合项目规范的代码。

### 第三阶段：审查（Review）

代码完成后，进入审查阶段。Cadence 提供结构化的审查流程：

```bash
$ cadence review start --pr 42
```

审查阶段关注：

- **架构合规性**：代码是否符合已记录的架构决策？
- **测试覆盖**：新增代码是否有对应的测试？
- **文档更新**：接口变更是否同步更新了文档？
- **性能影响**：关键路径的性能是否退化？
- **安全扫描**：是否存在已知漏洞模式？

审查可以人工进行，也可以让AI智能体协助完成部分检查项。

## 项目模板知识框架

Cadence 的强大之处在于其底层的"项目模板知识框架"。这是一个约定优于配置的系统，定义了：

### 目录结构约定

```
project-root/
├── .cadence/              # Cadence 配置和状态
│   ├── config.yaml        # 项目级配置
│   ├── decisions/         # 决策记录索引
│   └── sessions/          # 工作会话历史
├── docs/
│   └── decisions/         # ADR 存储位置
├── src/                   # 源代码
├── tests/                 # 测试代码
└── cadence.yaml           # 工作流定义
```

### 工作流定义文件

`cadence.yaml` 是项目的核心配置文件：

```yaml
project:
  name: my-awesome-project
  type: web-service  # 预定义模板或自定义

workflow:
  stages:
    - decision
    - work
    - review
  
  agents:
    default: claude-code
    alternatives:
      - github-copilot
      - local-llm
  
  integrations:
    vcs: git
    ci: github-actions
    docs: markdown

knowledge:
  adrs:
    format: markdown
    location: docs/decisions
  
  domain:
    glossary: docs/glossary.md
    context: docs/domain/
```

### 可复用的项目模板

Cadence 支持项目模板，让新项目的启动更加高效：

```bash
$ cadence init --template python-web-service my-project
```

模板定义了：
- 推荐的目录结构
- 预配置的CI/CD流程
- 标准的决策检查清单
- 常用工具的配置（linting、formatting、testing）

## 与现有工具的集成

Cadence 的设计充分考虑了与现有开发生态的集成：

### 版本控制系统

- 自动生成符合 Conventional Commits 规范的提交信息
- 在PR描述中关联相关的ADR
- 分支命名规范检查

### CI/CD 管道

- 在构建流程中执行架构合规性检查
- 自动更新决策状态（如"已实施"、"已废弃"）
- 生成变更影响报告

### 文档系统

- 与 MkDocs、Docusaurus 等工具集成
- 自动同步API文档和代码注释
- 决策记录的交叉引用

## 实际使用场景

### 场景一：新功能开发

```bash
# 1. 启动决策
$ cadence decision start --topic "添加实时通知功能"
# 团队讨论后决定使用 WebSocket，生成 ADR-0012

# 2. 开始工作
$ cadence work start --task "实现 WebSocket 通知服务" --adr 0012
# Cadence 准备上下文，调用配置的 AI 协助编码

# 3. 提交审查
$ cadence review start --branch feature/websocket-notifications
# 运行架构合规性检查，生成审查报告
```

### 场景二：技术债务清理

```bash
# 发现代码中存在过时的API调用
$ cadence decision start --topic "迁移到新的支付API"

# 制定迁移计划
$ cadence work start --task "逐步替换支付API调用" --adr 0015

# 验证迁移完整性
$ cadence review start --scope payment-module
```

## 对开发流程的深远影响

Cadence 代表了一种新的开发范式——"AI原生但智能体无关"。它的意义不仅在于工具本身，更在于它所倡导的工作方式：

1. **显式化隐性知识**：将团队默认遵循但从未记录的规范，转化为可版本控制的配置
2. **AI协作标准化**：无论使用哪种AI工具，交互模式保持一致
3. **决策可追溯**：每个技术选择都有记录，便于新人理解和未来回顾
4. **流程可审计**：完整的工作流历史，满足合规要求

## 局限与未来展望

作为一个相对较新的项目，Cadence 仍在快速发展中：

### 当前局限

- 模板生态尚不成熟，预定义模板数量有限
- 与某些专有AI工具的集成需要额外配置
- 学习曲线较陡，需要团队接受新的工作方式

### 未来方向

- **可视化界面**：除了CLI，提供Web界面查看决策图谱和工作流状态
- **智能推荐**：基于项目历史，推荐相关的ADR和最佳实践
- **协作增强**：支持多人同时参与决策和工作会话
- **生态扩展**：更多预定义模板和第三方集成

## 结语

Cadence 是一个具有前瞻性的项目，它试图在AI工具百花齐放的当下，建立一种稳定、可迁移、可审计的开发工作流。对于希望系统性地引入AI辅助、同时又担心供应商锁定的团队来说，Cadence 提供了一个值得探索的解决方案。它的价值不仅在于"用什么工具"，更在于"如何工作"——这可能是AI时代软件开发最重要的元能力。