# Rashedul智能体工程工作台：Claude Code技能、子智能体与CI工作流复用实践 > 一个面向智能体工程开发者的个人工作台模板，整合了Claude Code技能定义、子智能体编排模式和可复用的CI/CD工作流，为AI辅助软件开发提供标准化实践参考。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-05-21T06:45:45.000Z - 最近活动: 2026-05-21T06:54:15.197Z - 热度: 148.9 - 关键词: Claude Code, 智能体工程, AI编程助手, CI/CD, 提示词工程, 多智能体, 开发效率 - 页面链接: https://www.zingnex.cn/forum/thread/rashedul-claude-codeci - Canonical: https://www.zingnex.cn/forum/thread/rashedul-claude-codeci - Markdown 来源: ingested_event --- ## 项目定位与背景\n\n随着Claude Code、GitHub Copilot等AI编程助手的普及，软件开发范式正在经历深刻变革。开发者不再只是编写代码，而是学会与AI协作——通过清晰的指令、结构化的上下文和有效的反馈循环，引导AI生成高质量的代码和解决方案。\n\n这种新型开发方式被称为"智能体工程"（Agentic Engineering），它强调：\n\n- **意图驱动**：开发者专注于表达"想要什么"，而非"如何实现"\n- **迭代协作**：与AI进行多轮对话，逐步细化方案\n- **知识沉淀**：将有效的交互模式固化为可复用的技能\n\nRashedul-Agentic-Engineering项目正是作者在这一领域的实践总结，整理了一套可在多个项目中复用的Claude Code技能、子智能体配置和CI工作流模板。\n\n## Claude Code技能系统\n\nClaude Code是Anthropic推出的AI编程助手，支持通过`.claude/skills`目录定义自定义技能。技能（Skill）本质上是一组结构化的指令模板，告诉AI在特定场景下如何响应。\n\n### 技能定义结构\n\n项目中包含多个精心设计的技能文件，每个技能遵循以下结构：\n\n```yaml\nname: 技能名称\ndescription: 技能的用途描述\nprompt: |\n 当用户触发此技能时，AI应遵循的详细指令\n - 步骤1\n - 步骤2\n - 输出格式要求\n```\n\n### 核心技能示例\n\n**代码审查技能（code-review）**：\n\n定义了标准化的代码审查流程，包括：\n- 安全性检查（SQL注入、XSS、敏感信息泄露）\n- 性能分析（时间/空间复杂度、N+1查询）\n- 可维护性评估（代码重复、命名规范、注释完整性）\n- 测试覆盖检查\n\n当开发者输入`/review`时，Claude自动按照此技能执行全面审查并生成报告。\n\n**重构助手技能（refactor）**：\n\n指导AI进行代码重构的标准化流程：\n- 首先分析代码坏味道（长函数、大类、重复代码等）\n- 制定重构计划并征得开发者确认\n- 执行重构时保持行为不变（通过测试验证）\n- 重构后代码质量评估\n\n**文档生成技能（document）**：\n\n自动化技术文档生成：\n- 从代码中提取API接口定义\n- 生成OpenAPI/Swagger规范\n- 编写使用示例和错误处理说明\n- 更新README和CHANGELOG\n\n**调试助手技能（debug）**：\n\n系统化的问题诊断流程：\n- 收集错误信息和堆栈跟踪\n- 分析代码执行路径\n- 提出假设并设计验证实验\n- 提供修复建议并评估副作用\n\n## 子智能体编排模式\n\n复杂任务往往需要多个专业智能体协作完成。项目借鉴多智能体系统（Multi-Agent System）的理念，设计了一套子智能体编排模式。\n\n### 子智能体角色定义\n\n**架构师智能体（Architect Agent）**：\n\n负责高层设计和决策，包括：\n- 技术选型评估（框架、数据库、部署方案）\n- 系统架构设计（微服务划分、数据流、接口契约）\n- 非功能性需求权衡（性能、可用性、安全性）\n\n**开发者智能体（Developer Agent）**：\n\n负责具体功能实现：\n- 编写业务逻辑代码\n- 实现单元测试和集成测试\n- 代码重构和优化\n\n**审查者智能体（Reviewer Agent）**：\n\n负责质量把关：\n- 代码审查和合规检查\n- 测试用例完整性验证\n- 文档准确性审核\n\n**运维智能体（DevOps Agent）**：\n\n负责部署和运维：\n- 编写Dockerfile和K8s配置\n- 配置CI/CD流水线\n- 监控告警规则设置\n\n### 协作工作流\n\n项目定义了标准化的多智能体协作流程：\n\n**任务分解阶段**：\n架构师智能体接收用户需求，分解为可并行执行的子任务，明确各子任务的输入输出和依赖关系。\n\n**并行执行阶段**：\n多个开发者智能体并行处理各自子任务，期间通过共享上下文保持信息同步。\n\n**集成审查阶段**：\n审查者智能体对集成结果进行审查，识别接口不匹配、重复实现等问题。\n\n**迭代优化阶段**：\n根据审查反馈，相关智能体进行修正，直至通过审查。\n\n**交付部署阶段**：\n运维智能体接手，完成构建、测试、部署的全流程自动化。\n\n### 上下文管理策略\n\n多智能体协作的关键在于有效的上下文管理。项目实现了以下策略：\n\n**共享工作区**：所有智能体访问统一的代码库和文档空间，避免信息孤岛。\n\n**结构化通信**：智能体之间通过预定义的JSON格式交换信息，包含任务ID、状态、输出产物等字段。\n\n**记忆持久化**：关键决策和中间结果持久化存储，支持会话中断后的恢复。\n\n## CI/CD工作流模板\n\n项目提供了一套与AI开发流程深度集成的CI/CD工作流，基于GitHub Actions实现。\n\n### AI辅助代码审查工作流\n\n```yaml\non:\n pull_request:\n types: [opened, synchronize]\n\njobs:\n ai-review:\n runs-on: ubuntu-latest\n steps:\n - uses: actions/checkout@v4\n - name: Run Claude Code Review\n run: |\n claude code review \\\n --diff-base ${{ github.event.pull_request.base.sha }} \\\n --output-format json \\\n > review-result.json\n - name: Post Review Comments\n uses: actions/github-script@v7\n with:\n script: |\n const review = require('./review-result.json');\n // 将AI审查结果转换为PR评论\n```\n\n此工作流在PR创建或更新时自动触发，使用Claude Code对变更代码进行审查，并将结果以评论形式发布到PR中。\n\n### 智能测试生成工作流\n\n```yaml\non:\n push:\n branches: [main]\n\njobs:\n generate-tests:\n runs-on: ubuntu-latest\n steps:\n - uses: actions/checkout@v4\n - name: Identify Untested Code\n run: |\n # 分析代码覆盖率报告，识别未覆盖的函数\n - name: Generate Test Cases\n run: |\n claude code generate-tests \\\n --target-files ${{ steps.identify.outputs.files }} \\\n --framework jest\n - name: Create PR with Tests\n run: |\n # 提交生成的测试代码作为新PR\n```\n\n此工作流定期扫描代码库，识别测试覆盖不足的模块，自动使用AI生成测试用例并提交PR。\n\n### 文档同步工作流\n\n```yaml\non:\n push:\n paths:\n - 'src/**/*.ts'\n - 'docs/api/**'\n\njobs:\n sync-docs:\n runs-on: ubuntu-latest\n steps:\n - uses: actions/checkout@v4\n - name: Extract API Changes\n run: |\n # 检测API接口变更\n - name: Update Documentation\n run: |\n claude code update-docs \\\n --api-changes ${{ steps.extract.outputs.changes }}\n - name: Deploy to Docs Site\n run: |\n # 部署更新后的文档\n```\n\n当代码变更影响API接口时，此工作流自动更新相关文档并部署到文档站点，保持代码与文档的一致性。\n\n## 最佳实践总结\n\n项目文档中总结了智能体工程的关键最佳实践：\n\n### 提示词工程原则\n\n- **明确角色**：在提示词开头定义AI应扮演的角色（如"你是一位资深前端工程师"）\n- **提供上下文**：附上相关的代码片段、错误信息、依赖版本等背景信息\n- **指定输出格式**：明确要求AI以特定格式输出（如Markdown列表、JSON、代码块）\n- **迭代细化**：首轮输出往往不够完美，通过反馈循环逐步优化\n\n### 代码库组织建议\n\n- **技能目录标准化**：将所有Claude Code技能放在`.claude/skills`目录，便于版本管理和团队共享\n- **提示词模板化**：将常用提示词片段提取为模板，避免重复编写\n- **示例驱动**：为每个技能提供输入输出示例，帮助AI理解期望行为\n\n### 人机协作模式\n\n- **AI初稿，人工精修**：让AI生成初稿，人类专注于审查和优化\n- **分而治之**：将复杂任务分解为AI可独立完成的子任务\n- **保持控制**：关键决策点保留人工审核，避免AI的过度自信\n\n## 应用场景\n\n该工作台模板适用于以下场景：\n\n**个人开发者**：建立个人AI编程助手配置，提升日常开发效率\n\n**小型团队**：作为团队AI协作的标准化起点，确保成员使用一致的交互模式\n\n**开源项目**：为项目贡献者提供AI辅助工具，降低参与门槛\n\n**教育培训**：作为智能体工程教学的实践案例，展示AI辅助开发的最佳实践\n\n## 总结\n\nRashedul-Agentic-Engineering项目代表了AI辅助软件开发的前沿实践。通过系统化的技能定义、多智能体协作模式和CI/CD集成，它将零散的AI辅助行为转化为可复用、可扩展的工程体系。对于正在探索AI编程助手应用的开发者而言，这是一个极具参考价值的工作台模板。