多智能体AI编排 · 自驱动开发工作流

AI驱动的多智能体开发编排系统，通过8个专业化Agent自动规划、委派和执行全流程开发工作，实现"你说WHAT，AI决定HOW"的自动化软件工程。

基本信息

• 技能名称?Openclaw Godmode Skill Repo
• 中文名称?多智能体AI编排 · 自驱动开发工作流
• 作者?cubetribe
• 分类?其他
• 版本?5.11.3
• 标签?orchestration, multi-agent, development-workflow, automation, documentation, ai-native-engineering, quality-gates, mcp

使用方法

使用说明
CC_GodMode 核心能力评估
核心用法
CC_GodMode是一个 自编排多智能体开发工作流框架 ，采用"你说WHAT，AI决定HOW"的设计理念。用户通过简洁命令触发完整开发流程：
触发命令：
New Feature: [X] - 完整工作流：调研→设计→实现→测试→文档
Bug Fix: [X] - 快速修复：实现→验证→测试
API Change: [X] - 安全API变更（强制API守护审查）
Research: [X] - 技术调研与最佳实践
Process Issue #X / Prepare Release - issue处理与发布准备
8个专业化Agent分工：
| Agent | 职责 | 模型 | |-------|------|------| | @researcher | 技术调研与知识发现 | haiku | | @architect | 系统架构设计 | opus | | @api-guardian | API生命周期管理（API变更强制 gate） | sonnet | | @builder | 全栈实现 | sonnet | | @validator | 代码质量门（TypeScript、测试、安全） | sonnet | | @tester | UX质量门（E2E、截图、可访问性、性能） | sonnet | | @scribe | 技术文档与版本管理 | sonnet | | @github-manager | GitHub操作（issue/PR/发布） | haiku | 显著优点

1. 双质量门并行验证 ：@validator（代码）与@tester（UX）并行执行，节省40%验证时间
2. 角色化模型选择 ：根据任务复杂度智能选择模型（opus决策、sonnet实现、haiku辅助）
3. 强制API安全机制 ：API路径变更必须通过@api-guardian进行消费者影响分析
4. 完善的报告体系 ：每个版本自动生成结构化报告到 reports/vX.X.X/
5. 10条黄金规则约束 ：包括"Version-First"、"No Skipping"、"无许可不推送"等安全设计
6. MCP生态整合 ：原生支持Playwright、GitHub、Lighthouse、A11y等MCP服务
   潜在缺点与局限性
7. 外部依赖重 ：要求运行时二进制文件、网络访问、凭证配置，部署门槛较高
8. MCP服务依赖 ：@tester 强制依赖 Playwright MCP，@github-manager 强制依赖 GitHub MCP，缺失则无法完整运行
9. 文档仅包声明 ：声明为"documentation-only package"，无安装时可执行文件，实际能力依赖运行时指令
10. 超时硬限制 ：@researcher 30秒硬超时可能导致深度调研中断
11. 预设技术栈 ：针对React/Node.js/TypeScript优化，其他技术栈适配性未明确
12. 版本文件夹膨胀 ：每个版本生成7份报告，高频迭代可能导致存储开销
    适合人群
    中小型全栈团队 ：需要标准化开发流程但缺乏专职架构师
    AI辅助开发实践者 ：希望将AI从"编码助手"升级为"项目协调者"
    开源项目维护者 ：需要自动化issue处理、PR管理和发布流程
    远程协作团队 ：通过结构化Agent输出实现异步协作透明度
    常规风险
    凭证泄露风险 ：GitHub MCP、WebSearch等需要API key，需确保环境隔离
    代码质量过度依赖AI ：双质量门虽完善，但仍需人工最终审查关键变更
    网络中断导致流程中断 ：WebFetch、WebSearch、GitHub操作均依赖网络
    版本冲突 ："Version-First"规则要求严格遵循语义化版本，团队需统一认知
    截图存储开销 ：@tester强制3视口截图可能产生大量图像文件
    综合评价
    CC_GodMode代表了AI辅助开发向"AI原生软件工程"演进的重要尝试，通过明确的Agent边界、强制质量门和结构化输出，将大型语言模型的非确定性输出转化为可预期的工程流程。适合已具备基础DevOps能力、希望进一步提升AI自动化水平的团队。