Claude Code 多智能体编排实战：wshobson/agents 深度解析

发表于 分类于
AI Claude Code 多智能体

缘起

前段时间写了 OpenClaw 那篇文章，讲怎么用编排层管理多个 AI 代理。最近发现一个 GitHub 项目 wshobson/agents，这是一个专门为 Claude Code 打造的多智能体编排系统。不是那种概念性的演示，而是真刀真枪的生产级工具。

让我震撼的几个数字：

  • 112 个专业 AI Agent
  • 16 个多智能体工作流编排器
  • 146 个 Agent Skills
  • 79 个开发工具
  • 72 个独立插件

这已经不是”用 AI 辅助编程”了，这是用 AI 团队替代开发团队。

核心架构：插件化设计

wshobson/agents 最聪明的设计是插件化。

它不是给你一个大而全的系统，让你把所有东西都加载进来。而是拆成 72 个独立的插件，每个插件只做一件事，但做到极致。

为什么要插件化？

上下文窗口是有限的资源。如果你一次性加载 112 个 Agent 和 146 个 Skills， token 消耗会爆炸。

插件化的解决方案：按需加载。

举个例子：

1
2
# 安装 Python 开发插件
/plugin install python-development

这个插件只加载：

  • 3 个 Python 专业 Agent
  • 1 个脚手架工具
  • 16 个专业 Skills

总共约 1000 个 token，而不是整个市场的几万 token。

插件的分类

72 个插件分成 24 个类别，每个类别 1-6 个插件：

类别 插件数量 典型插件
开发 4 debugging, backend, frontend, multi-platform
工作流 5 git, full-stack, TDD, Conductor, Agent Teams
语言 7 Python, JS/TS, JVM, 系统语言等
基础设施 5 K8s, 云, CI/CD, 部署
AI/ML 4 LLM 应用, Agent 编排, MLOps
安全 4 扫描, 合规, API 安全
营销 4 SEO 内容, 技术 SEO, 内容营销

这种结构的好处是：想用啥装啥，绝不多加载。

三层模型策略

这个项目最让我印象深刻的是它的模型分层策略。

不是一刀切地用同一个模型，而是根据任务复杂度分配不同的 Claude 模型：

层级 模型 Agent 数量 用途
Tier 1 Opus 4.6 42 关键架构、安全审计、代码审查、生产级编码
Tier 2 Inherit 42 复杂任务，由用户选择模型
Tier 3 Sonnet 51 中等复杂度任务
Tier 4 Haiku 18 快速操作任务

为什么 Opus 4.6 负责关键任务？

几个硬指标：

  • SWE-bench 80.8% — 行业领先
  • 复杂任务 token 减少 65%
  • 最适合架构决策和安全审计

虽然 Opus 单价高（$5/$25 每百万 token），但因为 token 效率更高，实际成本往往更低。

Tier 2 的灵活性

Tier 2 的 Agent 标记为 inherit，意思是使用你当前会话的默认模型。

怎么用？

1
2
3
# 启动会话时指定模型
claude --model opus    # 需要高强度时用 Opus
claude --model sonnet  # 日常开发用 Sonnet

这样你可以根据当前任务灵活选择，不用改配置。

Agent Teams：真正的并行工作流

这是我觉得最实用的功能：多智能体并行。

安装 Agent Teams 插件：

1
/plugin install agent-teams@claude-code-workflows

7 个预设团队

团队 用途
review 并行代码审查
debug 假设驱动的调试
feature 并行功能开发
fullstack 全栈开发
research 并行调研
security 安全审计
migration 迁移支持

实战示例：并行代码审查

1
/team-review src/ --reviewers security,performance,architecture

这个命令会：

  1. 启动 3 个审查 Agent（安全、性能、架构）
  2. 每个 Agent 独立审查代码
  3. 汇总结果，生成综合报告

传统的代码审查是串行的：一个人看完再给下一个人。现在是三个人同时看，时间从几小时缩短到几分钟。

实战示例：假设驱动调试

1
/team-debug "API returns 500" --hypotheses 3

系统会：

  1. 生成 3 个关于 500 错误的假设
  2. 每个假设分配一个 Agent 去验证
  3. 并行执行验证
  4. 返回最可能的根因

这比一个人一个个尝试 hypotheses 快多了。

Conductor：项目管理的 AI 化

另一个强大的插件是 Conductor，它把 Claude Code 变成了项目管理工具。

1
/plugin install conductor@claude-code-workflows

核心工作流

1. 交互式项目初始化

1
/conductor:setup

这个命令会：

  • 创建产品愿景
  • 确定技术栈
  • 定义工作流规则
  • 生成代码风格指南

2. 基于 Track 的开发

1
/conductor:new-track

生成规格说明和分阶段实施计划。

3. TDD 工作流

1
/conductor:implement

执行任务，带验证检查点。

4. 语义化回滚

1
/conductor:revert

按逻辑单元回滚（track、phase 或 task）。

状态持久化

项目上下文跨会话持久保存。你今天设置的项目，明天打开 Claude Code 还能继续。

Skills：渐进式知识披露

146 个 Skills 是 wshobson/agents 的知识层。

每个 Skill 是一个专门的知识包，遵循渐进式披露架构：

层级 内容 加载时机
Metadata 名称和激活条件 始终加载
Instructions 核心指导 激活时加载
Resources 示例和模板 按需加载

Skills 的分类

语言开发：

  • Python（5 个）：async 模式、测试、打包、性能、UV 包管理
  • JavaScript/TypeScript（4 个）：高级类型、Node.js 模式、测试、ES6+

基础设施：

  • Kubernetes（4 个）：manifest、Helm、GitOps、安全策略
  • 云基础设施（4 个）：Terraform、多云、混合网络、成本优化
  • CI/CD（4 个）：流水线设计、GitHub Actions、GitLab CI、密钥管理

AI/ML：

  • LLM 应用（8 个）：LangGraph、Prompt Engineering、RAG、评估、embedding、相似性搜索、向量调优、混合搜索

区块链：

  • Web3（4 个）：DeFi 协议、NFT 标准、Solidity 安全、Web3 测试

激活示例

当你使用 Python 开发插件时，相关 Skills 会自动激活：

1
2
3
4
5
6
用户："创建一个 FastAPI 微服务"

系统激活：
- async-python-patterns
- python-testing-patterns  
- uv-package-manager

你不需要手动选择，系统根据上下文自动加载。

实战：从零搭建全栈功能

让我用一个完整示例展示这套系统的能力。

场景：添加用户认证功能

传统方式：

  1. 设计数据库表（1 小时）
  2. 写后端 API（4 小时）
  3. 写前端页面（4 小时）
  4. 写测试（2 小时）
  5. 代码审查（1 小时）
  6. 部署（1 小时）

使用 wshobson/agents：

1
2
3
4
5
6
7
# 安装必要插件
/plugin install full-stack-orchestration
/plugin install python-development
/plugin install backend-development

# 启动全栈编排
/full-stack-orchestration:full-stack-feature "user authentication with OAuth2"

系统会协调 7+ 个 Agent：

  1. backend-architect → 设计 API 架构
  2. database-architect → 设计数据库 schema
  3. frontend-developer → 实现登录 UI
  4. test-automator → 生成单元测试和 E2E 测试
  5. security-auditor → 安全审计
  6. deployment-engineer → 配置部署
  7. observability-engineer → 设置监控

这些 Agent 并行工作，不是串行。

结果：

  • 时间从 13 小时缩短到 30 分钟
  • 包含安全审计和测试覆盖
  • 自动部署和监控

安全加固示例

1
2
/plugin install security-scanning
/security-scanning:security-hardening --level comprehensive

这个命令会启动多 Agent 安全评估：

  • SAST 扫描
  • 依赖项扫描
  • 代码审查
  • 合规检查

Python 项目脚手架

1
2
/plugin install python-development
/python-development:python-scaffold fastapi-microservice

自动激活的 Skills：

  • async-python-patterns - AsyncIO 和并发
  • python-testing-patterns - pytest 和 fixtures
  • uv-package-manager - 快速依赖管理

生成的项目包含：

  • 生产级 FastAPI 结构
  • 异步模式最佳实践
  • 完整的测试套件
  • Dockerfile 和 docker-compose
  • CI/CD 配置

成本分析

大家最关心的：这得花多少钱？

模型成本

模型 输入 输出
Opus 4.6 $5/百万 token $25/百万 token
Sonnet 4.6 $3/百万 token $15/百万 token
Haiku 4.5 $1/百万 token $5/百万 token

实际使用成本

一个小型项目团队（3-5 人）的月度估算：

  • 日常开发（Sonnet）：$50-100/月
  • 关键架构审查（Opus）：$30-50/月
  • 自动化任务（Haiku）：$10-20/月

总计：$90-170/月

对比：

  • 一个初级开发者的工资：$3000-5000/月
  • 这个系统的成本：1/30

ROI 非常明显。

省钱技巧

  1. 用 inherit 模式灵活选择模型

    • 日常开发用 Sonnet
    • 关键任务切换到 Opus

  2. 合理拆分任务

    • 大任务拆成小任务
    • 减少单次调用的 token 消耗

  3. 利用 Skills 的渐进披露

    • 只在需要时加载详细知识
    • 避免不必要的资源加载

与 OpenClaw 的对比

有人可能会问：这个和之前写的 OpenClaw 有什么区别？

维度 wshobson/agents OpenClaw
平台 Claude Code 原生 独立编排层
Agent 数量 112 个专业 Agent 自定义配置
集成深度 深度集成 外部编排
使用门槛 较低（安装插件即可） 较高（需要配置）
灵活性 结构化工作流 自由编排
成本模型 按 token 计费 自托管成本

我的建议：

  • 如果你已经在用 Claude Code，直接上 wshobson/agents
  • 如果你需要更灵活的编排或有特殊需求，考虑 OpenClaw
  • 两者也可以结合：用 OpenClaw 做高层编排，wshobson/agents 做具体执行

个人思考

用了一段时间 wshobson/agents，有几个感触：

1. 专业化分工是趋势

不是让一个大模型做所有事，而是让多个专业 Agent 各做各的。

就像真正的开发团队：

  • 架构师做设计
  • 后端写 API
  • 前端做界面
  • 测试写用例
  • 运维管部署

AI Agent 也在走这条路。

2. 编排层的价值被低估了

很多人关注单个 Agent 的能力，但编排层才是放大器。

好的编排可以让 10 个普通 Agent 发挥 100 个 Agent 的效果。

3. 上下文管理是关键

wshobson/agents 的插件化和渐进披露设计，本质上是在解决上下文管理问题。

有限的上下文窗口 → 按需加载 → 最大化利用

这是所有 AI 系统都要面对的挑战。

4. 成本可控比想象中容易

很多人被 Opus 的价格吓到，但：

  • 大部分任务用 Sonnet 就够了
  • Opus 的 token 效率更高
  • 合理分层后，实际成本很低

5. 未来是”人机协作团队”

不是 AI 替代人类，而是人类+AI 团队替代传统团队。

一个产品经理 + wshobson/agents = 一个完整开发团队

这不是科幻，是现在就能实现的事。

如何开始

第一步：添加插件市场

1
/plugin marketplace add wshobson/agents

第二步：浏览可用插件

1
/plugin

第三步：安装你需要的

1
2
3
4
5
6
7
8
9
10
11
12
# 基础开发
/plugin install python-development
/plugin install javascript-typescript

# 代码审查
/plugin install comprehensive-review

# 全栈工作流
/plugin install full-stack-orchestration

# 多智能体团队
/plugin install agent-teams

第四步：开始使用

1
2
3
4
5
6
7
8
# 并行审查
/team-review src/

# 全栈功能开发
/full-stack-orchestration:full-stack-feature "your feature"

# Python 脚手架
/python-development:python-scaffold your-project

写在最后

wshobson/agents 让我看到了 AI 辅助开发的下一个阶段。

不是更好的单轮对话，不是更长的上下文窗口，而是系统化的多智能体协作。

112 个 Agent、16 个编排器、146 个 Skills — 这些数字背后是一个清晰的愿景：

让一个人拥有整个团队的能力。

这不是取代人类，而是给人类超能力。

你仍然是决策者、架构师、审查者。但执行层面的工作，可以交给这个永不疲倦的 AI 团队。

未来已来，只是分布不均。

参考