agentsys

AgentSys Org 图1：AgentSys 组织头像

想象一下这个场景：凌晨两点，你刚完成一个功能模块的开发，准备提交 PR。按以往的经验，接下来至少还要花半小时跑 CI、写测试、补文档、改 README—— 这些"重复性杂活"消耗的精力，有时候比写代码本身还让人疲惫。

AgentSys 正是为解决这个问题而生。

一、项目起源与核心定位

AgentSys（agentsys）是一个跨平台 AI 编程助手编排框架，由独立开发者 agent-sh 主导维护。它的核心哲学是「write tools once, run everywhere」——用一套代码库同时支持五大 AI 编程工具：

平台	备注
Claude Code	Anthropic 官方 CLI，主力目标
OpenCode	多模型 AI 编程助手
Codex CLI	OpenAI 命令行接口
Cursor	AI 原生代码编辑器
Kiro	亚马逊 AI IDE

每个平台都有各自的优势，但维护多套工作流程插件的成本极高。 AgentSys 通过路径变量替换机制和统一的 Markdown 命令格式，让同一套命令在所有平台无缝运行。插件本身用 Markdown 编写（frontmatter 定义元数据），门槛极低：懂 YAML frontmatter 就能写插件。

二、核心功能：从单命令到全自动工作流

AgentSys 提供 14 个核心命令，覆盖开发全生命周期：

2.1 任务发现与执行

/next-task — 全自动任务发现与执行工作流。用户批准计划后，系统自主运行，从找任务到合并 PR 一气呵成。

/ship — 完整的 PR 上线工作流，包含 CI 验证、部署、交付确认。这是最接近「一键上线」体验的命令。

2.2 代码质量保障

/deslop — 清理调试代码、TODO、FIXME 等「代码沼泽」（Slop Patterns）。基于三阶段检测管道：pattern matching - code analysis - suppression filtering。

/audit-project — 多 Agent 代码审查，调用多个专项 Agent（quality、security）协作审查。

/enhance — 智能质量提升引擎，可分析 7 类对象：

agent — Agent 行为模式分析（12KB+ analyzer）
prompt — 提示词质量分析（13KB+ analyzer）
docs — 文档与代码一致性检查
hooks — Git hooks 脚本质量分析
skills — Skill 最佳实践检查
plugin — 插件 manifest 验证
cross-file — 跨文件依赖分析（27KB+ analyzer）

每个 analyzer 都有对应的 patterns 文件（如 agent-patterns.js），定义了判定规则。增强完成后，fixer 模块自动生成修复建议，配合 reporter 输出结构化报告。

2.3 文档与知识管理

/sync-docs — 将代码变更同步到文档，解决「代码改了文档没改」的长期痛点。

/drift-detect — 文档漂移检测，对比文档描述与实际代码，发现计划偏差。

2.4 性能与学习

/perf — 性能调查工作流，包含基准管理、profile 分析、代码路径分析、约束运行器。基于 12 个子模块（analyzer、baseline-comparator、breaking-point-finder 等），支持实验迭代。

/learn — 线上研究主题，创建学习指南，结合 RAG 模式检索相关知识。

/consult — 跨工具 AI 咨询，向其他 AI 工具（如不同模型）寻求第二意见。

/debate — 结构化多轮辩论，让不同 AI 工具围绕同一问题展开辩证，输出评判结论。

三、架构设计：模块化的极致

AgentSys v6.0.0 的架构极其清晰，所有核心逻辑都在 lib/ 目录下：

3.1 `lib/enhance/` — 质量增强引擎

这是项目最核心的子系统，包含 9 个专业 analyzer，每个都对应一套 pattern 定义：

模块	大小	职责
`reporter.js`	44KB	报告生成与输出格式化
`fixer.js`	23KB	自动修复建议生成
`cross-file-analyzer.js`	27KB	跨文件依赖分析
`prompt-analyzer.js`	13KB	提示词质量评估
`agent-analyzer.js`	12KB	Agent 行为模式检测
`docs-analyzer.js`	8KB	文档一致性分析
`suppression.js`	10KB	误报抑制规则

analyzer 的工作模式高度统一：收集数据 - 分析 pattern - 过滤误报 - 生成报告 - 输出修复。这种 pipeline 模式让新增 analyzer 成本极低——只需定义 patterns 文件即可。

3.2 `lib/collectors/` — 数据采集层

从多个来源收集代码上下文：

codebase.js（11KB）— AST 分析、符号解析、文件结构
github.js（9KB）— GitHub API 集成（issues、PRs、代码审查）
docs-patterns.js（21KB）— 文档模式识别
git.js — Git 历史分析
documentation.js — 项目文档采集

collectors 的输出作为 enhance 模块的输入，形成采集-分析-修复的闭环。

3.3 `lib/perf/` — 性能分析工作流

基于实验驱动的方法论，包含 profiler、benchmark、baseline 三大体系。 schemas.js 定义了实验数据的标准化格式，consolidation.js 负责跨实验结果汇总。

3.4 `lib/repo-intel/` — 仓库情报中心

集成 embedding 模型做代码语义检索，支持代码库的「知识问答」。包含 cache/updater/installer，形成完整的数据生命周期管理。

3.5 `lib/platform/` — 跨平台适配

处理五大平台（Claude Code / OpenCode / Codex / Cursor / Kiro）的路径差异、状态目录差异、工具检测。平台检测结果影响所有后续行为，是整个系统的「环境感知层」。

3.6 `bin/cli.js` — 交互式安装器（81KB）

这是项目中最大的单个文件，负责交互式引导用户选择平台、选择性安装插件、插件缓存管理（components.json）、版本更新、卸载等全生命周期管理。支持 --tool、--only（选择性安装）、--no-strip（保留模型配置）等精细化参数。

四、技术栈与代码质量

语言：JavaScript（Node.js），少量 shell 脚本。

依赖管理：极度精简。dependencies 仅一个 js-yaml，devDependencies 仅 jest。这意味着 AgentSys 几乎没有供应链风险，运行时零外部依赖。

测试覆盖：完整测试套件覆盖在 __tests__/ 目录下，包含：

CLI 参数解析、enhancers、suppression 等核心逻辑的单元测试
cross-platform 跨平台兼容性测试
collectors 各类采集器的集成测试
E2E fixture 测试

验证体系：项目内建完整的验证命令（npm run validate*），涵盖：插件一致性、agent/skill 合规性、跨平台兼容性、路径一致性、平台文档一致性、文件计数一致性。

代码规范：通过 .agnix.toml 配置 15+ 条代码规范规则，强制检查： skill、hook、agent、memory、plugin、XML、MCP、import、AGENTS.md、prompt engineering 等。

文档质量：极高。docs/ 目录包含完整的使用指南（16KB）、架构文档（13KB）、跨平台研究文档、安装指南、测试文档。agent-docs/ 是知识库（11份参考文档）。

五、安装与上手体验

安装方式有三种：

方式一（推荐）：Claude Code 插件市场安装

/plugin marketplace add agent-sh/agentsys
/plugin install next-task@agentsys
/plugin install ship@agentsys
/plugin install enhance@agentsys

方式二：npm 全局安装（支持所有平台）

npm install -g agentsys@latest
agentsys  # 交互式引导

方式三：Git 克隆 + 脚本安装（Codex / OpenCode）

git clone https://github.com/agent-sh/agentsys.git
cd agentsys
./adapters/codex/install.sh  # Codex
./adapters/opencode/install.sh  # OpenCode

零 Docker 支持，零 Web UI。纯命令行工具，通过 slash command（/next-task、/ship 等）触发。上手成本低：安装完成后，在 AI 编程工具中直接输入 /help 即可看到所有可用命令。

六、局限性与适用边界

AgentSys 并非银弹，有几个明显的适用边界：

依赖宿主工具：本质上是 AI 编程工具的插件系统，宿主工具的可用性决定了 AgentSys 的可用性。 Claude Code 更新 API 或修改插件协议，可能导致插件失效。
无自主 Agent 能力：AgentSys 不运行独立的 LLM，所有智能决策由宿主工具的模型完成。它的价值在于「编排」而非「推理」。
CLI-only：没有 Web 界面或 API 供其他系统调用，无法集成到 CI/CD pipeline 的外部环节。
文档英文为主：项目文档、命令描述、README 均为英文，对中文用户有一定门槛。

七、行业意义与增长趋势

AgentSys 代表着 AI 编程工具生态的一个新趋势：从「单个工具」到「工具编排层」的演进。

当前 AI 编程工具（Claude Code、Cursor、Kiro 等）已经足够强大，但缺乏：

跨工具的工作流抽象
自动化的质量保障机制
持久化的团队规范（memory、hooks、skills）

AgentSys 填补了这三个空白。它不替代任何 AI 编程工具，而是让所有工具共用同一套工作流规范。随着多 Agent 系统和 AI 编程工具的持续普及，这类编排框架的价值会越来越大。

图2：AgentSys 官方仓库

AgentSys Org 图1：AgentSys 组织头像

AgentSys 正是为解决这个问题而生。

一、项目起源与核心定位

平台	备注
Claude Code	Anthropic 官方 CLI，主力目标
OpenCode	多模型 AI 编程助手
Codex CLI	OpenAI 命令行接口
Cursor	AI 原生代码编辑器
Kiro	亚马逊 AI IDE

二、核心功能：从单命令到全自动工作流

AgentSys 提供 14 个核心命令，覆盖开发全生命周期：

2.1 任务发现与执行

/next-task — 全自动任务发现与执行工作流。用户批准计划后，系统自主运行，从找任务到合并 PR 一气呵成。

/ship — 完整的 PR 上线工作流，包含 CI 验证、部署、交付确认。这是最接近「一键上线」体验的命令。

2.2 代码质量保障

/deslop — 清理调试代码、TODO、FIXME 等「代码沼泽」（Slop Patterns）。基于三阶段检测管道：pattern matching - code analysis - suppression filtering。

/audit-project — 多 Agent 代码审查，调用多个专项 Agent（quality、security）协作审查。

/enhance — 智能质量提升引擎，可分析 7 类对象：

agent — Agent 行为模式分析（12KB+ analyzer）
prompt — 提示词质量分析（13KB+ analyzer）
docs — 文档与代码一致性检查
hooks — Git hooks 脚本质量分析
skills — Skill 最佳实践检查
plugin — 插件 manifest 验证
cross-file — 跨文件依赖分析（27KB+ analyzer）

每个 analyzer 都有对应的 patterns 文件（如 agent-patterns.js），定义了判定规则。增强完成后，fixer 模块自动生成修复建议，配合 reporter 输出结构化报告。

2.3 文档与知识管理

/sync-docs — 将代码变更同步到文档，解决「代码改了文档没改」的长期痛点。

/drift-detect — 文档漂移检测，对比文档描述与实际代码，发现计划偏差。

2.4 性能与学习

/learn — 线上研究主题，创建学习指南，结合 RAG 模式检索相关知识。

/consult — 跨工具 AI 咨询，向其他 AI 工具（如不同模型）寻求第二意见。

/debate — 结构化多轮辩论，让不同 AI 工具围绕同一问题展开辩证，输出评判结论。

三、架构设计：模块化的极致

AgentSys v6.0.0 的架构极其清晰，所有核心逻辑都在 lib/ 目录下：

3.1 `lib/enhance/` — 质量增强引擎

这是项目最核心的子系统，包含 9 个专业 analyzer，每个都对应一套 pattern 定义：

模块	大小	职责
`reporter.js`	44KB	报告生成与输出格式化
`fixer.js`	23KB	自动修复建议生成
`cross-file-analyzer.js`	27KB	跨文件依赖分析
`prompt-analyzer.js`	13KB	提示词质量评估
`agent-analyzer.js`	12KB	Agent 行为模式检测
`docs-analyzer.js`	8KB	文档一致性分析
`suppression.js`	10KB	误报抑制规则

3.2 `lib/collectors/` — 数据采集层

从多个来源收集代码上下文：

codebase.js（11KB）— AST 分析、符号解析、文件结构
github.js（9KB）— GitHub API 集成（issues、PRs、代码审查）
docs-patterns.js（21KB）— 文档模式识别
git.js — Git 历史分析
documentation.js — 项目文档采集

collectors 的输出作为 enhance 模块的输入，形成采集-分析-修复的闭环。

3.3 `lib/perf/` — 性能分析工作流

基于实验驱动的方法论，包含 profiler、benchmark、baseline 三大体系。 schemas.js 定义了实验数据的标准化格式，consolidation.js 负责跨实验结果汇总。

3.4 `lib/repo-intel/` — 仓库情报中心

集成 embedding 模型做代码语义检索，支持代码库的「知识问答」。包含 cache/updater/installer，形成完整的数据生命周期管理。

3.5 `lib/platform/` — 跨平台适配

3.6 `bin/cli.js` — 交互式安装器（81KB）

四、技术栈与代码质量

语言：JavaScript（Node.js），少量 shell 脚本。

依赖管理：极度精简。dependencies 仅一个 js-yaml，devDependencies 仅 jest。这意味着 AgentSys 几乎没有供应链风险，运行时零外部依赖。

测试覆盖：完整测试套件覆盖在 __tests__/ 目录下，包含：

CLI 参数解析、enhancers、suppression 等核心逻辑的单元测试
cross-platform 跨平台兼容性测试
collectors 各类采集器的集成测试
E2E fixture 测试

代码规范：通过 .agnix.toml 配置 15+ 条代码规范规则，强制检查： skill、hook、agent、memory、plugin、XML、MCP、import、AGENTS.md、prompt engineering 等。

五、安装与上手体验

安装方式有三种：

方式一（推荐）：Claude Code 插件市场安装

/plugin marketplace add agent-sh/agentsys
/plugin install next-task@agentsys
/plugin install ship@agentsys
/plugin install enhance@agentsys

方式二：npm 全局安装（支持所有平台）

npm install -g agentsys@latest
agentsys  # 交互式引导

方式三：Git 克隆 + 脚本安装（Codex / OpenCode）

git clone https://github.com/agent-sh/agentsys.git
cd agentsys
./adapters/codex/install.sh  # Codex
./adapters/opencode/install.sh  # OpenCode

六、局限性与适用边界

AgentSys 并非银弹，有几个明显的适用边界：

依赖宿主工具：本质上是 AI 编程工具的插件系统，宿主工具的可用性决定了 AgentSys 的可用性。 Claude Code 更新 API 或修改插件协议，可能导致插件失效。
无自主 Agent 能力：AgentSys 不运行独立的 LLM，所有智能决策由宿主工具的模型完成。它的价值在于「编排」而非「推理」。
CLI-only：没有 Web 界面或 API 供其他系统调用，无法集成到 CI/CD pipeline 的外部环节。
文档英文为主：项目文档、命令描述、README 均为英文，对中文用户有一定门槛。

七、行业意义与增长趋势

AgentSys 代表着 AI 编程工具生态的一个新趋势：从「单个工具」到「工具编排层」的演进。

当前 AI 编程工具（Claude Code、Cursor、Kiro 等）已经足够强大，但缺乏：

跨工具的工作流抽象
自动化的质量保障机制
持久化的团队规范（memory、hooks、skills）

图2：AgentSys 官方仓库

社区活跃度

一、项目起源与核心定位

二、核心功能：从单命令到全自动工作流

2.1 任务发现与执行

2.2 代码质量保障

2.3 文档与知识管理

2.4 性能与学习

三、架构设计：模块化的极致

3.1 `lib/enhance/` — 质量增强引擎

3.2 `lib/collectors/` — 数据采集层

3.3 `lib/perf/` — 性能分析工作流

3.4 `lib/repo-intel/` — 仓库情报中心

3.5 `lib/platform/` — 跨平台适配

3.6 `bin/cli.js` — 交互式安装器（81KB）

四、技术栈与代码质量

五、安装与上手体验

六、局限性与适用边界

七、行业意义与增长趋势

社区活跃度

一、项目起源与核心定位

二、核心功能：从单命令到全自动工作流

2.1 任务发现与执行

2.2 代码质量保障

2.3 文档与知识管理

2.4 性能与学习

三、架构设计：模块化的极致

3.1 `lib/enhance/` — 质量增强引擎

3.2 `lib/collectors/` — 数据采集层

3.3 `lib/perf/` — 性能分析工作流

3.4 `lib/repo-intel/` — 仓库情报中心

3.5 `lib/platform/` — 跨平台适配

3.6 `bin/cli.js` — 交互式安装器（81KB）

四、技术栈与代码质量

五、安装与上手体验

六、局限性与适用边界

七、行业意义与增长趋势

社区活跃度

一、项目起源与核心定位

二、核心功能：从单命令到全自动工作流

2.1 任务发现与执行

2.2 代码质量保障

2.3 文档与知识管理

2.4 性能与学习

三、架构设计：模块化的极致

3.1 lib/enhance/ — 质量增强引擎

3.2 lib/collectors/ — 数据采集层

3.3 lib/perf/ — 性能分析工作流

3.4 lib/repo-intel/ — 仓库情报中心

3.5 lib/platform/ — 跨平台适配

3.6 bin/cli.js — 交互式安装器（81KB）

四、技术栈与代码质量

五、安装与上手体验

六、局限性与适用边界

七、行业意义与增长趋势

社区活跃度

一、项目起源与核心定位

二、核心功能：从单命令到全自动工作流

2.1 任务发现与执行

2.2 代码质量保障

2.3 文档与知识管理

2.4 性能与学习

三、架构设计：模块化的极致

3.1 lib/enhance/ — 质量增强引擎

3.2 lib/collectors/ — 数据采集层

3.3 lib/perf/ — 性能分析工作流

3.4 lib/repo-intel/ — 仓库情报中心

3.5 lib/platform/ — 跨平台适配

3.6 bin/cli.js — 交互式安装器（81KB）

四、技术栈与代码质量

五、安装与上手体验

六、局限性与适用边界

七、行业意义与增长趋势

3.1 `lib/enhance/` — 质量增强引擎

3.2 `lib/collectors/` — 数据采集层

3.3 `lib/perf/` — 性能分析工作流

3.4 `lib/repo-intel/` — 仓库情报中心

3.5 `lib/platform/` — 跨平台适配

3.6 `bin/cli.js` — 交互式安装器（81KB）

3.1 `lib/enhance/` — 质量增强引擎

3.2 `lib/collectors/` — 数据采集层

3.3 `lib/perf/` — 性能分析工作流

3.4 `lib/repo-intel/` — 仓库情报中心

3.5 `lib/platform/` — 跨平台适配

3.6 `bin/cli.js` — 交互式安装器（81KB）