ai-devkit
让AI编程智能体像高级工程师一样工作：五阶段工作流 + 跨会话记忆 + 多智能体控制面
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
让AI编程智能体像高级工程师一样工作：五阶段工作流 + 跨会话记忆 + 多智能体控制面
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
凌晨两点，你让 Claude Code 写一个 Google OAuth 登录。几分钟后，它发来一条消息："功能已成功实现。"你打开浏览器，页面一片空白，控制台满屏红色。构建还是红的，但智能体已经停止编辑了——因为它的任务列表读完了。
这是每一位重度使用 AI 编程工具的开发者都经历过的场景。智能体很快、很主动，但也很容易鲁莽：没有计划就动手、没验证就说完成、换一次会话就忘了所有约定。一次性的聊天解决了当下问题，但下次同一个项目里，智能体又要重新问一遍上次已经确定的事项。
AI DevKit 正是为了解决这个问题而生的。它的核心思路很简单：不是换一个更聪明的模型，而是给现有的 AI 编程智能体加一套工程纪律——让它像高级工程师一样工作：先澄清问题，再制定计划，实现后拿出证据，最后才说"完成"。
图1：AI DevKit GitHub 仓库首页
2024 年到 2025 年，AI 编程工具迎来爆发式增长。Claude Code、Cursor、Codex CLI、Gemini CLI、Cline、Devin……每一款都在发布会上展示了令人惊叹的代码生成能力。但随着开发者把这些工具真正用到日常工作中，一个共同的痛点逐渐浮出水面：这些工具的单次任务能力很强，但缺乏工程连贯性。
表现为几个典型场景：
AI DevKit 的作者 Codeaholicguy（GitHub ID: 49767012）从自己的日常开发中提炼出了这些问题，于 2024 年底开始构建这套工具，2025 年初正式发布 npm 包，迅速在 AI coding 社区获得了大量关注，目前 GitHub Stars 已突破 1340+。
AI DevKit 的工作模式可以概括为五阶段开发生命周期（dev-lifecycle）：
阶段一：需求澄清（Requirements）。智能体不直接写代码，而是先问清楚：功能的用户是谁？成功标准是什么？有哪些边界情况需要覆盖？只有回答了这些问题，才会生成 docs/ai/requirements/feature-xxx.md 文件，记录下来。
阶段二：设计（Design）。在写代码之前，智能体需要先写出设计文档：数据结构怎么设计？有哪些外部依赖？接口契约是什么？设计文档会与需求文档对比，确保没有范围蔓延。
阶段三：计划（Planning）。把设计拆解为可执行的任务列表，每项任务有明确的完成标准。计划文档会被 verify 技能引用，作为"完成"的判定依据。
阶段四：实现（Implementation）。按计划逐项执行，每完成一项更新进度。verify 技能在这里扮演守门人角色：没有最新的测试或构建输出，任务不得被标记为完成。
阶段五：测试（Testing）。TDD 技能推动测试先行，tdd 斜杠命令引导智能体先写测试再写实现。
与五阶段工作流配套的，是 @ai-devkit/memory——一个基于 SQLite FTS5 的本地记忆服务。它通过 MCP（Model Context Protocol）协议暴露给所有支持的 AI 编程工具（Claude Code、Cursor、Codex CLI 等），智能体可以随时搜索项目历史中保存的决策、约定和修复方案，而不需要每次都问人。
// Memory 服务核心接口
// 通过 MCP 暴露给 AI 编程工具调用
// packages/memory/src/server.ts — MCP Server 实现
// packages/memory/src/services/ — FTS5 搜索服务
// 支持 BM25 排序、标签过滤、全局/项目/仓库三级作用域
项目采用 Nx Monorepo 管理，npm workspaces 包含 5 个子包：
| 包名 | 职责 | 技术栈 |
|---|---|---|
packages/memory | SQLite FTS5 记忆存储、MCP Server | TypeScript、SQLite、WAL 模式 |
packages/cli | 主 CLI 工具（agent/skill/channel/send 命令） | TypeScript、Node.js |
packages/agent-manager | 多智能体会话管理、适配器层 | TypeScript |
packages/channel-connector | Telegram/其他渠道接入 | TypeScript |
packages/pi-session-tracker | Pi 平台会话跟踪 | TypeScript |
根目录 apps/ 目录目前为空，预留了未来独立应用的空间。
代码质量方面：
vitest 全量测试覆盖@nx/js + TypeScript 严格模式，husky 预提交钩子值得注意的是，packages/memory 使用 SQLite WAL（Writ-Ahead Logging）模式，开启 FTS5 全文索引，搜索延迟 < 50ms，同时通过去重机制避免同一知识的重复存储。
AI DevKit 内置 8 个核心技能，每个技能都针对一个真实的 AI 编程会话失败模式：
| 技能 | 解决的痛点 | 技术实现 |
|---|---|---|
dev-lifecycle | 智能体过早写代码 | 阶段引导文档 + MCP 指令 |
verify | 虚假"完成"声明 | 读取最新 test/build 输出作为证据 |
memory | 忘记项目决策 | SQLite FTS5 + MCP 工具 |
tdd | 测试缺失 | 测试先行工作流模板 |
structured-debug | 调试变成乱改 | 复现→假设→修复→验证四步 |
document-code | 代码不透明 | 文档生成指导 |
simplify-implementation | 代码臃肿 | 复杂度审查 |
technical-writer | 文档难懂 | 可读性评估 |
此外，通过 ai-devkit skill add <registry> <skill>，可以从 Anthropic、Vercel、Supabase 等 30+ 发布方拉取更多技能，例如 Vercel 的 react-best-practices。
除了工作流和记忆，AI DevKit 还提供了一个独特的 Agent Console 功能：一个基于 Node.js 的 TUI 仪表盘（packages/cli/src/tui/），可以同时监控多个来自不同厂商的 AI 编程会话。
# 列出跨提供方运行中的会话
ai-devkit agent list
# 向运行中的会话发送指令并等待响应
ai-devkit agent send <session-id> "run tests and report" --wait
# 通过 Telegram 接入会话，从手机操作智能体
ai-devkit channel start telegram
这解决了团队同时使用多个 AI 编程工具时的"控制台分散"问题——不需要在多个窗口之间切换，Agent Console 一个界面管所有。
这不是银弹。 AI DevKit 的作者在 README 中明确写道：
实际使用中，AI DevKit 也面临几个挑战：
react-best-practices）质量参差不齐，不加筛选地引入可能带来噪音AI DevKit 的出现代表了 AI 编程工具发展的一个新方向：从单点能力增强（更好的模型、更好的补全）转向工程流程约束（更好的工作流、更好的验证）。随着 Claude Code、Codex CLI 等工具的普及，AI 编程从"能用"进入"用好"的阶段——开发者开始关注如何让 AI 真正融入工程团队的工作节奏，而不是作为孤立的代码生成器。
1340+ Stars、211 Forks、活跃的 16 个 topics 标签、以及支持 14+ 主流 AI 编程工具的广度，都说明这个方向获得了社区的广泛认可。MIT 许可、本地运行的隐私保护策略，也让它在企业场景中具有较好的落地可行性。