Archon
coleam00/Archon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
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，你在赶一个紧急需求，对着 Claude Code 说："帮我修一下那个登录 bug。"
AI 一通操作：改了 3 个文件、跑了一遍测试、还贴心地帮你 commit 了。你美滋滋准备 merge——然后第二天上班，发现线上炸了：核心逻辑被 AI 误删、测试用例被 AI "优化" 成了永远通过的形式测试、PR 描述只有一句话。
这不是你的问题。 这是 AI coding 的本质矛盾：AI 的能力是强大的，但它的行为是不确定的。同样的指令，今天跑和明天跑可能完全不一样。它可能跳过规划、直接动手，也可能忘记运行测试。
这个问题的根源是什么？AI 编程缺少一个"标准操作流程"（SOP）。 你可以让 AI 帮你写代码，但你没法保证它按照你期望的步骤去做——先调研、再规划、然后实现、跑测试、review、创建 PR。
而 Archon 正是来解决这个问题的。
Archon 由独立开发者 coleam00 创建，定位是"AI Coding 的 Harness Builder"——字面意思是"AI 编程的线束构建器"，核心思想是：把人类的开发 SOP 编码成 YAML 工作流，让 AI 在这个框架内执行，每个步骤都固定、可观测、可重复。
类比一下：
项目 2025 年 2 月创建，不到两年时间已积累超过 23,000 颗 star，在 GitHub Trending 上长期占据一席之地，开发者社区非常活跃。核心贡献者 Wirasm（贡献超过 1200 次 commit）和 coleam00 持续推动着项目迭代。
Archon 的工作方式非常直观：你用 YAML 定义一个"工作流"，工作流由若干"节点"（nodes）组成，每个节点要么是确定性节点（bash 脚本、测试命令、git 操作），要么是AI 节点（规划、代码生成、review）。
以一个"修复 GitHub issue → 创建 PR"的完整流程为例：
nodes:
- id: plan
prompt: "探索代码库，创建实现计划"
- id: implement
depends_on: [plan]
loop:
prompt: "读取计划，实现下一个任务，运行验证"
until: ALL_TASKS_COMPLETE
fresh_context: true
- id: run-tests
depends_on: [implement]
bash: "bun run validate"
- id: review
depends_on: [run-tests]
prompt: "Review 所有变更，修复任何问题"
- id: approve
depends_on: [review]
loop:
prompt: "呈现变更供 review，响应反馈"
until: APPROVED
interactive: true
- id: create-pr
depends_on: [approve]
prompt: "推送变更并创建 pull request"
这个流程里，规划→实现→测试→review→人工审批→PR 创建，每一步都是固定的 DAG 节点，AI 只负责在节点内提供"智能"，而流程结构由你掌控。
Archon 预置了大量实用工作流，覆盖常见开发场景：
| 工作流 | 用途 |
|---|---|
| archon-fix-github-issue | GitHub issue → 完整修复 + PR |
| archon-idea-to-pr | 功能想法 → 完整 PR（含 5 个并行 reviewer） |
| archon-create-issue | 问题描述 → 自动分类 + GitHub Issue |
| archon-piv-loop | PIV 循环：人工介入的 Plan-Implement-Validate |
| archon-smart-pr-review | 智能 PR review |
| archon-comprehensive-pr-review | 5 并行 reviewer 的全方位 PR review |
| archon-architect | 架构扫频、代码健康改进 |
| archon-workflow-builder | 用 AI 生成新的 YAML 工作流 |
| archon-resolve-conflicts | 自动合并冲突检测与解决 |
Archon 每个工作流运行在独立的 git worktree 中——这意味着你可以同时跑 5 个 bug 修复，互不干扰，不会有分支冲突。这对大型代码库的多任务处理非常有价值。
同一个工作流 YAML，可以从多种方式触发：
archon workflow run xxxArchon 采用 TypeScript + Bun 的 monorepo 架构，共 14 个 packages：
| Package | 职责 |
|---|---|
| @archon/core | 核心引擎、workflow 解析与执行 |
| @archon/workflows | workflow DSL 定义与验证 |
| @archon/cli | 命令行工具 |
| @archon/server | 后端 API 服务（Express/Fastify） |
| @archon/web | Web UI（React） |
| @archon/providers | Claude Code/Codex SDK 适配器 |
| @archon/git | Git 操作封装 |
| @archon/isolation | Git worktree 隔离管理 |
| @archon/adapters | Slack/Telegram/Discord 平台适配 |
| @archon/forge | Workflow builder 可视化编辑器 |
| @archon/paths | 路径解析与项目注册 |
后端支持 SQLite（零配置默认）和 PostgreSQL（生产级），数据通过 ARCHON_DATA 环境变量控制存储位置。
Archon 提供完整的多阶段 Dockerfile 和 docker-compose.yml，核心方式：
# 最简单：SQLite 版本
docker compose up -d
# 带 PostgreSQL
docker compose --profile with-db up -d
# 带 HTTPS（Caddy 自动 TLS）
docker compose --profile cloud up -d
容器内已预装 Claude Code，数据卷分离设计（工作流数据 + 用户 home 配置），重启不丢失。
# macOS/Linux
curl -fsSL https://archon.diy/install | bash
# Windows
irm https://archon.diy/install.ps1 | iex
# Homebrew
brew install coleam00/archon/archon
安装后运行 archon serve 自动下载并启动 Web UI，一个命令搞定一切。
需要提前准备好：
Archon 的输出质量直接取决于底层 AI 模型能力。如果 Claude Code/Codex 在某些任务上表现不佳，Archon 工作流也无法弥补这个问题——它只是让糟糕的输出变得一致地糟糕。
虽然 Archon 自带 19 个工作流，但深度定制仍需编写 YAML。对于不熟悉 YAML 或 DAG 工作流概念的开发者，有一定的上手门槛。
每个工作流创建独立的 git worktree，长期高频使用后，本地可能出现大量 worktree 堆积，需要定期清理。
Archon 代表了一个正在兴起的产品类别：AI Coding 的工作流引擎。同类项目还包括 GitHub 的 Copilot Workspace、Devin 的自主编程 Agent 等，但 Archon 的差异化在于：
从增长曲线看，Archon 的 star 数量在 2025-2026 年持续快速增长，体现了 AI coding 从"尝鲜"到"工程化落地"的行业趋势。随着 Claude Code、Cursor、Copilot 等工具的普及，将开发 SOP 编码成可复用工作流的需求会越来越强烈。