Claude Code 多智能体工作流系统：myclaude

想象一个 AI 开发团队：产品经理写需求、架构师做设计、程序员写代码、测试工程师跑用例——而你只需要坐在工位上，喝着咖啡，看着 Claude 把这些活儿一件件干了。myclaude 正是这样一套「AI 开发自动化流水线」，它把 Claude Code 从一个单兵作战的 AI 编程工具，变成了一支能打配合战的多智能体军队。

一、项目背景：为什么需要多智能体协作？

2024 年下半年，Anthropic 推出 Claude Code，AI 编程工具正式进入「本地 CLI 时代」。开发者发现：让一个 AI 模型从头到尾负责整个功能开发，会遇到一个核心矛盾——单个模型的注意力是有限的。

当你要开发一个完整功能，需要同时处理：需求分析、架构设计、代码编写、测试覆盖、文档撰写、性能优化……让一个模型在所有这些任务之间来回切换，就像让一个人同时扮演产品经理、架构师、开发、测试四个角色——短期内能撑住，但随着任务复杂度上升，质量和效率都会快速衰减。

myclaude 的答案是：分而治之。它不是让一个 Claude 干所有事，而是把开发流程拆成多个阶段，每个阶段由专门训练的 Agent 负责，多个 Agent 按流水线协作，最终产出完整的功能模块。

二、核心模块解析

1. do —— 五阶段功能开发流水线（最核心）

这是 myclaude 最推荐的工作流，采用 5 阶段开发模型：

阶段	名称	职责
1	理解需求	解析用户指令，补全模糊需求
2	制定计划	拆解任务，评估风险，输出开发计划
3	编写代码	分模块实现，写单元测试
4	代码审查	静态分析、安全扫描、风格检查
5	修复验证	自动修复审查发现的问题，验证通过

每个阶段都有独立的 codeagent 驱动，不同阶段的 Agent 可以是不同的后端模型（Claude / Codex / Gemini / OpenCode），这解决了「任务类型适配模型」的问题：简单重命名任务用 Gemini，复杂推理任务用 Claude Code，代码生成用 Codex。

2. omo —— 多智能体编排与路由

omo 模块解决的是「谁来干」的问题。它内置智能路由机制，根据任务类型自动分配给最合适的 Agent，支持的 Agent 包括：

• bmad：BMAD 敏捷工作流，包含 6 个专业智能体，覆盖从需求到上线的完整敏捷生命周期
• requirements：轻量级需求→代码流水线，适合快速验证想法
• essentials：11 个核心开发命令（ask、bugfix、code、debug、docs、enhance-prompt、optimize、refactor、review、test、think），每个对应一个专门调教的 Agent
• sparv：结构化验证与报告生成

3. codeagent-wrapper —— 多后端统一抽象层

这是 myclaude 的「底层引擎」，也是它区别于其他 Claude Code 扩展的核心技术创新点。wrapper 层将 Claude Code、OpenAI Codex、Google Gemini、OpenCode 四种后端统一封装为同一个调用接口，开发者可以：

// config.json 中配置后端
{
  "codeagent": {
    "default_backend": "claude",
    "backends": {
      "claude": { "type": "claude-code" },
      "codex": { "type": "openai-codex" },
      "gemini": { "type": "gemini" },
      "opencode": { "type": "opencode" }
    }
  }
}

这意味着你可以让 Claude 写核心算法，让 Codex 生成测试代码，让 Gemini 做文档翻译——各取所长，无需切换工具。

三、部署与安装：开箱即用的 CLI 工具

myclaude 是一个纯命令行工具，没有 Web 界面，也没有 Docker 支持，这既是它的特点也是它的取舍。

安装方式极其简单：

# 方式一：npx 一键（推荐）
npx github:stellarlinkco/myclaude

# 方式二：install.sh 脚本（legacy）
curl -fsSL https://raw.githubusercontent.com/stellarlinkco/myclaude/master/install.sh | bash

安装脚本会自动检测操作系统（Linux/macOS/Windows）和 CPU 架构（amd64/arm64），下载对应的 codeagent-wrapper 二进制文件，配置 PATH 和 CLAUDE.md 初始化文件。整个过程不超过 5 分钟。

硬件需求极低：不需要 GPU，512MB 内存 + 200MB 磁盘即可运行，是真正「轻量级」的开发辅助工具。

四、技术架构：从插件到流水线的演进

从代码结构来看，myclaude 的架构演进很有意思：

v3.x: 单命令插件
v4.x: 多模块支持（do/omo/bmad）
v5.x: 多后端统一抽象（codeagent-wrapper）
v6.x: 精细化模块管理（per-module agent merge/unmerge）

最新版本 6.7.0 中引入了 per-module agent merge/unmerge 机制，允许用户针对不同模块（do、omo、bmad 等）独立安装或卸载对应的 Agent，而不是一股脑全部装入 ~/.claude 目录。这种「即插即用」的模块化设计，大大降低了学习和迁移成本。

项目使用 Go 作为核心逻辑语言（codeagent-wrapper），Node.js 作为 CLI 入口（bin/cli.js），这种组合兼顾了二进制分发的便利性（Go 编译产物是单一可执行文件）和插件生态的灵活性（Node.js 的 package.json 生态）。

五、局限性与挑战

没有任何工具是银弹，myclaude 也存在一些需要注意的问题：

1. 学习曲线不可忽视：虽然安装简单，但理解 5 阶段模型、各模块的适用场景、多后端的选择策略，需要一定的上手成本。文档虽全但较为分散，对于新手来说「我该用 do 还是 omo？」这个问题并不容易回答。

2. 多后端依赖外部服务：当切换到 Codex 或 Gemini 后端时，需要这些服务的 API Key，增加了配置复杂度，且各后端的能力边界不一致，可能出现「在 Claude 上运行的 Agent 切到 Gemini 后行为不一致」的问题。

3. 缺乏容器化支持：对于需要在服务器环境或 CI/CD 流水线中使用的场景，没有 Docker 镜像意味着需要在目标环境中完整安装依赖（Node.js、Go 等），增加了一键部署的难度。

4. AGPL-3.0 许可证：如果你计划将 myclaude 集成到商业产品中，需要注意 AGPL 的传染性——修改后的代码必须开源。

六、行业意义：从单兵作战到军团协作

myclaude 的出现，代表了 AI 编程工具领域的一个重要趋势：从「一个模型干所有事」向「多模型分工协作」的范式转移。

GitHub Copilot 开创了 IDE 内嵌 AI 补全的先河；Claude Code 引领了本地 CLI + Agent 的浪潮；而 myclaude 则在这个浪潮上更进一步，探索「多 Agent 协作流水线」的可能性。它不追求取代 Claude Code，而是在其基础上加了一层组织能力——让多个专业化 Agent 能够协调工作，弥补单模型在长任务中的注意力衰减问题。

截至目前，该项目在 GitHub 上拥有 2681 Stars、303 Forks，主分支为 master，支持 AGPL-3.0 开源协议。Stars 数量说明它已经获得了相当规模的社区关注，但其星标/叉数比例（2681/303 ≈ 8.8:1）相对偏低，表明项目的实用性受到认可，但社区参与度（fork 并二次开发）的意愿还有提升空间。

七、总结

myclaude 是目前 Claude Code 生态中最成熟的多智能体协作框架之一。它用五阶段开发流水线重新定义了「AI 写代码」的工作方式，通过多后端抽象层解决了模型选择问题，模块化设计让用户可以按需启用功能。如果你已经在使用 Claude Code，希望把它的能力从「帮我写这段代码」扩展到「帮我开发这个功能」，myclaude 是目前最值得尝试的方向之一。

维度	评分
部署便捷性	★★★★☆（npx 一键安装，但无 Docker）
功能完整性	★★★★★（覆盖需求→设计→开发→测试→上线）
架构设计	★★★★☆（模块化优秀，但跨版本迁移有成本）
文档质量	★★★★★（中英双语 + 多层文档）
社区活跃度	★★★☆☆（Stars 增长快，但 Fork/贡献比例偏低）