vibecosystem

「AI 软件团队」——把 Claude Code 变成 138 人工程部

一个场景：凌晨 2 点，你发现线上有个 Bug

你揉了揉眼睛，打开终端，对 Claude Code 说了一句"帮我修掉那个支付超时的问题"。在传统工作流里，AI 会帮你改几行代码，然后——你需要自己review、自己测试、自己想有没有副作用。

但在安装了 vibecosystem 的 Claude Code 里，故事完全不同。

一个 intent-classifier hook 立刻分析你的意图，判定这是一个"后端 bug 修复"任务。然后，系统从 138 个专业 Agent 中调度出 backend-dev 做修复、code-reviewer 做安全审查、security-reviewer 扫描注入漏洞、verifier 跑构建和测试、tdd-guide 检查是否补上了测试用例。

你喝着咖啡，看着 5 个 Agent 在不同阶段协作。如果任何一轮测试失败，passive-learner 自动记录错误模式；在下一次新会话启动时，整个团队都会"记得"这个教训，避免重蹈覆辙。

这就是 vibecosystem 的核心愿景：不是给一个人配一个 AI 助手，而是给一个 AI 配一整个团队。

背景：vibe coding 的工程化困境

2025 年，Claude Code 发布后，业界掀起了"vibe coding"热潮——用自然语言指挥 AI 写代码。门槛低、上手快，一时间吸引了大量非技术背景用户入场。

但热潮退去后，问题浮现：vibe coding 的输出质量不可控。 AI 生成的代码缺少架构设计、缺少测试、缺少安全审查，返工率居高不下。

vibecosystem 的作者（GitHub @vibeeval，2026年活跃开发）敏锐地捕捉到了这个痛点。他的解题思路是：与其训练一个更强壮的通用模型，不如组建一个分工明确的 Agent 团队，让专业的人（Agent）做专业的事。

这是一个架构哲学的转变：从"一个强 AI 全能"，到"一群专能 AI 协作"。

核心机制：四大组件如何协同

vibecosystem 的架构建立在 Claude Code 的三大扩展机制上：Hooks（钩子）、Agents（角色定义）、Skills（知识库）、Rules（行为准则）。这四类组件通过上下文注入而非 RPC 或消息总线进行隐式协调——hooks 观察工具调用和会话事件，决定需要什么上下文，然后注入到 Claude Code 的 prompt 上下文中，agents 和 skills 在那里读取并执行任务。

1. 138 个专业 Agent：精细分工的 AI 工程师

每个 Agent 是一个 Markdown 文件，内含 YAML frontmatter（描述其职责、触发词、协作角色）和详细的 prompt 指令。Agent 分类覆盖 10 大领域：

领域	数量	代表 Agent
核心开发	14	frontend-dev、backend-dev、devops、browser-agent
审查与 QA	8	code-reviewer、security-reviewer、verifier、qa-engineer
领域专家	35	graphql-expert、kubernetes-expert、ddd-expert、redis-expert
架构设计	8	architect、planner、clean-arch-expert、cqrs-expert
测试工程	6	tdd-guide、e2e-runner、arbiter、mocksmith
DevOps 与云	12	aws-expert、gcp-expert、azure-expert、terraform-expert
数据分析	11	scout、sleuth、data-analyst、profiler、strategist
编排控制	16	nexus、sentinel、commander、neuron、vault、nitro
文档生成	6	technical-writer、api-doc-generator、copywriter
自主学习	7	self-learner、canavar、reputation-engine

2. 5 阶段 Agent Swarm：任务自动分阶段执行

当你提出一个功能需求，系统不是让一个 Agent 从头做到尾，而是启动一个 5 阶段协作流水线：

用户输入 → intent-classifier 分析意图 → agent-assignment-matrix 路由 → 阶段式执行
Phase 1 (Discovery):    scout + architect + project-manager 规划
Phase 2 (Development):  backend-dev + frontend-dev + devops + 领域专家 实现
Phase 3 (Review):       code-reviewer + security-reviewer + qa-engineer 审查
Phase 4 (QA Loop):      verifier + tdd-guide 验证，最多重试 3 次
Phase 5 (Final):        self-learner + technical-writer 总结与文档

每个阶段的结果都会反馈到下一阶段，形成一个完整的 Dev-QA 闭环。如果某阶段连续失败 3 次，系统会触发升级机制（重新分配任务或降低复杂度）。

3. 74 个 Hook：事件的感知与响应

Hooks 是 TypeScript 编写的插件（.mjs），运行在 Claude Code 的事件生命周期中。根据触发时机分为 6 类：

PreToolUse：工具执行前触发，可阻断（如 credential-deny 阻止越权操作）
PostToolUse：工具执行后触发（如 passive-learner 捕获错误模式）
UserPromptSubmit：用户发送消息时触发（如 intent-classifier 分类用户意图）
SessionStart：会话启动时触发（如 instinct-loader 注入历史教训）
SessionEnd：会话结束时触发（如 session-end-cleanup 整理状态）
Stop：Agent 停止响应时触发（如 compiler-in-the-loop-stop）

74 个 hooks 并非全部同时激活——系统根据用户意图智能筛选，只有相关的 hooks 才会被触发并注入上下文。这就是"自适应 Hook 加载"机制，避免上下文窗口被无关信息填满。

4. 自学习流水线：系统自己编写规则

这是 vibecosystem 最具创新性的设计——错误自动变成规则。

错误发生 → passive-learner 捕获模式（按项目标签）
→ instinct-consolidator 汇总计数（按项目 + 全局）
→ confidence >= 5 → 自动注入到下次会话上下文
→ 跨 2+ 项目、5+ 次数 → 提升为跨项目知识
→ 10x 重复出现 → 永久保存为 .md 规则文件

整个过程无需人工介入。系统不仅记录"错误是什么"，更记录"错误发生时的上下文"（代码模式、项目类型、语言），确保规则在相似场景中才被触发。

5. Canavar 交叉训练：一人犯错，全队受训

这是一个"团队级错误学习"机制。当某个 Agent 在处理任务时犯错，错误会被记录到 error-ledger.jsonl；skill-matrix.json 更新所有 Agent 的相关技能评分；在新会话启动时，canavar hook 将这些教训注入到上下文中。

效果是：当 backend-dev 学会了避免某种 SQL 注入写法，frontend-dev 也会在类似场景中获得提醒——AI 团队的知识是共享的。

技术栈解析

层级	技术选型	说明
核心运行时	Claude Code（需要 Claude Max）	依赖 Anthropic 的 Claude 模型
主语言	C#（仓库语言标记） / TypeScript（hooks）/ Node.js（CLI）	多语言混合项目
Hook 编译	TypeScript → esbuild → .mjs	独立打包，无共享运行时
记忆存储	PostgreSQL + pgvector（Docker）	向量相似度搜索，用于记忆检索
Agent 格式	Markdown + YAML frontmatter	纯文本定义，易于维护和版本管理
Skill 格式	prompt.md / SKILL.md	标准化知识库格式
规则格式	.md 文件	20 个行为准则
配置文件	TOML（`.codex/config.toml`、`.opencode/config.toml`）	多 IDE 支持
安装方式	npx / curl 一键 / git clone + install.sh	零依赖安装
可选 Docker	crawl4ai docker-compose	用于 AI 网页抓取功能

关键洞察：这是一个元框架——它本身不提供 AI 能力，而是构建在 Claude Code 之上，通过结构化的 Agent 组织、技能库和事件钩子，将底层的 LLM 能力编排成工程化的团队协作流程。它不训练模型、不调用自定义 API，纯粹是对 Claude Code hook 系统的极致发挥。

部署体验：上手有多难？

安装：只需要一行命令。

npx vibecosystem init
# 或
curl -fsSL https://raw.githubusercontent.com/vibeeval/vibecosystem/main/install-remote.sh | bash

安装脚本会自动将 138 个 Agent、296 项 Skills、74 个 Hooks、20 条 Rules 部署到 ~/.claude/ 目录。安装过程有合并模式（不覆盖已有配置）和覆盖模式可选，支持 6 种预制 Profile（minimal / frontend / backend / fullstack / devops / smart）按需加载。

硬件需求：极低。主程序是配置和脚本，不跑 GPU。Docker 可选（仅用于 crawl4ai 抓取服务）。

前提条件：Node.js >= 18 和 Git 即可运行核心功能。使用记忆系统（memory recall）需要 Docker（PostgreSQL + pgvector），但有 SQLite 回退。

局限：主程序依赖 Claude Code（需要 Claude Max 订阅），没有 Docker 支持（无法一键部署成独立服务）。这不是一个开箱即用的 SaaS 产品，而是一个需要 Claude Code 作为基座的插件生态。

争议与局限

Claude Code 强依赖：整个系统的价值建立在 Claude Code 的 hook + agent 机制上。如果 Anthropic 改变这些接口，vibecosystem 需要大规模重构。
学习成本不低：虽然安装简单，但要理解 138 个 Agent 的职责边界、74 个 Hook 的触发逻辑、5 阶段流水线的调度规则，需要投入相当的学习时间。
上下文爆炸风险：即使有自适应 Hook 加载，多 Agent 并发调用和记忆检索仍可能填满上下文窗口。文档中提到 token 优化（knowledge graph 6-71x 节省），但实际效果因项目复杂度差异很大。
土耳其语残留：部分 Agent 和 Skill 的说明文档（特别是 rules/ 目录）包含土耳其语注释，文档质量参差不齐。
多 IDE 支持的代价：同时支持 Claude Code、Codex CLI、Cursor 三种 IDE，导致配置文件分裂（.codex/、.opencode/、.cursor/rules/），增加了维护复杂度。

行业意义：多 Agent 协作的系统化尝试

vibecosystem 代表了一个重要的技术方向：从"一个 AI 写代码"到"一群 AI 协作写代码" 的范式转变。

传统的 AI 编程助手（如 GitHub Copilot）是"单人模式"——你在 IDE 里打字，AI 补全代码。而 vibecosystem 的思路是工程化：将软件开发分解为规划、开发、审查、测试、文档等多个专业环节，每个环节由专门的 Agent 负责，Agent 之间通过结构化的流水线协作。

这与 2025 年底至 2026 年初行业热议的"Agentic SWE"（Software Engineering with Agents）方向高度吻合。相比单独训练一个超级编码模型，通过多 Agent 协作来弥补单模型能力边界，可能是更务实、成本更低的路径。

从项目数据看，vibecosystem 自 2025 年中发布以来保持着高频迭代（v2.0 → v2.4 → v3.0），GitHub 活跃度健康，是该领域值得关注的前沿实践。

vibeeval 组织头像

vibeeval 组织标识

「AI 软件团队」——把 Claude Code 变成 138 人工程部

一个场景：凌晨 2 点，你发现线上有个 Bug

但在安装了 vibecosystem 的 Claude Code 里，故事完全不同。

这就是 vibecosystem 的核心愿景：不是给一个人配一个 AI 助手，而是给一个 AI 配一整个团队。

背景：vibe coding 的工程化困境

2025 年，Claude Code 发布后，业界掀起了"vibe coding"热潮——用自然语言指挥 AI 写代码。门槛低、上手快，一时间吸引了大量非技术背景用户入场。

但热潮退去后，问题浮现：vibe coding 的输出质量不可控。 AI 生成的代码缺少架构设计、缺少测试、缺少安全审查，返工率居高不下。

这是一个架构哲学的转变：从"一个强 AI 全能"，到"一群专能 AI 协作"。

核心机制：四大组件如何协同

1. 138 个专业 Agent：精细分工的 AI 工程师

每个 Agent 是一个 Markdown 文件，内含 YAML frontmatter（描述其职责、触发词、协作角色）和详细的 prompt 指令。Agent 分类覆盖 10 大领域：

领域	数量	代表 Agent
核心开发	14	frontend-dev、backend-dev、devops、browser-agent
审查与 QA	8	code-reviewer、security-reviewer、verifier、qa-engineer
领域专家	35	graphql-expert、kubernetes-expert、ddd-expert、redis-expert
架构设计	8	architect、planner、clean-arch-expert、cqrs-expert
测试工程	6	tdd-guide、e2e-runner、arbiter、mocksmith
DevOps 与云	12	aws-expert、gcp-expert、azure-expert、terraform-expert
数据分析	11	scout、sleuth、data-analyst、profiler、strategist
编排控制	16	nexus、sentinel、commander、neuron、vault、nitro
文档生成	6	technical-writer、api-doc-generator、copywriter
自主学习	7	self-learner、canavar、reputation-engine

2. 5 阶段 Agent Swarm：任务自动分阶段执行

当你提出一个功能需求，系统不是让一个 Agent 从头做到尾，而是启动一个 5 阶段协作流水线：

用户输入 → intent-classifier 分析意图 → agent-assignment-matrix 路由 → 阶段式执行
Phase 1 (Discovery):    scout + architect + project-manager 规划
Phase 2 (Development):  backend-dev + frontend-dev + devops + 领域专家 实现
Phase 3 (Review):       code-reviewer + security-reviewer + qa-engineer 审查
Phase 4 (QA Loop):      verifier + tdd-guide 验证，最多重试 3 次
Phase 5 (Final):        self-learner + technical-writer 总结与文档

每个阶段的结果都会反馈到下一阶段，形成一个完整的 Dev-QA 闭环。如果某阶段连续失败 3 次，系统会触发升级机制（重新分配任务或降低复杂度）。

3. 74 个 Hook：事件的感知与响应

Hooks 是 TypeScript 编写的插件（.mjs），运行在 Claude Code 的事件生命周期中。根据触发时机分为 6 类：

PreToolUse：工具执行前触发，可阻断（如 credential-deny 阻止越权操作）
PostToolUse：工具执行后触发（如 passive-learner 捕获错误模式）
UserPromptSubmit：用户发送消息时触发（如 intent-classifier 分类用户意图）
SessionStart：会话启动时触发（如 instinct-loader 注入历史教训）
SessionEnd：会话结束时触发（如 session-end-cleanup 整理状态）
Stop：Agent 停止响应时触发（如 compiler-in-the-loop-stop）

4. 自学习流水线：系统自己编写规则

这是 vibecosystem 最具创新性的设计——错误自动变成规则。

错误发生 → passive-learner 捕获模式（按项目标签）
→ instinct-consolidator 汇总计数（按项目 + 全局）
→ confidence >= 5 → 自动注入到下次会话上下文
→ 跨 2+ 项目、5+ 次数 → 提升为跨项目知识
→ 10x 重复出现 → 永久保存为 .md 规则文件

整个过程无需人工介入。系统不仅记录"错误是什么"，更记录"错误发生时的上下文"（代码模式、项目类型、语言），确保规则在相似场景中才被触发。

5. Canavar 交叉训练：一人犯错，全队受训

效果是：当 backend-dev 学会了避免某种 SQL 注入写法，frontend-dev 也会在类似场景中获得提醒——AI 团队的知识是共享的。

技术栈解析

层级	技术选型	说明
核心运行时	Claude Code（需要 Claude Max）	依赖 Anthropic 的 Claude 模型
主语言	C#（仓库语言标记） / TypeScript（hooks）/ Node.js（CLI）	多语言混合项目
Hook 编译	TypeScript → esbuild → .mjs	独立打包，无共享运行时
记忆存储	PostgreSQL + pgvector（Docker）	向量相似度搜索，用于记忆检索
Agent 格式	Markdown + YAML frontmatter	纯文本定义，易于维护和版本管理
Skill 格式	prompt.md / SKILL.md	标准化知识库格式
规则格式	.md 文件	20 个行为准则
配置文件	TOML（`.codex/config.toml`、`.opencode/config.toml`）	多 IDE 支持
安装方式	npx / curl 一键 / git clone + install.sh	零依赖安装
可选 Docker	crawl4ai docker-compose	用于 AI 网页抓取功能

部署体验：上手有多难？

安装：只需要一行命令。

npx vibecosystem init
# 或
curl -fsSL https://raw.githubusercontent.com/vibeeval/vibecosystem/main/install-remote.sh | bash

硬件需求：极低。主程序是配置和脚本，不跑 GPU。Docker 可选（仅用于 crawl4ai 抓取服务）。

前提条件：Node.js >= 18 和 Git 即可运行核心功能。使用记忆系统（memory recall）需要 Docker（PostgreSQL + pgvector），但有 SQLite 回退。

争议与局限

Claude Code 强依赖：整个系统的价值建立在 Claude Code 的 hook + agent 机制上。如果 Anthropic 改变这些接口，vibecosystem 需要大规模重构。
学习成本不低：虽然安装简单，但要理解 138 个 Agent 的职责边界、74 个 Hook 的触发逻辑、5 阶段流水线的调度规则，需要投入相当的学习时间。
上下文爆炸风险：即使有自适应 Hook 加载，多 Agent 并发调用和记忆检索仍可能填满上下文窗口。文档中提到 token 优化（knowledge graph 6-71x 节省），但实际效果因项目复杂度差异很大。
土耳其语残留：部分 Agent 和 Skill 的说明文档（特别是 rules/ 目录）包含土耳其语注释，文档质量参差不齐。
多 IDE 支持的代价：同时支持 Claude Code、Codex CLI、Cursor 三种 IDE，导致配置文件分裂（.codex/、.opencode/、.cursor/rules/），增加了维护复杂度。

行业意义：多 Agent 协作的系统化尝试

vibecosystem 代表了一个重要的技术方向：从"一个 AI 写代码"到"一群 AI 协作写代码" 的范式转变。

从项目数据看，vibecosystem 自 2025 年中发布以来保持着高频迭代（v2.0 → v2.4 → v3.0），GitHub 活跃度健康，是该领域值得关注的前沿实践。

vibeeval 组织头像

vibeeval 组织标识

社区活跃度

「AI 软件团队」——把 Claude Code 变成 138 人工程部

一个场景：凌晨 2 点，你发现线上有个 Bug

背景：vibe coding 的工程化困境

核心机制：四大组件如何协同

1. 138 个专业 Agent：精细分工的 AI 工程师

2. 5 阶段 Agent Swarm：任务自动分阶段执行

3. 74 个 Hook：事件的感知与响应

4. 自学习流水线：系统自己编写规则

5. Canavar 交叉训练：一人犯错，全队受训

技术栈解析

部署体验：上手有多难？

争议与局限

行业意义：多 Agent 协作的系统化尝试

社区活跃度

「AI 软件团队」——把 Claude Code 变成 138 人工程部

一个场景：凌晨 2 点，你发现线上有个 Bug

背景：vibe coding 的工程化困境

核心机制：四大组件如何协同

1. 138 个专业 Agent：精细分工的 AI 工程师

2. 5 阶段 Agent Swarm：任务自动分阶段执行

3. 74 个 Hook：事件的感知与响应

4. 自学习流水线：系统自己编写规则

5. Canavar 交叉训练：一人犯错，全队受训

技术栈解析

部署体验：上手有多难？

争议与局限

行业意义：多 Agent 协作的系统化尝试