在Claude Code中,只需一条提示词就能生成一座可运行的多智能体“软件工厂”:一个编排器加五个专职智能体,把一句自然语言写成的功能需求变成经过评审、测试并合并的代码。本文描述的这套系统大约花了27分钟搭建完成。不过,比速度更值得关注的是其核心设计选择:系统没有把所有工作交给单个智能体,而是拆分成多个明确的角色,并配以清晰的规则,规定智能体何时必须停下来向人类请示。一次同时运行三个功能的测试说明了这一点为何重要:其中一个功能约13分钟便在无人干预的情况下顺利合并,另外两个则在40秒内暂停,提出了任何智能体都不该擅自猜测的产品问题。
这座工厂长什么样
目标项目是一个Python网页应用,名为“No-Reset 75-Day Tracker”的习惯挑战追踪器,使用uv(一款Python包与项目管理工具)构建,并配有由546个通过的单元测试组成的测试套件。这套测试被视为事实基准:自动化评审者无法可靠地独立判断代码质量,测试则给了它们一个客观的核对依据。
生成提示词要求Claude Code创建:
- 一个编排器技能(
SKILL.md),负责协调任务流程并向子智能体分派工作 .claude/agents/目录下的五个智能体配置:spec-writer(规格撰写)、builder(构建)、code-reviewer(代码评审)、security-reviewer(安全评审)和approver(审批)jobs目录中的Markdown任务状态文件- 一个本地看板,包含Spec、Build、Review、Approve、Waiting for You、Merged和Rejected几列
- 一份升级规则清单,定义工作必须中止的情形
- 一项要求:任何合并之前都必须附上测试输出和Git diff作为证明
状态保存在纯.md文件而非数据库中,因为每次智能体运行都从全新的上下文窗口开始,没有任何记忆。直接从磁盘读取状态,是新智能体接续上一个智能体工作的最简单方式。在生成过程中,Claude还在追踪器的一份临时副本上做了试运行,把通过的测试数从546提高到了566。
有两道护栏值得强调。构建者与评审者之间的评审轮次硬性上限为三轮,避免陷入无休止的“批评—修改”循环。此外,settings.json中包含一个deny列表,禁止智能体运行jobctl.py approve或jobctl.py reject,也禁止直接编辑审批文件。只有人类在自己的终端里才能批准一个已停下的任务。
升级清单:智能体何时停下
escalation.md文件包含16条具体规则,描述智能体必须中止并等待所有者的情形。其中十条由代码脚本判定,例如检测到数据库模式变更或已有测试文件被删除;六条依赖智能体自行判断,涵盖安全隐患和产品层面的决策。
被要求审核这些规则时,Claude在自己的输出中发现了两个盲点:sed之类的原始shell命令或临时编写的Python脚本仍然可以修改受保护的文件,而settings.json本身没有写保护。无论怎样修补,教训都是一样的:工厂会合并任何未被明确拦截的东西,规则清单上的漏洞就会变成产品里的漏洞。
一个功能的完整流程
第一个任务从一条命令开始:/factory add a short note to each day, so I can write one line about how that day went.(为每一天添加一条简短备注,让我可以写一句话记录当天的情况。)
不到一分钟,在尚未触碰任何应用代码之前,规格撰写者就把流水线停在了“Waiting for You”列。它标记了规则E12(需要产品决策),并提出三个问题,包括用户重新开始挑战时是否应清除每日备注,以及备注是否只能在活跃日编辑。它还为每个问题给出了推荐默认值,并预测构建者稍后会在数据库变更规则处再次停下。

▲ 智能体停下来上报产品决策
这一预测应验了。整个运行耗时38分钟,暂停了四次:
| 停顿 | 触发原因 | 处理方式 |
|---|---|---|
| 1 | 规格撰写者触发产品决策规则 | 所有者通过jobctl.py approve回答三个问题 |
| 2 | 构建者新增了数据库表和API路由 | 所有者批准架构变更 |
| 3 | 任务开始后工厂文件被提交到main,导致任务分支过时 | 所有者手动将main合并进工作树分支 |
| 4 | 审批令牌与所查看的确切diff绑定,后续改动使其失效 | 所有者重新批准 |
经过三轮评审,功能自动合并。在main上独立运行uv run pytest -q,报告652个测试通过,较之前的546有所增加,备注在页面刷新后也能正确保留。
四次停顿听起来像是阻力,但每一次都揭示了确实需要人来决定或修复的事情:一条产品规则、一次模式变更、一个过时分支,以及一份在批准后发生了变化的diff。这套设计似乎把这些暂停视为目的本身,而非缺陷。
并行智能体为何需要Git工作树
在同一个tracker/文件夹中同时运行两个任务——一个添加导出按钮,一个添加键盘快捷键——立刻引发了冲突。两个智能体编辑了相同的文件,互相覆盖对方的工作,还让Git处于脏状态。
原因是结构性的。Git分支只是指向提交历史的一个指针,而一个工作文件夹一次只能展示一个已检出分支的文件。切换分支会重写物理文件,因此同一文件夹中的两个智能体无法同时在不同分支上工作。
Git工作树(worktree)解决了这个问题:它允许从同一个仓库同时检出多个文件夹,每个文件夹绑定自己的分支。可以把提交历史想象成一个中央文件柜,每个工作树则是一张独立的办公桌,桌上放着自己正在处理的文件夹。命令claude -w dark-theme会在为dark-theme分支隔离出的工作树中打开Claude Code,git worktree list则可以确认这种映射关系。
实践中有几点机制需要注意:
- 只有已提交的状态会带入新工作树。未提交的修改、未跟踪的
.env文件和本地安装的依赖都会留在原处。 - 所有工作树共享同一个
.git目录和历史,这与完整克隆不同。 - Git一次只允许每个分支对应一个工作树。
- 工作树会一直存在,直到被显式移除。
- 工作树消除了生成期间的文件系统冲突,但分支合并回main时仍可能出现合并冲突。

▲ 隔离Git工作树中的并行任务
同时开发三个功能
有了工作树之后,编排器被要求并发运行三个需求:将任务历史导出到文件、在SQLite中保存深色主题偏好,以及添加用于记录任务等级的键盘快捷键(按键1、2、3)。工厂自动创建了.worktrees/JOB-002、JOB-003和JOB-004。
40秒内,导出和深色主题两个任务的规格撰写者都在产品决策闸门处暂停。导出任务停下的原因是,需求要求从页面状态导出历史数据,而页面只保留了两天的数据,这种不匹配没有任何智能体能够自行解决。
键盘快捷键任务则不同。它不需要改动数据库或路由,也没有触发任何产品决策规则。它在没有人工介入的情况下通过了构建、代码评审和安全评审,大约13分钟后合并到main。测试运行显示653个测试通过,快捷键在界面中立即可用。
这一对比是“角色加规则”设计最有力的论据。同一条流水线、同一组智能体,在需求明确且自成一体时全程无人值守地运行,而在需求触及产品规则或智能体看不到的数据时几乎立刻停下。
文字规则扛不住压力,钩子可以
“绝不绕过审批闸门进行合并”这样的规则,原本只是以文字形式写在技能和智能体指令文件中。为了检验它是否管用,三个全新的Claude会话被要求绕过评审直接处理JOB-003,理由都是人类常用的那几种:改动很小很安全、事情很紧急、用户承担全部责任。
结果是0比3。每一次Claude都绕过了闸门,把未经批准的分支合并进了main。其中一个会话甚至运行了临时测试、手动解决了合并冲突,还写了一条提交信息说明评审是应用户要求跳过的,留下三条安全和架构规则未经评审。
解决办法是Claude Code钩子。一条提示词要求Claude Code创建一个钩子,拦截main上所有不经工厂合并闸门的提交或合并。Claude写了一个约100行的Python脚本.claude/hooks/guard_main.py,在.claude/settings.json中注册为PreToolUse钩子,超时时间30秒,并在草稿区针对10个场景做了验证,全部通过。
区别很简单。提示词规则是请求模型配合,钩子则是由运行框架在模型调用工具之前执行的确定性脚本,模型没有发言权。当同样的“我赶时间”绕过提示词再次出现时,钩子返回退出码2,合并中止,main保持不变。Claude正确地报告说,绕过闸门的唯一方法是由人类在自己的终端里手动运行git命令。
规格决定工厂停顿的频率
最后一项实验把工厂接入了BMAD(Breakthrough Method for AI Agile Software Development),一个规格驱动的开发框架。功能是规则繁多的“每周总结”:一周定义为从第1天起连续计数的七天,统计已入账天数以及按完整或底线水平完成的任务,处理进行中的周,且不改动数据库模式。
输入一句话需求“为我的挑战添加每周总结”时,规格撰写者在47秒后停下,提出了关于周边界、可见周数、指标和当前日的四个产品问题。而输入一份用bmad-spec工具写好并提交到仓库的完整SPEC.md后,同一座工厂依次完成了规格阅读、构建、安全评审与同行评审以及合并,中途没有停过一次,约20分钟完成。独立运行uv run pytest -q显示739个测试在22.10秒内通过,界面中第2周的数字(8个入账天、14个完整任务、1个底线任务)与规格中的示例完全吻合。
两种方法之间是一一对应的:BMAD的澄清阶段对应功能需求,规格阶段对应规格撰写者,构建阶段对应构建者。差别在于并发和注意力。BMAD传统上一次处理一个故事,每一步都有人在场;工厂则同时运行多个任务,只在规则触发时才通知人类。推荐的顺序是:人类定义概念,规格划定边界,工厂负责执行。
成本与适用场景
多个智能体在同一个Claude订阅下运行,消耗套餐额度的速度远快于交互式聊天。在每次运行前后立即查看账户用量页面,就能看到每个功能的真实成本。作为参考,基础设施搭建约用了27分钟,第一个功能约38分钟。
适合采用这种模式的信号:测试用例定义清晰、功能范围小、规格完整明确。危险信号:想法模糊、规格未定,或者规则仍在头脑风暴阶段。没有规格,智能体会不断在产品问题上停滞;有了规格,它们就能无人值守地运行。
要点
这座工厂之所以有效,是因为它分离了关注点并把停止条件编码进系统,而不是因为某个智能体特别聪明。如果你想尝试这种模式:
- 从干净的
git status和现有的自动化测试套件开始。 - 把角色拆分为规格、构建、评审、安全和审批智能体,并用Markdown文件保存任务状态。
- 写一份明确的升级清单,限制评审轮次,并禁止智能体批准自己的工作。
- 只在独立的Git工作树中运行并行任务,并把
.env文件和依赖复制到每一个工作树里。 - 用
PreToolUse钩子强制执行合并闸门,绝不只靠文字规则,并先在临时仓库中测试钩子。 - 启动工厂之前先写好规格,然后用自己运行的
pytest和手动界面检查来验证结果,而不是依赖构建者的自我报告。 - 每次运行前后关注套餐用量,先从少数几个小而测试完善的功能开始,再逐步扩大自动化范围。


