gent Workflow:让AIAgent真正协作起来的开发方法论

项目地址

GitHub: https://github.com/firstsaofan/agent-workflow

前言

你是否遇到过这样的场景：

• 开了多个 AI Agent 窗口，但它们各干各的，互相不知道对方在做什么

• AI 说"修复完成"，你验证后发现根本没修好

• Agent A 修改了 Agent B 正在用的文件，导致冲突

• 项目大了之后，AI 的上下文经常丢失，重复劳动

这些问题的根源是：缺乏一套让 AI Agent 协作的工作方法论。

Agent Workflow 就是为了解决这个问题而诞生的。

这个项目解决了什么问题？

1. Agent 之间的协作混乱

问题：多个 Agent 同时工作，但没有统一的通信机制，互相踩脚。

解决方案：通过 PLAN.md 和 BUG-BOARD.md 两个文件作为异步通信总线。

 Agent A（前端）──写入──→ PLAN.md ←──读取── Agent B（后端）
                               ↑
                         人类协调者

• Agent 之间不直接通信

• 通过文件间接协作

• 人类作为协调者把控全局

2. AI 自我评估不可信

问题：AI 说"测试通过"、"修复完成"，但实际并非如此。

解决方案：核心原则——人做裁判，Agent 做执行。

• 每次修改必须人工验证

• 不信任 AI 的自我评估

• 运行测试、检查输出、确认行为

3. 缺乏任务跟踪

问题：任务分散在对话中，无法追踪进度。

解决方案：文件化的任务看板。

 # PLAN.md - 任务列表
 - [x] [前端] 用户登录页面
 - [ ] [后端] 用户认证 API
 - [ ] [前端] 用户列表页面
 
 # BUG-BOARD.md - Bug 看板
 ## 待修复
 ## 【前端】登录按钮无响应
 
 ## 修复中
 ## 已修复待验证

4. 技术栈锁定

问题：现有的 AI 工作流工具大多绑定特定技术栈（如 .NET）。

解决方案：技术栈无关的核心设计。

• 通过 project-config.md 用户自配置

• AI 辅助生成配置文件

• 适用于任何语言和框架

项目优点

1. 极简设计

只需要两个文件就能启动：

• PLAN.md - 任务队列

• BUG-BOARD.md - Bug 看板

没有复杂的框架依赖，没有学习成本。

2. 通用性强

适用于：

• 任何技术栈：JavaScript、Python、Go、Java、.NET、...

• 任何团队规模：个人开发者 → 小团队 → 中型团队 → 企业级

• 任何项目阶段：新项目 → 开发中 → 测试期 → 维护期

• 任何 AI 工具：ZCode、Cursor、DeepSeek、Copilot、...

3. 分层并发方案

根据团队规模自动适配：

4. 项目阶段全覆盖

5 个场景覆盖全生命周期：

5. 跨工具兼容

通过 .agents/skills/ 目录结构，兼容所有支持该约定的工具：

• ZCode

• Cursor

• DeepSeek

• GitHub Copilot

• 任何支持该发现机制的工具

6. 开源且可扩展

• MIT 许可证，完全自由使用

• 贡献指南完善

• 可以添加新的技术栈预设

• 可以添加新的场景模板

快速上手

1. 安装

 # 克隆到项目
 git clone https://github.com/firstsaofan/agent-workflow.git .agents/skills/agent-workflow

2. 配置

让 AI 帮你生成配置：

 请分析我的项目并生成 agent-workflow 配置文件。
 项目路径：[你的项目路径]

3. 初始化

告诉 AI：

 Set up agent workflow for my project

4. 开始使用

1. 打开多个 Agent 窗口

2. 在 PLAN.md 中添加任务

3. 分配任务给对应 Agent

4. Agent 完成后验证

5. 发现 bug 写入 BUG-BOARD.md

设计理念

核心哲学

1. 人做裁判，Agent 做执行

• 人类负责决策和验证

• Agent 负责编码和修复

2. 文件即通信总线

• Agent 之间不直接通信

• 通过 PLAN.md 和 BUG-BOARD.md 间接协作

3. 异步优先

• Agent 之间不互相等待

• 通过文件协作，提高并行度

4. 质量先于速度

• 每次修改必须验证

• 不信任 AI 的自我评估

适用场景

个人开发者

• 1-2 个 Agent 窗口

• 简单三列看板

• 无需额外配置

小团队 (2-5人)

• 按角色分工

• 角色标签任务

• 简单文件标记锁

中型团队 (6-20人)

• 按模块组织

• Git 分支隔离

• 模块所有权机制

企业级 (20+人)

• 团队目录结构

• 所有权注册表

• 跨团队审批流程

总结

Agent Workflow 不是一个复杂的框架，而是一种工作方式的约定。

它解决的核心问题是：如何让多个 AI Agent 高效协作，同时保持人类的控制权。

通过文件驱动的异步协作模式，它让：

• Agent 之间有了统一的通信机制

• 人类能够把控质量和方向

• 任何技术栈都能使用

• 任何团队规模都能适配

如果你正在使用 AI Agent 辅助开发，不妨试试这个方法论。

develop_dshskill分支是我基于master分支在deep seek harness做的测试，细节可以看commit信息，如果使用其他的agent，可以让你的agent基于这个分支的修改做你自己的agent适配

1. 新增 "DSH Interaction Rules" - 适配 DSH 的交互式 UI，使用 ask_user_question 工具

2. 优化 Step 1 问题收集 - 改为分批提问（Batch 1/2/3）

3. 新增 "DSH Integration Notes" - 替换原来的 "Cross-Tool Compatibility"

相关链接

• GitHub: https://github.com/firstsaofan/agent-workflow

• 使用教程: 见仓库中的 TUTORIAL.md

• 贡献指南: 见仓库中的 CONTRIBUTING.md

参考

• DHH 的 AI 工作流实践

• 文件驱动开发理念

• 看板方法论