Agent Workflow：让 AI Agent 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：
| 规模 | 并发方案 | 复杂度 |
|---|---|---|
| 个人 | 文件标记 | 低 |
| 小团队 (2-5人) | 角色分工 + 文件标记 | 低 |
| 中型团队 (6-20人) | Git 分支隔离 | 中 |
| 企业级 (20+人) | 所有权注册表 | 高 |
4. 项目阶段全覆盖
5 个场景覆盖全生命周期：
| 场景 | 阶段 | 主导文件 |
|---|---|---|
| A: 新项目 | 规划 → 开发 → 测试 → 上线 | PLAN.md |
| B: 中途接手 | 探索期 | PLAN.md |
| C: 迭代开发 | 开发期 | PLAN.md |
| D: 测试修复 | 测试期 | BUG-BOARD.md |
| E: 线上热修 | 维护期 | BUG-BOARD.md |
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
- 打开多个 Agent 窗口
- 在 PLAN.md 中添加任务
- 分配任务给对应 Agent
- Agent 完成后验证
- 发现 bug 写入 BUG-BOARD.md
设计理念
核心哲学
-
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
-
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
-
异步优先
- Agent 之间不互相等待
- 通过文件协作，提高并行度
-
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
- 新增 “DSH Interaction Rules” - 适配 DSH 的交互式 UI，使用
ask_user_question工具 - 优化 Step 1 问题收集 - 改为分批提问（Batch 1/2/3）
- 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