下载地址
https://www.zhengdianxue.com/wp-content/uploads/skills/org-dh1hrc5s--ai-agent-dev-orchestrator.zip将提示词发送给你的 AI 安装该 skills
请根据 https://skillhub.cn/install/skillhub.md，安装 @org-dh1hrc5s/ai-agent-dev-orchestrator。阅读全文 （展开查看完整说明）
概述
把一次 AI 辅助开发任务组织成可核对的五阶段流水线：需求规格化 → 影响分析 → 编码 → 重构 → 架构审查，用测试基线对比与 P0 证据门拦住回归，自动完成 git 分支、提交与合并。可被 Agent 客户端通过 MCP 调用，也可用 CLI 独立运行。
何时使用（Priority Rules）
当用户请求在已有代码仓库上实施开发任务，且满足以下任一特征时，应优先使用本 Skill 编排完整流水线：
- 需求含糊，需要先转成结构化规格（功能需求 FR + 验收标准 AC）；
- 改动涉及多个文件、存在调用关系或复用风险，需要影响分析定位；
- 任务对「不破坏现有功能」有要求，需要测试基线回归防护；
- 用户要求「不要只改局部，要考虑架构一致性」（由重构与架构审查兜底）。
不适用场景：纯问答、单文件草稿、非 git 仓库的一次性脚本——直接用通用编码能力即可。
核心能力
| 能力 | 说明 |
|---|---|
| 五阶段流水线 | requirements → impact → coding → refactor → review，LangGraph 状态机驱动 |
| 回归防护 | 改动前/后测试基线对比；P0 证据门：改动行覆盖率、同义反复测试拦截、AC 符号可追溯性 |
| 失败回流 | 审查不过自动带反馈回流编码节点，最多 N 轮（默认 3） |
| Git 自动化 | 自动建分支、每阶段提交、测试全绿后自动合并（可配置） |
| 双入口 | agent-run CLI 与 MCP server（run_task / get_task_status / get_final_report） |
使用方式
方式 A：MCP（推荐用于 Agent 客户端）
在支持 MCP 的客户端中接入本 Skill 的 agent-orchestrator-mcp 服务器，然后按以下流程驱动：
- 调用
run_task(description, repo_path)启动流水线，立即返回task_id； - 每约 15 秒调用一次
get_task_status(task_id)获取阶段进度简报并转述给用户； - 状态变为
done后，调用get_final_report(task_id)获取终稿报告全文。
方式 B：CLI
pip install -e scripts/ # 首次安装：把 scripts/ 下的 Python 包以 editable 方式装进当前环境
agent-run "为 login 模块补充单元测试并修复发现的边界问题" --repo /path/to/repo --config scripts/config.yaml参数说明：
description：自然语言任务描述（必填，位置参数）--repo：目标代码仓库路径（必填，必须是 git 仓库）--config：配置文件路径，默认config.yaml--provider：强制指定 LLM provider（如deepseek/openai/anthropic/fake）
环境要求
- Python ≥ 3.11
- 目标仓库必须是 git 仓库（自动分支/提交/合并依赖它）
- 按
scripts/config.yaml中 provider 配置提供 API key 环境变量：
| provider | 环境变量 | 说明 |
|---|---|---|
| deepseek（默认） | ANTHROPIC_AUTH_TOKEN | 走 Anthropic 兼容端点，Bearer token 鉴权 |
| openai | OPENAI_API_KEY | 标准 OpenAI 接口 |
| anthropic | ANTHROPIC_API_KEY | 标准 Anthropic 接口 |
| fake | 无 | 本地假 LLM，用于链路冒烟/测试 |
配置说明（scripts/config.yaml）
max_iterations：审查不通过时的最大回流轮数llm.providers：provider 定义（type / model / api_key_env / base_url / auth_token）llm.agent_models：各 agent 节点（requirements / coding / refactor / reviewer / test_gen）使用的 providergit：分支前缀、是否建远程 PR、是否自动合并（auto_merge）tests.command：测试运行命令（auto自动探测）gate：P0 证据门开关（覆盖率采集、baseline 失败拦截、AC 可追溯性）
目录结构
ai-agent-dev-orchestrator/
├── SKILL.md 本文件
├── scripts/ 可执行代码（Python 包 + 配置）
│ ├── pyproject.toml 包定义（console scripts: agent-run / agent-orchestrator-mcp）
│ ├── config.yaml 默认配置
│ └── src/agent_orchestrator/ 源码包
│ ├── agents/ 五类 agent（requirements/impact/coding/refactor/reviewer/test_gen）
│ ├── infra/ 基础设施（LLM 客户端、git 操作、测试运行器、符号索引、影响引擎）
│ ├── graph.py LangGraph 流水线状态机
│ ├── mcp_server.py MCP server（run_task / get_task_status / get_final_report）
│ └── cli.py CLI 入口
└── references/ 按需加载的参考资料
├── prompts/ 各 agent 的提示词模板（含严格 JSON 输出契约）
├── docs/ 设计文档（流水线架构、MCP 进度简报设计）
└── examples/ 示例（demo_calc 计算器及其测试）注意事项
- 流水线会自动执行 git 提交与（可选）合并：使用前务必确认
--repo指向正确的仓库。 - 默认 provider 为 deepseek；未配置 API key 时可用
fakeprovider 做链路冒烟。 - 终稿报告与各阶段产物写入目标仓库的
.agent-orchestrator/目录。 - 编码 agent 的提示词要求严格 JSON 输出（
actions/notes契约），详见references/prompts/coding.txt。
