子代理开发
superpowers-subagent-dev
by axelhu
Use when executing implementation plans with independent tasks - coordinates task execution by dispatching subagents per task with verification checkpoints, adapted for OpenClaw's isolated session model
安装
claude skill add --url https://github.com/openclaw/skills文档
Superpowers Subagent 开发(OpenClaw 适配版)
概述
通过为每个任务 dispatch 独立 subagent 来执行计划,每个任务后进行两阶段审查:先审查规格合规,再审查代码质量。
为什么用 subagent: 将任务委托给专门 agent,隔离上下文。通过精确构造指令和上下文,确保它们专注并成功完成。Subagent 不应继承 session 历史——精确构造它们需要的上下文。
核心原则: 每个任务新鲜 subagent + 两阶段审查(规格合规 → 代码质量)
OpenClaw 适配说明
Superpowers 原版设计基于 Claude Code 的 Task/subagent 级联模型。OpenClaw 使用 sessions_spawn 创建独立 session,无法做到原生级联。
OpenClaw 适配方案:
- 主 agent 作为 controller,协调所有工作
- 用
sessions_spawn(mode="run")dispatch 一次性任务 subagent - Subagent 结果通过 session 历史或文件系统传递
- 审查在主 session 内 inline 执行(或 spawn 独立审查 session)
- 复杂审查任务用
sessions_spawn
使用条件
有实现计划?
→ 任务大多独立?
→ 在本 session 内工作?
→ 用 subagent-dev(这个技能)
→ 并行独立 session?
→ 用 sessions_spawn 并行 dispatch
→ 手动执行或先 brainstorming
流程
每次任务
-
读取计划,提取所有任务
- 读取计划文件一次
- 提取所有任务及其完整文本和上下文
- 创建任务列表
-
Dispatch 实现者 subagent
code使用 sessions_spawn: - mode: "run"(一次性任务) - task: 完整任务文本 + 上下文 - cwd: 项目目录 -
Subagent 提问处理
- 如果 subagent 提问 → 回答问题,提供上下文
- 重新 dispatch 或继续
-
Subagent 实现、测试、commit、自审
- 实现者完成工作
- 运行测试
- Commit
- 自审
-
规格合规审查(主 session inline 或 spawn)
- 检查实现是否满足计划中的规格
- 发现问题 → 反馈给实现者修复 → 重新审查
- 通过 → 继续
-
代码质量审查
- 检查代码质量:DRY、命名、测试设计
- 发现问题 → 修复
- 通过 → 继续
-
标记任务完成,继续下一个
任务后
所有任务完成后:
- 做最终代码审查
- 调用
superpowers-finishing-branch完成工作
模型选择
用能处理任务的最弱模型,节省成本增加速度:
| 任务类型 | 示例 | 模型 |
|---|---|---|
| 机械实现任务 | 孤立函数、清晰规格、1-2 文件 | 快速便宜模型 |
| 集成和判断任务 | 多文件协调、模式匹配、调试 | 标准模型 |
| 架构设计和审查任务 | 需要设计判断或广泛代码库理解 | 最强模型 |
处理 Subagent 状态
Subagent 报告四种状态之一。适当处理:
DONE: 继续规格合规审查。
DONE_WITH_CONCERNS: 实现者完成但标记了疑虑。先读关注点再继续。如果关注点涉及正确性或范围,先解决再审查。
NEEDS_CONTEXT: 实现者需要未提供的信息。提供缺失上下文并重新 dispatch。
BLOCKED: 实现者无法完成任务。评估阻塞:
- 如果是上下文问题,提供更多上下文并用相同模型重新 dispatch
- 如果任务需要更多推理,用更强模型重新 dispatch
- 如果任务太大,拆成更小的块
- 如果计划本身有问题,上报给主人
永远不要忽略升级或强制相同模型重试而不做变更。
Red Flags
永远不要:
- 在 main/master 分支上开始实现(没有主人明确同意)
- 跳过审查(规格合规或代码质量)
- 有未修复问题时继续
- 同时 dispatch 多个实现 subagent(冲突)
- 让 subagent 读计划文件(直接提供完整文本)
- 跳过场景设置上下文(subagent 需要理解任务在哪里_fit)
- 忽略 subagent 的提问(先回答再让他们继续)
- 接受"差不多"的规格合规(审查发现问题 = 没完成)
- 跳过审查循环(审查发现问题 = 实现者修复 = 重新审查)
- 让实现者自审替代实际审查(两者都需要)
- 在规格合规通过前开始代码质量审查(顺序错误)
- 有公开问题时继续下一个任务
集成
必需的工作流技能:
superpowers-writing-plans— 创建这个技能执行的计划superpowers-finishing-branch— 所有任务完成后的收尾superpowers-tdd— Subagent 每个任务遵循 TDD
替代工作流:
sessions_spawn并行 dispatch — 用于独立问题的并行调查- 顺序执行 — 在主 session 内按批次执行
相关 Skills
Claude接口
by anthropics
面向接入 Claude API、Anthropic SDK 或 Agent SDK 的开发场景,自动识别项目语言并给出对应示例与默认配置,快速搭建 LLM 应用。
✎ 想把Claude能力接进应用或智能体,用claude-api上手快、兼容Anthropic与Agent SDK,集成路径清晰又省心
计算机视觉
by alirezarezvani
聚焦目标检测、图像分割与视觉系统落地,覆盖 YOLO、DETR、Mask R-CNN、SAM 等方案,适合定制数据集训练、推理优化及 ONNX/TensorRT 部署。
✎ 把目标检测、图像分割到推理部署串成完整工程链路,主流框架与 YOLO、DETR、SAM 等方案都覆盖,落地视觉 AI 会省心很多。
智能体流程设计
by alirezarezvani
面向生产级多 Agent 编排,梳理顺序、并行、分层、事件驱动、共识五种工作流设计,覆盖 handoff、状态管理、容错重试、上下文预算与成本优化,适合搭建复杂 AI 协作系统。
✎ 帮你把多智能体流程设计、编排和自动化统一起来,复杂工作流也能更稳地落地,适合追求强控制力的团队。
相关 MCP 服务
知识图谱记忆
编辑精选by Anthropic
Memory 是一个基于本地知识图谱的持久化记忆系统,让 AI 记住长期上下文。
✎ 帮 AI 和智能体补上“记不住”的短板,用本地知识图谱沉淀长期上下文,连续对话更聪明,数据也更可控。
顺序思维
编辑精选by Anthropic
Sequential Thinking 是让 AI 通过动态思维链解决复杂问题的参考服务器。
✎ 这个服务器展示了如何让 Claude 像人类一样逐步推理,适合开发者学习 MCP 的思维链实现。但注意它只是个参考示例,别指望直接用在生产环境里。
PraisonAI
编辑精选by mervinpraison
PraisonAI 是一个支持自反思和多 LLM 的低代码 AI 智能体框架。
✎ 如果你需要快速搭建一个能 24/7 运行的 AI 智能体团队来处理复杂任务(比如自动研究或代码生成),PraisonAI 的低代码设计和多平台集成(如 Telegram)让它上手极快。但作为非官方项目,它的生态成熟度可能不如 LangChain 等主流框架,适合愿意尝鲜的开发者。