用一句话启动跨职能AI团队：Claude Code里跑出真实工程流水线

作者提米哥

你有没有试过让AI写一个工具，结果它吭哧吭哧从查文档开始，写完需求再写代码，写完代码再想测试——全程排队等？就像一个人假装自己是整个开发组，还非得按顺序演完所有角色。

Assemble 不这么干。
它把你的一句话需求（比如：“做个命令行工具，分析 GitHub 仓库，输出开发者性格报告”），直接变成一支有项目经理、研究员、工程师、测试工程师的“虚拟小队”，真并行、有依赖、能暂停、可追问——就像你在 Slack 里拉了个临时攻坚群，大家各干各的，但谁卡住了、谁完成了、下一步该谁上，一清二楚。

而且，它不瞎编、不幻觉：每个团队都真实生成文件（docs/research-notes.md、src/gitdna/cli.py、docs/qa-checklist.md……），所有产出都落在你本地磁盘里，不是口头汇报。

下面带你走一遍真实流程——零代码基础也能看懂：

✅ 第一步：4个问题，定下整支队伍的方向

你只输入 /assemble，PM（项目经理）会挨个问你 4 个关键问题，像和真人技术负责人对齐需求一样：

PM: 什么目标？  
> 做个 CLI 工具，分析 git 历史 → 输出开发者性格报告（支持任意公开 GitHub 仓库）

PM: 有什么限制？  
> 只用 Python；不用付费 API；1000 次提交下必须 5 秒内跑完

PM: 怎么算“做完了”？  
> 能 `pip install gitdna`，然后运行 `gitdna analyze owner/repo`，输出一页 Markdown 报告

PM: 要哪些角色？不要哪些？  
> 要 Research（研究）、Engineering（开发）、QA（测试）；跳过 Design 和 Infra

答完，PM 立刻总结确认，你一眼看清全局——没糊弄、没遗漏、没隐藏假设。

✅ 第二步：看板先行——所有任务、依赖、输出，先画出来再动手

你还没点“开始”，就能看到完整的项目看板（Project Board），像一张施工蓝图：

[WAVE 1] — 立即启动  
┌ Research 团队  
│ 任务：对比 gitpython/pygit2/dulwich → 选最快库；找出 6 个能反映性格的代码行为信号  
│ 输出：docs/research-notes.md  
│ 状态：⏳ 等你点头  

[WAVE 2] — 必须等 Wave 1 完成才能启动  
┌ Engineering 团队  
│ 任务：用 Research 结果搭 CLI、写解析器、建分类器、生成报告  
│ 输出：src/ 下的完整代码 + docs/implementation-plan.md  
│ 依赖：Research 的输出文件  

┌ QA 团队  
│ 任务：设计测试用例、写单元测试、跑真实仓库集成测试、卡住性能红线（<5s）  
│ 依赖：Research + Engineering 的输出  
│ 状态：🔒 锁定中

你可以随时喊停、调整：“把 signal 提取步骤拆成两步” 或 “跳过设计文档”，看板实时重绘——控制权始终在你手上。

✅ 第三步：真实执行——并行开工，每步留痕

你敲下 yes，Wave 1 启动：Research 团队真去读 pygit2 文档、压测性能、写分析笔记……最后生成这份真实文件：

# docs/research-notes.md（Research 团队真实产出）

## 推荐库：pygit2  
- 比 gitpython 快 3 倍（实测 5000 提交 repo）  
- C 扩展，内存更稳，适合 CLI 场景  

## 6 个核心信号（全部可编程提取）：  
- 提交时间离散度（早/晚/午休时段分布）→ 最强性格预测因子  
- 单次提交修改文件类型混合度（前端/后端/配置混改？）  
- 消息平均长度 + 修改行数比值（重逻辑？重文档？）  
- ……（其余 3 项略）  

## 5 类开发者原型：  
1. The Architect（架构师）：高文件类型混合度 + 低消息长度/行数比  
2. The Firefighter（救火队员）：高频深夜提交 + 高单次 churn（大改）  
……

Wave 1 完成后，PM 自动解锁 Wave 2：Engineering 和 QA 同时开工——一个写代码，一个写测试，互不等待。
你随时能问：“QA 在干啥？” → PM 立刻告诉你当前进度；问：“现在整体状态？” → 它渲染最新看板。

✅ 第四步：交付不是“完成了”，而是“所有东西都在你硬盘里”

最终产出不是一句“搞定啦”，而是明明白白列在你面前的 9 个真实文件：

  • docs/executive-summary.md（总览报告）
  • docs/research-notes.md（库选型+信号定义）
  • docs/implementation-plan.md（实现路径图）
  • docs/qa-checklist.md（12 个单元测试 + 3 个集成场景）
  • src/gitdna/cli.py（Click 命令入口）
  • src/gitdna/parser.py（pygit2 封装解析器）
  • src/gitdna/classifier.py（加权信号打分器）
  • src/gitdna/reporter.py（Markdown 渲染器）
  • pyproject.toml（已配好打包配置）

✅ 全部可运行、可调试、可提交 Git——不是 demo，是起点。

💡 关键设计很“程序员”：

  • 不越俎代庖：PM 从不写代码，只管协调；每个团队都独立生成真实文件
  • 失败不硬扛：某团队卡住（比如缺云凭证），自动降级重试（切本地 mock）；再失败就等你拍板：“继续” or “hold”
  • 轻量可装：4 个纯文本配置文件（.md），复制粘贴进 Claude Code 插件目录即可用
  • 全链路可见：所有中间产物、决策依据、依赖关系，都在你眼皮底下

这不是又一个“AI 写代码”玩具，而是一套把 AI 当成可调度、可观察、可中断的工程资源的新范式——就像你给 Jenkins 配 Pipeline，只不过这次，Pipeline 是活的、会提问、会画看板、会等你 review。

直达网址：https://github.com/LakshmiSravyaVedantham/assemble

作加

类似文章