FlowKit

📝 博客深度解读: FlowKit: AI 原生工作流编排工具集 —— 设计动机、核心架构、设计决策与踩坑经验详解

AI 原生工作流编排工具集 —— 从任务分析到验证交付的结构化管道。

English | 中文

Pipeline 架构总览

                              ┌──────────────────────────────────────────────────┐
                              │                  FlowKit 管道                    │
                              └──────────────────────────────────────────────────┘
         ┌───────────┐   ┌───────────┐   ┌───────────┐   ┌───────────┐
  Input──▶│  Stage 0  │──▶│  Stage 1  │──▶│  Stage 2  │──▶│  Stage 3  │──┐
         │ 前置检查  │   │ Prompt优化│   │ 深度思考  │   │ 确定性规划│  │
         └───────────┘   └───────────┘   └───────────┘   └───────────┘  │
                                                                            │
         ┌──────────────────────────────────────────────────────────────────┘
         │
         ▼
    ┌───────────┐   ┌───────────┐   ┌───────────┐   ┌───────────┐
    │ Stage 3.5 │──▶│ Stage 3.6 │──▶│  Stage 4  │──▶│  Stage 5  │──┐
    │ Plan Review│  │ 多角色面板│   │ 多Agent执行│  │  完成验证 │  │
    └───────────┘   └───────────┘   └───────────┘   └───────────┘  │
                                                                       │
         ┌──────────────────────────────────────────────────────────────┘
         ▼
    ┌─────────────────┐
    │  Stage 5.5/5.7  │  ── 未达标时自动迭代，Ralph Loop 强制持续
    │  自主迭代引擎   │
    └─────────────────┘

为什么造这个轮子

使用 AI 编程助手（Claude Code、Cursor 等）的过程中发现一个核心问题：Agent 能力很强但缺乏纪律性。它们跳过验证、忽略边界情况、用"应该可以"来宣布完成。FlowKit 把软件工程的严谨性注入 AI Agent 工作流 —— 让"感觉驱动的编码"变成可重复的工程流程。

核心模块

模块	定位	一句话亮点
flow	轻量编排引擎	按需启用 —— 通过参数控制管道阶段
flow-deep	全量深度引擎	强制全开 —— 所有关卡不可跳过
multi-agent	多 Agent 协作	tmux 分屏并行 + 阶段间复用
prompt	Prompt 评分	乔哈里视窗 + 3S 原则量化评估

设计亮点

1. Iron Laws —— 不可协商的执行铁律

四条规则，每条配备合理化辩解对照表，防止 LLM 自我辩解跳过：

  IL-1 · TDD                  IL-2 · Verify
  ┌────────────────┐          ┌────────────────┐
  │ No prod code   │          │ No "done"      │
  │ without failed │          │ without fresh  │
  │ test           │          │ evidence       │
  └───────┬────────┘          └───────┬────────┘
          │                           │
          ▼                           ▼
   "too simple"               "should work"
          │                           │
          └──────────┬────────────────┘
                     ▼
          ┌─────────────────────┐
          │ Rationalization Tbl │
          │ excuse -> rebuttal  │
          └─────────────────────┘

  IL-3 · Debug                 IL-4 · Review
  ┌────────────────┐          ┌────────────────┐
  │ No code change │          │ Review is      │
  │ without root   │          │ read-only      │
  │ cause          │          │ never modify   │
  └────────────────┘          └────────────────┘

IL-1: 无失败测试不写生产代码 · IL-2: 无新鲜证据不宣布完成 · IL-3: 无根因确认不改代码 · IL-4: 审查只读永不修改

2. Auto-Decide Layer —— 减少 80% 人工评审

多角色面板评审（Stage 3.6）中，6 条原则自动分类发现项：

  发现项输入
      │
      ▼
  ┌──────────────────────┐
  │   Auto-Decide Layer  │
  ├──────────────────────┤
  │                      │
  │  P1 行业标准 ────────┼── 违反 → 自动修复 (AUTO_FIX)
  │  P2 风险阈值 ────────┼── 高风险 → 修复 / 低风险 → 通过
  │  P3 一致性   ────────┼── 与已有一致 → 自动通过 (AUTO_APPROVE)
  │  P4 YAGNI    ────────┼── 过度设计 → 上浮给用户 ⚖️
  │  P5 安全优先 ────────┼── 安全相关 → 自动修复
  │  P6 不可逆性 ────────┼── 不可逆 → 上浮给用户 ⚖️
  │                      │
  └──────┬───────┬───────┘
         │       │
         ▼       ▼
   ┌──────────┐  ┌──────────────────┐
   │ 80% 自动 │  │ 20% Taste       │
   │ 处理完毕 │  │ Decision 上浮   │
   │ (静默)   │  │ 给用户决策      │
   └──────────┘  │ (通常 < 5 条)   │
                 └──────────────────┘

只有 Taste Decision（品味决策）需要人工 —— 通常 < 5 条，而非 20+ 条。

3. STATE.md —— 跨会话恢复

管道内置崩溃恢复机制：

  会话在 Stage 4 Phase 2 中断 💥
          │
          ▼
  ┌─────────────────────────┐
  │    .plan/STATE.md        │
  │                          │
  │  current_stage: 4        │
  │  current_phase: 2        │
  │  next_action: "Stage 5"  │
  │  progress: 65%           │
  └──────────┬──────────────┘
             │
             ▼
  新会话读取 STATE.md
          │
          ▼
  "上次停在 Stage 4 Phase 2
   —— 恢复还是重新开始？"
          │
          ▼
  从断点精确恢复 ──▶ 继续执行

GSD、GStack 等社区框架均无此能力。

4. Prompt 量化评分

基于乔哈里视窗理论 + 3S 原则：

                AI 知道           AI 不知道
            ┌──────────────┬──────────────┐
  人知道    │ Q1 公共知识   │ Q4 独有知识 ⚠│
            │ 直接描述即可  │ 必须喂模式    │
            ├──────────────┼──────────────┤
  人不知道  │ Q2 AI 专业   │ Q3 探索创新   │
            │ 信任 AI 即可  │ 协同探索      │
            └──────────────┴──────────────┘

  Q4 未使用喂模式 → 评分 ≤ 2/10 (Critical)
  Q4 使用喂模式   → 评分 7.0-8.5/10

5. Fallback 协议 —— 遇错先问 Plan

执行中遇到意外时，第一反应不是"怎么修"，而是"Plan 哪里假设错了"：

  执行遇到异常
      │
      ├─ 小偏差 ────────────▶ 直接修复 ──▶ 继续
      │
      ├─ Plan 假设有误 ─────▶ Plan Fallback
      │                       │
      │                  ┌────┴────┐
      │                  ▼         │
      │              暂停执行      │
      │              记录偏差      │
      │              更新 Plan     │
      │              用户确认 ─────┘
      │                  │
      │                  ▼
      │              继续执行
      │
      └─ 同一 Phase 失败 2 次
              │
              ▼
         退回 Stage 2 重新分析

Flow vs Flow-Deep

维度	/flow	/flow-deep
前置检查	—	强制开启
深度思考	可选 (--think)	强制（ST + Mermaid + 三角色讨论）
Plan Mode	默认开启，可关闭	不可关闭
Plan Review	可选	强制
多角色面板	—	默认 3-5 角色
TDD 注入	可选	自动注入
完成验证	可跳过	不可跳过
Ralph Loop	手动触发	迭代用完自动触发

快速上手

本工具集为 Claude Code CLI 设计。

一行安装（推荐）

通过 skills.sh（Vercel Labs 的 Agent Skills 包管理器）一行安装全部模块：

npx skills add FrizzleFur/flowkit -a claude-code

只安装单个模块：

npx skills add https://github.com/FrizzleFur/flowkit/tree/main/skills/flow

手动安装（无 Node 环境备选）

# 复制所需模块到 Claude Code skills 目录
cp -r skills/flow ~/.claude/skills/
cp -r skills/flow-deep ~/.claude/skills/
cp -r skills/multi-agent ~/.claude/skills/
cp -r skills/prompt ~/.claude/skills/

在 Claude Code 中调用：

/flow 重构认证模块
/flow-deep 重新设计支付系统，支持多币种
/prompt 评估这个提示词："写一个排序算法"

设计哲学

来源	管什么	我们吸收了什么
GStack	决策流程	Auto-Decide Layer (P1-P6 + Taste Decision)
Superpowers	执行纪律	Iron Laws + Rationalization Table
GSD	上下文质量	STATE.md 跨会话恢复

原创贡献（社区框架中均未出现）：

• STATE.md 崩溃恢复机制
• Auto-Decide Layer 六原则自动决策系统
• Ralph Loop 集成（Stop Hook + auto-iterate 双层迭代）
• 乔哈里视窗 Prompt 量化评分

License

MIT