@dzhng: 喜欢这个框架。软件工厂不应该要求人类审查每一行代码，但每一个*决策*都应该…

X AI KOLs Following 工具
ai-agents software-factory code-review autonomous-agents developer-tools skills

摘要

开发者 dzhng 分享了一个 GitHub 仓库，其中包含可组合的 AI 代理技能，用于构建软件工厂，实现自主目标驱动代码生成，并在决策点进行人工审查。

喜欢这个框架。软件工厂不应该要求人类审查每一行代码，但每一个*决策*都应该经过人工审查。AI 是完美的执行机器，但仍然是不完美的决策者。已添加到我的技能仓库：https://github.com/dzhng/skills
查看原文
查看缓存全文

缓存时间: 2026/07/20 09:49

喜欢这个框架。软件工厂不应要求人类审查每一行代码，但每一个决策都应有人类审查支持。AI 是完美的执行机器，但决策仍不完美。已添加到我的技能仓库：https://github.com/dzhng/skills

dzhng/skills

来源：https://github.com/dzhng/skills

Skills

skills.sh (https://skills.sh/dzhng/skills)

用于构建软件工厂的 AI 技能

用于构建软件工厂的 AI 技能。 我的个人领域无关智能体技能库，在每个项目中复用。小巧、可组合、可破解——适用于任何支持技能的工具：Claude Code、Codex、opencode、Cursor、duet (https://duet.so) 以及其他 70 多种工具 (https://github.com/vercel-labs/skills)。

npx skills add dzhng/skills

添加 --list 来挑选单个技能，或者将任意 skills/<name>/ 文件夹复制到你的工具的技能目录（例如 .claude/skills/）。

为什么

软件正从任务转向工厂：智能体自主追求一个目标，直到输出可以被信任。难点不在于将目标分解为任务——而在于将其分解为独立可验证的片段，并且知道这些片段在哪里。这些技能运行这个循环。

将未知视为战争迷雾：绘制地形图，将其划分为独立构建和验证的领地，并递归地重新切分任何隐藏更多地图的部分。重新规划不会在规划结束时停止——规格说明是一份活的文档，在实现过程中，每当工作让智能体发现计划已过时时，就会更新并重新切分。

每一部分都必须证明自己——架构审查、代码审查以及对照基准的视觉审查——然后循环才会继续。每一次迭代都会变得更正确，直到目标完成。

一次自主运行——1 天 16 小时追求一个目标

证明：一次无人值守的 Codex 运行，基于这些技能追求单一目标长达 1d 16h，不断切分并迭代直到完成。

如何使用

  1. 计划。 让智能体对目标执行 /write-spec。它会采访你，研究未知项，并在 specs/<name>/ 下生成一个规格说明——一个每个切片都可以独立验证的切片图。

  2. 构建。 启动循环：

    /goal /implement-spec specs/<name>

    添加任何合适的框架：在 xyz 分支上，或者 让 /codex 作为实现者，而你扮演父编排者和审查者。

  3. 其余部分自动执行。 规格说明告诉循环何时调用其他技能——在每个切片结束时执行 /review 检查，对任何视觉内容执行 /screenshot-critique 和 /compare-screenshots，当最后一个切片完成时执行 /close-spec——并在实现证明计划已过时时更新并重新切分计划。

每个技能也可以独立使用：随时手动调用任意一个。

技能

工程 — 切片、构建、验证、重复

技能功能
explore-unknowns引导用户逐个象限映射任务中的未知项——先已知已知，然后访谈、可反应的产物和盲区检查——最终得到完整的四象限地图。
write-spec将大型功能分解为独立可验证、可供人类审查的切片，带有 API 接缝和可玩的检查点。
implement-spec将现有规格说明构建完成，一次一个可审查的递进，并行委托独立的切片。
implement-spec-with-codex运行 implement-spec，由 Codex 编写代码——你负责编排、集成和审查每个递进。
close-spec归档已交付的规格说明，并将其从构建计划重写为持久的原理记录，指向代码本身。
refactor-clean通过将所有权转移到一个清晰的概念上，而不是在问题旁边堆积兼容性沉积物，来进行重构。
write-tests一次一颗 tracer bullet 编写测试，锁定实际行为——而不是实现细节、配置值或幸运样本。
write-docs将文档编写为原则和指针的词汇表，从不镜像会腐烂的代码。
code-review审计差异（diff）中过时的名称、死引用、不必要的复杂性以及叙述而非解释的注释——最终给出干净/不干净的判定。
audit-choices审计实现者所做的选择，而非它的差异——一次纯粹的、从不阻塞的审计，其帐本披露了代表用户所做的架构和决策，供审查而非代码本身。
review将完成的变更作为一次递进收尾——先 refactor-clean，然后 code-review，然后 write-docs——按顺序合并为单一判定。
codex使用本地 Codex CLI 作为独立的第二智能体，用于审查和（在明确要求下）委托实现。
claude使用 Claude Code (claude -p) 作为独立的第二智能体，用于咨询和（在明确要求下）委托实现。

视觉审查 — 绝不允许仅凭感觉接受视觉内容

技能功能
compare-screenshots判断哪张图片相对于你建立的目标错误更少——定位分歧的遥测，而非基线匹配。附带可复用的差异脚本。
screenshot-critique在接受视觉工作之前，使用未预设的子智能体作为第二双眼睛；在声明视觉错误已修复之前必须执行。
preview-shots在一个 macOS Preview 窗口中打开一组精选的图像截图，供用户目视检查。

创作 — 保持技能本身锋利

技能功能
write-skills创建或修改智能体技能：触发器、引导词、渐进式披露以及需要修剪的失败模式。
eval-skills针对黄金案例评估技能——在全新子智能体中进行盲跑，使用独立的评判者，并通过差距驱动的编辑来改进。

图形

技能功能
renderer构建、调试或审查 WebGPU 渲染器工作——three.js/TSL 场景层、节点材质、WGSL 通道、深度语义以及浏览器验证的视觉效果。

许可证

MIT

Taelin (@VictorTaelin)： 我想我终于搞清楚了如何大规模使用 AI

当然，Fable 好用是原因之一。但我也改变了工作方式，这一切归结为一个关键认识：你不需要审计代码，但你必须审计它所做的选择。如果你只做这一点，

相似文章

@addyosmani: https://x.com/addyosmani/status/2079442194449232227

X AI KOLs Following

Addy Osmani 的这篇文章探讨了将软件工厂视为规模化代理循环的概念，区分了有人类监督的明工厂和没有人类监督的暗工厂，并强调了理解与设计循环、调控机制和工厂结构的重要性。