如何构建多 Agent 工作流：完全指南
本文是关于在 2026 年构建多 Agent 工作流的深度指南。文章对比了单 Agent 与多 Agent 系统的区别，详细解析了 Claude Code 的三种编排原语（子代理、团队、动态工作流）及六大核心拓扑结构（顺序流水线、协调者-工作者、并行发散、生成器-验证器、共享状态、辩论模式）。同时探讨了如何设计 Agent 间的通信、避免上下文污染以及处理系统失败模式。
相关文档
Graph Engineering: 在一个窗口构建 1000+ Agent 循环的完整指南
本文介绍了 Graph Engineering 的概念，即从线性的 Agent 循环转向图结构的工作流。文章详细讲解了如何利用 Claude Code 的动态工作流功能，通过五个步骤构建并行处理任务的 Agent 图，以解决上下文限制和执行效率问题，并探讨了在扩展到 1000+ Agent 时可能遇到的挑战及解决方案。
我所知道的所有 Agentic Engineering 技巧
作者 Matt Van Horn 分享了他在“代理工程”（Agentic Engineering）领域的实战经验，这是一种利用 LLM 和自动化流程（如 Claude Code + Compound Engineering）来完成软件开发的新模式。核心技巧包括：立即生成计划、不要细读计划、将计划流程应用于非工程类深度工作、利用语音输入提升效率，以及通过多标签页并行处理任务。文章强调将工作重心从编码转移到规划，利用智能代理自动化执行。
从零构建 LLM 架构：10 个实用经验教训
本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。
Pi Coding Agent 最全面指南（完美支持/goal）
文章是一份针对 Claude Code 用户的 Pi Coding Agent 迁移与使用指南。作者对比了 Pi 与 Claude Code 的设计理念，指出 Pi 是一个更透明、可控且高度可配置的 Agent 底座。文章详细介绍了如何配置开源模型 Ring-2.6-1T，推荐了最小可用组件栈，列出了常见的配置陷阱，并通过构建现货-永续监控台的真实案例，阐述了在 Pi 环境下实施 plan-first + skill 工作流的重要性。
产品开发从灵感到落地只需这套全栈开发 Agent
本文介绍了一套基于 Claude Code 的全栈开发 Agent 工作流，旨在帮助零基础小白将碎片化想法转化为专业的开发施工蓝图。该系统通过包含产品经理、需求分析师、技术架构师等在内的六个 AI 角色协作，引导用户完成需求文档、技术架构、界面设计等五份标准文档的产出。文章详细解析了 V3 版本的更新内容、目录结构、实操指令及多模型互检的开发流程，为非技术人员提供了一套低门槛、规范化的 AI 编程解决方案。
Claude 多智能体系统：从零到单人运行 4 个智能体的完整指南
本文详细介绍了如何利用 Claude 构建一个多智能体系统。文章主张专家团队的表现优于单打独斗的通才，通过设立研究、生产、质量和分发四个专门的智能体，配合一个主编排器，可以实现高效的并行工作流。文中提供了从环境搭建、文件夹结构配置到首个研究智能体的系统提示词（Prompt）编写的完整实操指南。
Ruflo：将 Claude Code 转变为多 Agent 平台的实践与架构解析
Ruflo 是一个为 Claude Code 构建的“神经系统”和分层运行时，旨在提供 HNSW 向量记忆、100+ 专用 Agent 以及多智能体群集协调。文章详细介绍了其基于 MCP 的工具表面、联邦通信机制和自学习架构。同时，基于项目最新的 ADR 审计报告，分析了 Ruflo 在功能实现上的真实进展，指出了记忆层已可用而部分执行层（如神经网络预测、工作流运行时）仍处于存根状态的现状。
单Agent编程是场噩梦：多Agent工作流实战指南
文章指出依赖单个AI Agent进行编程效率低下且容易失败，主要归因于对单一Agent期望过高及任务分解不足。作者通过对比单Agent与多Agent工作流在Codex Spark等平台上的表现，证明多Agent架构能显著提升效率、降低错误率。文章详细介绍了以Orchestrator（主管）和Subagents（执行者）为核心的“后厨”模式，并列出了五个实用模式，如并行执行和分步验证，展示了多Agent系统在扩展上下文窗口、增强流程控制和提升处理速度方面的巨大优势。
从执行到记忆：gstack + Compound Engineering 实现 Agent 持续进化
文章分析了 Anthropic 的 Agent Harness 架构，并介绍了 Jason Zuo 如何使用 gstack 和 Compound Engineering (CE) 构建了一套完整的工程工作流。CE 替代了 Superpowers，提供了更深入的规划和审查机制。最关键的差异在于 CE 的 /ce:compound 功能，它通过独立 Agent 将每次开发的经验转化为结构化的项目记忆，实现了 Agent 的自我优化与积累，形成了从规划、执行、审查到记忆的完整闭环。
从零构建 Claude Code：AI 编程代理的实现原理
文章深入剖析了 Claude Code 背后的核心架构，指出其本质是一个“感知-行动-观察”的循环系统。作者演示了如何从简单的命令行脚本开始，逐步构建一个具备文件读写、精确编辑、代码库搜索及权限控制的 AI 代理。文章详细讲解了 Agent Loop（代理循环）、结构化工具调用、子代理上下文管理以及 CLAUDE.md 项目上下文等关键技术点，并最终提供了一个约 150 行的完整 Python 实现示例。
你可能不再需要 workflow，大部分场景 skills 足矣——五步框架把 Workflow 变成可进化的 Skill
文章通过对比传统 Workflow 编排与 AI Agent + Skills 架构，提出大部分场景下后者可以取代前者。作者提出了五步框架（拆分、编排、存储、分摊、迭代），并结合自身写作工作流演示了如何利用 Claude Code 的 Skills 功能构建可进化的自动化系统。文章还回应了关于稳定性、成本和门槛的三大质疑，指出 Skills 在灵活性、可维护性和自我迭代方面的显著优势。
Claude Code 团队如何进行代码评审
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
