不要学习 Claude Code 的每个命令，让智能体帮你编排一切。
从单人编程到多智能体协作
2026 年，AI 辅助编程已经不再是”代码补全”那么简单。当任务复杂到需要规划、实现、测试、审查多个环节时，单个 AI 对话已经不够用了。
oh-my-claudecode（OMC）是一个基于 Claude Code 的多智能体编排层，它让不同的专业化智能体各司其职，协作完成复杂的软件工程任务。
什么是多智能体编排
传统的 AI 编程助手是一个全能选手——你问什么它答什么。但在真实的软件工程中，不同阶段需要不同的专业能力：
规划阶段 → Planner / Architect（战略思考）
实现阶段 → Executor（高效编码）
测试阶段 → QA Engineer（质量保证）
审查阶段 → Code Reviewer / Security Reviewer（多视角审查）
OMC 的核心理念：把合适的任务交给合适的智能体，而不是让一个智能体做所有事情。
核心工作流
Autopilot：从想法到代码
一句话描述你的需求，Autopilot 自动完成全流程：
需求分析 → 技术设计 → 实现计划 → 并行编码 → QA 循环 → 多视角验证
每个阶段使用不同能力等级的模型：
- Opus：架构设计、安全审查、复杂分析
- Sonnet：标准实现任务
- Haiku：快速查询、简单任务
Ralph：自我迭代直到完成
Ralph 是一个自引用循环：执行 → 验证 → 发现问题 → 修复 → 再验证，直到任务完全完成。适合有明确完成标准的任务。
Team：并行协作
多个智能体同时处理不同的子任务，共享任务列表，互不阻塞。适合大型重构、批量修复等场景。
实践中的体会
模型路由很重要
不是所有任务都需要最强的模型。一个简单的文件查找用 Haiku 就够了，把 Opus 留给真正需要深度思考的架构决策。正确的模型路由能同时提升速度和质量。
分离创作和审查
OMC 的一个设计原则是”永远不要在同一个上下文中自我批准”。写代码的智能体和审查代码的智能体必须是不同的，这样才能发现盲点。
验证驱动
每个工作流都内置了验证环节。不是”我觉得写完了”，而是”测试通过了、审查通过了、安全检查通过了”。完成的定义是有证据支撑的。
适合什么场景
| 场景 | 推荐工作流 |
|---|---|
| 从零构建一个功能 | /autopilot |
| 修复一个复杂 bug | /ralph |
| 大规模重构 | /team + /ultrawork |
| 需要深入理解需求 | /deep-interview → /autopilot |
| 快速原型验证 | 直接对话 + Executor |
我的日常使用
作为 OMC 的日常用户，我用它来：
- 管理博客内容更新（就像你现在看到的这篇文章）
- 分析和匹配工作机会（AI Job Matcher）
- 开发和迭代 Speakeasy 英语私教
- 编写和维护 AI Handbook 学习笔记
多智能体编排不是银弹，但它确实改变了我和 AI 协作的方式——从”我指挥 AI 做事”变成了”我和一个团队一起工作”。