多 Agent 系统

team-builder 是一个交互式 agent 选择器，用于从 markdown persona 文件中组合并派发并行团队。team-builder 技能可帮助你浏览可用 agent、按领域分组专家，并为 Workflow Automation 临时组建团队。它最适合包含扁平或子目录式 agent 库且 persona 结构清晰的仓库。

santa-method 是一套多智能体验证工作流，适用于那些在发布前必须确保正确无误的输出。它通过独立复核来发现内容、代码相关交付物、合规敏感文案以及工作流自动化任务中的盲点。若你需要一个可重复的“生成、验证、收敛”循环，就安装 santa-method 技能。

ralphinho-rfc-pipeline 是一个以 RFC 驱动的多智能体工作流技能，适合将大型功能拆分为可验证的单元、逐步校验每一步，并通过集成检查完成合并。它尤其适用于 ralphinho-rfc-pipeline 的 Multi-Agent Systems，以及重构、schema 变更、auth、性能和安全相关工作。

iterative-retrieval 是一种工作流模式，用于在 agentic 工作中逐步优化上下文检索。它能帮助 subagents 避免获取过多或过少的上下文，因此适用于 iterative-retrieval 的使用场景、安装决策，以及 Workflow Automation 中的 iterative-retrieval。

dmux-workflows 是一份使用 dmux 在 tmux 窗格中编排并行 AI 代理会话的指南。它帮助你把研究、实现、测试和文档工作拆分到 Claude Code、Codex、OpenCode 及类似运行框架中，从而以更少的上下文瓶颈管理多智能体开发。

continuous-agent-loop 帮助代理运行可重复的自主循环，配备质量门、eval、恢复步骤和明确的停止规则，以便更可靠地完成任务。

claude-devfleet 是面向 Claude DevFleet 的多 agent 编排技能，可帮助你规划项目、在隔离的 worktree 中分派并行 agent、监控进度并读取结构化报告。它更适合需要考虑依赖关系的大型编码任务，不适合快速的单文件修改。

autonomous-loops 是一项用于设计自主 Claude Code 工作流的技能，涵盖从简单的顺序流水线到带质量门禁和交接的多智能体 DAG 编排。

autonomous-agent-harness 将 Claude Code 变成一个具备记忆、定时运行、任务分发和电脑操作能力的持续自驱代理系统。它适用于代理编排、周期性检查以及长生命周期工作流，尤其是在你需要的不只是一次性提示词时。

了解 agentic-engineering 技能，掌握以评估先行的执行方式、任务拆分、模型路由以及带回归检查的更安全工作流自动化。

agent-payment-x402 帮助 AI agent 通过 MCP tools 处理 x402 支付，支持消费上限、收款方 allowlist，以及用于付费 API 和 agent 编排的非托管钱包。

dispatching-parallel-agents 是一项 Agent Orchestration skill，适合把真正彼此独立的任务拆分给多个 agent 并行处理，在上下文隔离的前提下统一协调结果。

langchain-architecture 是一份用于构建 LangChain 1.x 与 LangGraph 应用的架构设计指南。在开始实现之前，你可以用它判断应采用 chains、agents、retrieval、memory 还是有状态编排等模式。

multi-agent-patterns 技能可帮助你设计和实现带有 Agent Orchestration、上下文隔离、并行工作和结构化交接的智能体系统。当你需要在单智能体与多智能体方案之间做选择，或者需要 supervisor 路由、peer 交接、共识机制或故障处理时，就适合使用它。它最适合编排密集型任务，因为这类任务更看重清晰的协同，而不是单纯增加智能体数量。

agents-sdk 可帮助你构建带有有状态对话、持久化执行、WebSocket 或流式聊天、MCP 集成、定时任务和浏览器自动化的 Cloudflare Workers 代理。这个 agents-sdk 技能重点面向安装决策、配置和实际使用，适用于现有或新建的 Workers 应用；只有在多代理系统确实符合 Cloudflare 运行时限制时，才会提供相应指导。

subagent-driven-development 帮助你把实现计划拆分为独立任务，为每个任务派发一个全新的 subagent，并在各步骤之间审查结果。它适用于需要通过 agent 编排来更快交付、同时保留质量关卡的场景，尤其是 3 个及以上彼此独立的问题、bug 修复、功能切片或仓库清理。

tree-of-thoughts 是一种推理工作流技能，帮助智能体探索多种路径、剪除薄弱分支，并综合出更好的答案。它适用于困难调试、方案规划、架构权衡，以及用于 Agent Orchestration 的 tree-of-thoughts。

launch-sub-agent 可帮助你在多智能体系统中为边界明确的任务派发一个专注的子智能体。它会分析任务复杂度，选择合适的模型层级，支持按专长匹配智能体，并加入自我审查验证，以获得更可靠的结果。

multi-agent-patterns 是一份实用指南，帮助你在 Claude Code 中设计 Multi-Agent Systems，适用于单个 agent 不够用的场景。它可用于拆分工作、协调子 agent，并比较不同编排模式，而不会增加不必要的开销。

judge-with-debate 通过结构化的多智能体辩论来评估解决方案，使用共享规范、基于证据的反驳，以及最多 3 轮讨论达成共识。它非常适合代码审查、基于评分标准的评估，以及 Multi-Agent Systems 工作流中的 judge-with-debate。

do-in-steps 通过把复杂任务拆成有序子任务、编排子代理，并在推进前逐步验证每一步，帮助 agent 处理复杂工作。它非常适合仓库改动、多步骤重构、迁移，以及需要受控交接、尽量减少静默失败的 Agent Orchestration 场景。

do-in-parallel 是一款面向 Agent Orchestration 的工作流技能，可在文件或目标范围内并行启动多个子代理，智能分组可重复工作，并通过 meta-judges 和 LLM-as-a-judge 复核结果。当你需要批量执行、又希望比通用提示更少靠猜测时，适合使用 do-in-parallel 技能。

do-competitively 帮你通过并行候选生成、基于 rubric 的评判和基于证据的综合，解决重要任务。它特别适合 Workflow Automation 以及其他高风险请求，因为在这些场景里，质量、鲁棒性和权衡处理比速度更重要。

implement-task 是一款工作流自动化技能，可将任务规格转化为已实现的变更，并在关键步骤上通过自动化的 LLM-as-Judge 验证来把关。它帮助 agent 读取任务文件、按顺序执行工作、验证质量，并在已有部分进度的基础上继续推进，减少猜测。