smoke.sh —— 轻量级部署后检查

9.1 多智能体与子智能体工作流

随着软件项目不断增长，单个 AI 助手能够处理的上下文有限，效率会下降，响应也会变得不一致。这正是多智能体与子智能体工作流发挥作用的地方——一个由多个专精的 Claude 实例协作完成复杂开发任务的系统。Claude 不再独自处理从文档编写到部署的所有事务，而是由你来编排一支由 Claude 驱动的智能体团队，每个智能体都有明确的角色：规划者负责任务分解，编码者负责实现，审查者负责质量保证，部署者负责最终发布。

本章标志着你在 Claude 使用方式上的重大转变——从将 Claude 作为个人助手，转变为构建一支协同运作的 AI 团队，使它们能够并行思考、沟通和执行。在本项目结束时，你将拥有一个基于 Claude 的可用系统，能够自动化完成一次软件冲刺：分配任务、编写代码、测试以及合并——所有这些都在你的监督下进行。

概念阐述

多智能体工作流模拟了人类团队的协作模式。每个智能体专注于一个领域，但通过结构化的提示和共享上下文进行协作。Claude 的子智能体——作为独立的、目标驱动的进程生成——在保持隔离性和专注度的同时，使这一切成为可能。

例如：

• 规划者 Claude 解读用户意图并创建任务分解。
• 编码者 Claude 为每个任务编写功能性代码。
• 审查者 Claude 检查逻辑、可读性和安全性。
• 部署者 Claude 运行测试、构建产物并执行 CI/CD 操作。

通过使用明确定义的输入和输出将这些智能体连接起来，你可以实现类似于真实世界 DevOps 团队的异步或顺序协作。核心原则是上下文同步：每个智能体接收项目数据的相关子集，而不会淹没 Claude 的上下文窗口。

Claude Code 通过提示链和共享内存结构支持这种结构化协作，使你能够设计出每个 AI 实例智能地为下一个实例提供信息的系统。

动手实践：在 Python 中创建多智能体工作流

让我们创建一个简单的原型，使用一个简洁可运行的 Python 脚本来模拟 Claude 子智能体协作。在这个场景中，主智能体将编码和审查任务委派给子智能体，并将其输出合并为单一可交付成果。

from typing import Dict, Any

class ClaudeAgent:

    def __init__(self, name: str):

        self.name = name

    def respond(self, message: str) -> str:

        # 在生产环境中，这里会调用 Claude 的 API。

        print(f"[{self.name}] 收到: {message}")

        if "plan" in message.lower():

            return "1. 编写 API 路由\n2. 添加验证\n3. 实现测试"

        elif "implement" in message.lower():

            return "代码片段: def create_task(): pass"

        elif "review" in message.lower():

            return "代码符合结构和命名规范。"

        else:

            return "已确认。"

# 实例化子智能体
planner = ClaudeAgent("规划者")

coder = ClaudeAgent("编码者")

reviewer = ClaudeAgent("审查者")