Claude Code Insights 是一个系统化追踪 Claude Code 版本演进与 Anthropic 技术生态的知识库项目。
包含三大模块：版本编年史、文章知识库、HTML 示例集，全部零依赖，浏览器直接打开。

GitHub: FrizzleFur/claude-code-insights

目录

• 项目背景
• 版本编年史
• 文章知识库
• HTML 示例集
• 技术实现细节

项目背景

作为 Claude Code 的深度用户，我追踪了它从 v0.2.21 到 v2.1.150 的完整演进历程。在这个过程中，我发现：

1. 版本更新极其频繁（有时一天多个版本），手动追踪不现实
2. Anthropic 的技术博客质量极高，但散落在各处，缺乏系统化整理
3. 功能演进有清晰的脉络，但需要时间线视角才能看清

于是，我构建了三个互补的模块来解决这个问题

Flow-Deep 是 FlowKit 的全量深度引擎，所有质量关卡不可跳过，适用于复杂/重要/高风险任务。
本文是 FlowKit 系列教程第五篇（最终篇）。

GitHub: FrizzleFur/flowkit | 系列导航

目录

• 与 Flow 的核心差异
• Stage 0: Superpowers 前置检查
• Stage 2: 强制深度思考
• Stage 3.5: 强制 Plan Review
• Stage 3.6: 多角色面板评审
• STATE.md 跨会话恢复
• Stage 5.5: 自主迭代引擎
• Stage 5.7: Ralph Loop 强制持续
• 完整使用示例

与 Flow 的核心差异

Flow-Deep 定位为高风险任务的”保险模式”。与 /flow 相比，核心区别在于不可跳过：

Flow Skill 是 FlowKit 的轻量编排引擎，将多个技能串联为”优化 → 思考 → 规划 → 执行”管道，通过参数灵活控制每个阶段。
本文是 FlowKit 系列教程第四篇。

GitHub: FrizzleFur/flowkit | 系列导航

目录

• 整体流程
• Stage 1: Prompt 优化
• Stage 1.5: 需求探索
• Stage 2: 深度思考
• Stage 3: 确定性规划
• Stage 3.5: Plan Review
• Stage 4: 并发执行
• Stage 5: 完成验证
• 退回 Plan 协议
• 参数速查

整体流程

Multi-Agent Skill 是 FlowKit 的 Agent Teams 方案生成与执行引擎，通过 tmux 分屏实现多 Agent 真正的并行执行。
本文是 FlowKit 系列教程第三篇。

GitHub: FrizzleFur/flowkit | 系列导航

目录

• 为什么需要多 Agent
• 核心架构
• Step 0: 项目上下文感知
• Step 1-2: 任务分析与角色匹配
• Step 3: 协作式方案生成
• Step 5: tmux 分屏执行
• Phase 间复用
• 冲突解决
• 实战案例

为什么需要多 Agent

单 Agent 模式下，所有任务串行执行。但实际开发中，很多任务是可以并行的：

1
2
3
4

串行: 认证模块(2h) → 数据库迁移(1h) → API 测试(1h) = 4h
并行: 认证模块(2h) ──┐
      数据库迁移(1h) ──┼─→ 2h（节省 50%）
      API 测试(1h) ────┘

更重要的是，不同任务需要不同的专业角色。一个 Agent 同时做后端开发、测试和安全审计，不如三个专业 Agent 各司其职。

Prompt Skill 是 FlowKit 的基础模块，基于乔哈里视窗理论和 3S 原则，提供 Prompt 自动评分、问题诊断和优化。
本文是 FlowKit 系列教程第二篇。

GitHub: FrizzleFur/flowkit | 系列导航

目录

• 核心问题
• 乔哈里视窗四象限
• 3S 原则
• 7 维评分体系
• 问题诊断
• 优化策略
• 实战案例

核心问题

大多数人写 Prompt 只关注”怎么措辞”，但 Prompt 的质量问题远比措辞复杂。核心难点在于：你知道的东西，AI 不一定知道。

这就是为什么需要一个系统化的评分框架 —— 不只看文字质量，而是从认知科学角度评估 Prompt 的信息完整度。

FlowKit 是一套为 AI 编程助手设计的结构化任务编排工具集。本文是系列教程的第一篇，从设计动机出发，讲清楚”为什么要造这个轮子”以及整体架构。

GitHub: FrizzleFur/flowkit

目录

• 为什么造这个轮子
• Pipeline 架构总览
• 四条铁律 Iron Laws
• 四个 Skill 模块
• 与社区方案对比
• 设计哲学

为什么造这个轮子

目录

• 1. RooCode概述与官方信息
• 2. RooCode架构设计与核心功能
• 3. RooCode组件交互关系图
• 4. RooCode技术实现与集成方式
• 5. RooCode模块设计与实现
• 6. RooCode与Cline插件的功能对比分析
• 7. RooCode优势、局限性和应用场景
• 8. 总结
• 9. RooCode插件典型工作流程梳理

RooCode插件分析

本文基于官方文档、社区资料与实际体验，系统梳理RooCode插件的架构、功能、技术实现与典型工作流，并对比其前身Cline插件，帮助开发者快速了解和上手这一AI驱动的VSCode开发助手。

1. RooCode概述与官方信息

RooCode（前身为Roo Cline）是一个强大的VS Code插件，提供AI驱动的自主编码代理功能，能够在编辑器中直接与用户交互，帮助完成各种开发任务。

主要功能包括：

• 🚀 生成代码：从自然语言描述生成代码
• 🔧 重构和调试：重构和调试现有代码
• 📝 编写和更新文档：创建和维护文档
• 🤔 回答问题：解答关于代码库的问题
• 🔄 自动化：自动化重复性任务
• 🏗️ 创建：创建新文件和项目

目录

• AI笔记系列（一）—— 现代AI产品形态解析
• AI笔记系列（二）—— AI工作流实践
• AI笔记系列（三）—— Agent与多智能体系统
• AI笔记系列（四）—— 高德Mcp Server

AI笔记系列（四）—— 高德Mcp Server：打通AI与地图服务的桥梁

目录

• AI笔记系列（一）—— 现代AI产品形态解析
• AI笔记系列（二）—— AI工作流实践
• AI笔记系列（三）—— Agent与多智能体系统
• AI笔记系列（四）—— 高德Mcp Server

AI笔记系列（三）—— Agent与多智能体系统

AI-Agent的基本概念

AI-Agent（智能代理）是一种能够自主感知环境、做出决策并采取行动以实现特定目标的智能系统。Agent的核心决策逻辑是让大语言模型(LLM)根据动态变化的环境信息选择执行具体的行动或者对结果作出判断，并影响环境，通过多轮迭代重复执行上述步骤，直到完成目标。

一个典型的Agent决策流程可以精简为：

• P（感知）→ P（规划）→ A（行动）

其中：

• 感知（Perception）：Agent从环境中收集信息并提取相关知识的能力
• 规划（Planning）：Agent为了某一目标而作出的决策过程
• 行动（Action）：基于环境和规划做出的动作

在工程实现上，Agent通常拆分为四大核心模块：

• 推理：使用LLM等模型进行思考和决策
• 记忆：存储历史信息和知识
• 工具：Agent可以调用的外部功能
• 行动：执行具体操作的能力

目前Agent主流的决策模型是ReAct框架（Reasoning + Acting）及其变种，这种框架让Agent能够在思考和行动之间交替进行，从而更有效地完成复杂任务。

目录

• AI笔记系列（一）—— 现代AI产品形态解析
• AI笔记系列（二）—— AI工作流实践
• AI笔记系列（三）—— Agent与多智能体系统
• AI笔记系列（四）—— 高德Mcp Server

AI笔记系列（二）—— AI工作流实践

工作流的基本概念

工作流（Workflow）简单来说就是”完成一件事的完整步骤”。它像一份”说明书”，告诉你为了达成目标，需要做什么、按什么顺序做、谁来做。工作流包含几个关键要素：

• 输入 (Input): 工作流开始前需要”放进去的东西”，如做菜的食材，审批的文件，用户提出的问题
• 过程 (Process): 工作流”中间的运转环节”，如烹饪步骤，生产工序，数据处理流程
• 输出 (Output): 工作流”最终产生的结果”，如美味佳肴，审批通过的文件，智能机器人的回答

如果没有工作流，我们的工作可能会变得效率低下、错误频发、进度难以跟踪。但有了工作流，一切都会变得井然有序：重复工作自动化完成，流程规范化减少错误，工作进度清晰可见。