Codex/Claude等协作Skill实现issues工单规划测试重写

背景

这篇分享来自 LINUX DO 社区的 AI 板块，作者分享了一套基于 issues 驱动的开发工作流，核心是协调多个 AI 模型（Codex、Claude Code 即 CC、Gemini、Grok 等）协作完成项目的规划、测试与重写。文中提到的技能集合（SKILLs）存放在项目的 .codex/skills 目录下，利用 Codex 的 SKILL 机制让 AI agent 能够自主调用工具、生成任务清单、甚至循环执行。作者在开发 Web3.0 项目（包括 NFT）时实践了这一套方法，并在 MacOS 和安卓 Termux 上验证了可行性。

核心内容

该工作流的核心是 issues-driven development，即用工单（issue）驱动开发节奏，让 AI agent 根据 issue 规划史诗（epic）、分解任务、实现功能、编写单元测试。所用工具链包括：

• Codex：主要 agent，负责执行主会话，调用 MCP 工具、读写文件、运行脚本。
• Claude Code (CC) 与 Gemini：辅助 agent，通过 Codex 调用其 CLI（例如 consult gemini cli）来完成特定任务（如 UI 分析、复杂推理）。
• Grok：支持，但文中未深入。

步骤详解

1. 准备项目环境

   • 克隆模板仓库（含 .codex 文件夹），然后删除 .git 以脱离原仓库。
   • 首选让 Codex 执行 Generate MCP tool catalog 任务，生成可用 MCP 工具清单（./.codex/skills/mcp-tools-catalog/）。这一步解决 Codex 对 MCP 调用不积极的问题，方便后续规划时精确指定工具。

2. 导入 agents-bootstrap

   • 运行 ./.codex/skills/agents-bootstrap/ 中的技能，它使用 artifacts 将整个工作流的框架写入 AGENTS.md。该步骤要求先与 Codex 多次对话明确方向，然后输入 “你给我写个 AGENTS.md，bootstrap my AGENTS.md”。

3. 开始规划

   • 使用 ./.codex/skills/plan/ 覆盖默认的 ~/.codex/skills/.system 中的 plan 技能。之后只需让 Codex 规划下一个 epic，它会自动读取项目要求并生成任务清单。
   • 任务格式支持 CSV 和 Markdown 两种模板（位于 .codex/skills/plan/assets/_template.csv 和 _template.md）。作者推荐 CSV 格式，因为结构紧凑、节省 token，并且有自带的 validate_issues_csv.py 脚本验证格式。

4. 执行与反馈

   • Codex 根据 issue 列表逐个推进，并在需要时调用 Gemini CLI 来处理视觉（如贴图）或复杂设计（如 Three.js 生成 3D 动画）。
   • 触发条件：初期需明确提及 CC 或 Gemini 才会激活辅助 agent，多轮对话后模型会自动识别场景。用户可在 SKILL.md 的 description 中自定义触发规则。

5. 测试与优化

   • 工作流内置了 test 技能（testing），引入后 Codex 编写单元测试的积极性显著提高。作者提示需要对测试 prompt 进一步调优以增强通用性。

其他技巧与注意事项

• token 节省：使用 CSV 代替多份 Markdown 文件（如 plan → todo → done）可大幅减少 token 消耗；用 artifacts 减少向 Gemini 和 Claude 传递 Markdown 时的格式错误。
• 沙盒与权限：Gemini CLI 倾向使用 /tmp，若频繁被沙盒提权打扰，可用 codex --sandbox danger-full-access 绕过（作者已无所畏惧）。
• 平台兼容：已在 MacOS、Linux 和安卓 Termux 上测试成功，Windows 用户应使用 WSL。
• NFT 趣味实践：作者用该工作流生成 NFT 集合，包括 Three.js 3D 动画（由 Gemini 3.0 Pro 协助制作），虽“浪费 gas 钱”，但学到了很多技巧。

关键要点

• issues-driven development：用 issue/工单系统驱动 AI agent 的每一步操作，取代线性 prompt。
• CSV 替代 MD：任务清单使用 CSV 格式更紧凑、更省 token，且有专用验证脚本保证格式。
• MCP 工具目录：先让 Codex 生成可用 MCP 列表，解决其调用不积极的问题，便于规划时精确引用。
• agents-bootstrap：一个能自动生成 AGENTS.md 并导入完整工作流的技能，简化初始设置。
• 多模型协作：Codex 为主，按需唤醒 CC 或 Gemini CLI（例如处理视觉、复杂推理），通过 consult 命令实现。
• 自定义 SKILLs：利用 .codex/skills/{name}/ 存放独立技能，可覆盖全局默认 prompt，且只在当前项目中生效。
• 测试积极性提高：加入 test 技能后，Codex 对单元测试的生成更主动。
• 沙盒权限控制：Gemini CLI 的 /tmp 依赖可能触发沙盒提权，可用 danger-full-access 模式解决。

意义与影响

这套工作流将多个 AI agent 组合成一个可自动化多步骤开发的“牛马”集群，显著提升了人机协作的效率。其意义在于：

• 降低了 token 浪费：通过 CSV 格式和 artifacts 优化减少了盲目传递长文本。
• 增强了任务规划的可控性：用 issues 和 CSV 清单让 agent 不再“丢三落四”，每一步都有明确目标。
• 拓展了多模型协作的边界：不再是单模型对话，而是通过 CLI 调用让不同模型各司其职（Codex 执行、Gemini 视觉/设计、Claude 逻辑推理）。
• 催生了可复用的 SKILLs 范式：作者建议参考 docs/SKILLs/agent-skills-standard.md 编写自己的 SKILLs，形成社区共享的最佳实践。
• 实践了 AI 驱动的全栈开发：从规划到测试再到部署（甚至 NFT 上链），整个流程由 AI agent 主导，人类只需把控方向。

尽管目前仍有待优化（如测试 prompt 的具体效果、对复杂项目的稳定度），但该方法展现了未来开发者与 AI 协作的新模式：将 prompt 工程升级为 agent 工程，让多个模型像团队一样协作完成一个完整项目。