Autoprompt Skill 是一个面向 AI 编程 Agent 的“技能/工作流增强器”，用于在 Claude Code、Codex、OpenCode、Kilo Code、VS Code Copilot Agent、Prime Agent 等环境中引入多 Agent 协作、计划、实现、测试、审查和修复流程。项目声称在 Terminal-Bench 2.1 的一次 OpenCode 对比中将失败数从 29 降到 16，失败减少约 45%，但代价通常是约 3 倍耗时和 2 倍 Token 消耗。适合希望提升 Agentic Coding 成功率、减少反复手动提示的开发者或团队。
适用领域
AI 编程助手 / Agentic Workflow / 多 Agent 协作 / 自动化测试 / 代码审查 / 提示词工程 / 开发者工具 / CLI 工具 / TDD/回归测试 / 工作流自动化
配置难度
中等。对于已熟悉 Claude Code、Codex、OpenCode 或 VS Code Copilot Agent 的开发者，安装和使用较简单；但若要充分发挥多 Agent 并发、模型路由、max_subs 控制和自定义 Agent 兼容，需要理解各 Agent 的配置方式、成本控制和工作流边界。
商业价值
对依赖 AI Coding 的研发团队有较高业务价值。它的核心价值在于提升复杂编码任务的一次成功率，减少开发者反复提示、手动拆解任务、要求补测试和要求修复的时间成本。对于 Bug 修复、功能开发、迁移重构和代码审查场景，若团队已经使用 Claude Code、Codex、OpenCode 或 Copilot Agent，这类工具可以作为 AI 编程流程的质量增强层。但落地时需要监控 Token 成本、运行时长和代码变更质量，建议先在非关键仓库或小范围任务中试点。
01
技术亮点
- 支持 6 类主流 AI 编程 Agent/IDE 场景：Claude Code、Codex、OpenCode、Kilo Code、VS Code、Prime Agent。
- 通过多层 Agent 架构分离协调、管理、执行和独立审查，减少单一 Agent 自我验证的问题。
- 提供显式调用方式，例如 /autoprompt fix the bug 或 Codex 中的 $autoprompt，避免自动后台运行导致不可控成本。
- 支持并发模式控制：mode=tokensaver、mode=wide、mode=custom max_subs=N。
- 适合复杂任务，可自动执行规划、实现、测试、审查、修复和最终确认。
- 提供 autoprompt doctor --strict 用于检查安装和配置健康状态。
- MIT 许可证，便于个人和商业项目采用。
- README 提供中文文档入口，对中文开发者相对友好。
02
目标用户
- 使用 Claude Code、Codex、OpenCode、VS Code Copilot Agent 等 AI 编程工具的开发者
- 希望让 AI Agent 自动完成规划、实现、测试和修复闭环的工程团队
- 需要提升复杂编码任务成功率的个人开发者
- AI Coding 工具评估人员和 Agent 工作流研究者
- 希望在现有代码库中进行较大规模改造、迁移或功能开发的团队
03
配置要求
- Node.js 20+
- Python 3.11+
- Python 需要安装 PyYAML
- macOS 或 Linux 需要 Bash 4.3+
- 如果从 GitHub 拉取源码安装，需要 Git
- 需要已安装并配置受支持的 Coding Agent
- Claude Code 需要 2.1.219+，项目审计版本为 2.1.233
- Codex 需要支持 Subagent 的版本，项目审计版本为 0.147.0
- OpenCode 需要 1.18.7+，项目审计版本为 1.18.18
- Kilo Code 需要 7.4.22+
- VS Code 需要 1.133+，并配合 Copilot Agent，项目审计环境为 Copilot 0.61.0
- Prime Agent 需要 0.7.2
- 不同 Provider 对模型路由 agents= 的支持不一致：Claude Code 和 Codex 支持自定义 agents 路由，OpenCode、Kilo、VS Code、Prime Agent 主要继承当前或父级模型
04
适用场景
- 让 AI Agent 修复 Bug 并自动补充回归测试
- 从 API 到前端流程自动构建完整功能
- 对代码库进行批量迁移、重构或模型替换
- 让多个子 Agent 并行执行分析、实现、审查和验证
- 对技术方案进行代码库上下文相关的调研和推荐
- 在提交前进行自动化代码审查、测试运行和修复
- 降低单一 Agent 自我规划、自我实现、自我验收带来的错误风险
05
部署与配置
- 确认本机已安装 Node.js 20+。
- 确认已安装 Python 3.11+，并且命令行中可通过 python 调用。
- 为 Python 安装 PyYAML 依赖。
- 在 macOS 或 Linux 上确认 Bash 版本为 4.3+。
- 使用 npm 全局安装 CLI：npm install -g autoprompt-skill。
- 运行安装向导：autoprompt。
- 在交互式界面中选择你的 Coding Agent，例如 claude、codex、opencode、kilo、vscode 或 prime。
- 确认 Agent 配置路径并安装；如果路径不正确，选择 N 输入其他路径。
- 安装后可运行 autoprompt doctor --strict 检查安装状态。
- 如需源码安装，可执行：git clone https://github.com/Spielewoy/autoprompt-skill && cd autoprompt-skill && npm install -g . && autoprompt。
06
风险与注意事项
- 基准测试结果主要来自特定 OpenCode 设置下的一次对比，不能保证在所有模型、代码库和任务中都能稳定减少 45% 失败。
- 项目说明中提到约 3 倍耗时和 2 倍 Token 消耗是用户经验估计，不是严格保留日志的测量结果。
- 多 Agent 并发可能显著增加 API 成本、上下文消耗和执行时间。
- 在大型代码库中自动修改范围可能较大，需要结合 Git diff、测试和人工审查使用。
- 不同 Coding Agent 的子 Agent 能力、模型路由和路径配置差异较大，安装调试可能需要一定经验。
- 对 Windows 原生环境支持不明确，README 重点要求 macOS/Linux Bash。
- AI Agent 自动化执行仍可能引入逻辑错误、安全问题或破坏性变更，不应替代最终代码审查。
- 项目相对新，版本为 1.0.x，生态稳定性和长期维护情况仍需观察。
2026-08-21
第29名
新收录 · github_search
