Super Simple Software Factory（SSSF）是一个面向 Claude Code / agentic coding 场景的“软件工厂”技能包。它把多智能体软件开发流程固化为可重复执行的 Python 工作流：由确定性的 Python 控制流程、阶段、重试、验收和追踪，AI Agent 只在受限的阶段内完成规划、构建、审查、文档等任务。项目核心理念是“Agent proposes, code disposes”：让代码负责流程控制和可验证动作，让 Agent 负责需要阅读、判断和生成的部分。它可以被复制到任意代码仓库中，通过安装脚本“stamp”出配置、工作流、提示词、SQLite 追踪数据库和可视化观察工具。
适用领域
AI 编程代理 / 软件工程自动化 / 多智能体工作流编排 / DevOps / SDLC 自动化 / Prompt Engineering / 代码生成与代码审查 / AI Agent 可观测性 / Python 工具链
配置难度
中高。该项目不是简单的代码生成工具，而是一套可嵌入任意仓库的 AI 软件开发流程控制框架。理解和使用它需要掌握 Python 脚本、YAML 配置、Agent prompt engineering、模型 provider/API Key、Git 工作流以及命令行工具链。对于已经使用 Claude Code 或 AI coding agent 的高级开发者，上手难度中等；对于普通业务开发者或非 AI 工具链用户，初始配置和概念理解会有明显门槛。
商业价值
该项目的商业价值主要体现在提升 AI 编程的可重复性、可观测性和团队化落地能力。相比一次性让 Agent 写代码，SSSF 更适合将 AI 引入真实研发流程：规划、实现、测试、审查、文档可以被拆成明确阶段，每个阶段有日志、有边界、有失败反馈和可重试机制。对于研发团队，它可以帮助沉淀标准化 AI 工作流，降低 token 浪费，减少不可控 Agent 行为，并通过模型分层配置优化成本。它尤其适合 AI 工程平台团队、内部开发效能团队、创业团队和希望构建自有 Agentic SDLC 的技术组织。
01
技术亮点
- 将 AI Agent 流程控制从 Prompt 中移出，交给确定性的 Python 管理，提高可重复性。
- 每个 Agent 都被限制在明确的阶段、角色和写入边界内，降低失控风险。
- 使用 typed JSON envelopes 在阶段之间传递上下文，减少非结构化上下文污染。
- 所有事件实时写入 SQLite，便于调试、审计和可视化观察。
- 支持按阶段选择不同模型，可为 planner 使用强模型，为 builder 或 scout 使用更便宜更快的模型。
- 强调代码阶段与 Agent 阶段分离：测试、lint、格式化等确定性任务不浪费模型 token。
- 以 Claude Skill 形式分发，可以 stamp 到任意仓库。
- 安装脚本可重复执行，默认跳过已存在文件，可作为漂移检查使用。
- 包含 starter workflows、starter agents、justfile、配置模板和提示词模板。
- MIT License，适合二次开发和团队内部定制。
02
目标用户
- 希望把 AI 编程代理接入真实研发流程的开发者
- 使用 Claude Code、Pi Coding Agent 或 OpenRouter/OpenAI/Fireworks 等模型服务的工程师
- 需要可重复、可追踪 AI 开发流程的团队
- 想将规划、实现、测试、审查、文档等步骤拆成可控阶段的高级开发者
- 正在探索 AI 软件工厂、Agent Workflow、自动化 SDLC 的技术负责人
- 熟悉 Python、YAML、命令行和 Git 的工程师
03
配置要求
- 需要 Python/uv 运行环境。
- 需要 pi-coding-agent，当前 v1 主要支持 pi；claude_code 在 schema 中存在但属于 stub 状态。
- 需要 sqlite3，用于记录工作流事件和执行追踪。
- 如使用可视化追踪 UI，需要 bun。
- 需要根据 sssf.config.yaml 中配置的模型提供相应 API Key。
- 默认 starter roster 可能需要 OPENROUTER_API_KEY、FIREWORKS_API_KEY、OPENAI_API_KEY。
- 如果希望只使用一个 API Key，可以删除各 Agent 的 per-agent model 配置，让所有 Agent 继承 defaults.model。
- 需要配置 adws/adw_sssf_config/sssf.config.yaml，其中包含 defaults、agents、model、thinking、prompt_engineering、harness_engineering、writes、protected_files 等。
- Agent 的 model 必须写成 provider/model-id 形式，但当前校验只检查格式，不会提前验证 provider 是否可用或 API Key 是否存在。
- Agent 产生的 prompts 应编辑目标仓库中的 adws/adw_data/prompt_engineering/{agent}/，不要直接修改 skill 源目录中的模板。
04
适用场景
- 在现有仓库中快速注入一套多 Agent 开发工作流
- 让 planner、builder、reviewer、documenter 等不同 Agent 分工完成需求规划、代码实现、审查和文档
- 用确定性的 Python 脚本管理 AI 开发流程中的阶段顺序、重试和验收条件
- 将测试、lint、格式化等确定性任务作为 code phase 执行，而不是让 Agent 反复猜测命令
- 通过 SQLite 记录每次 Agent 执行、阶段事件、结果和失败原因
- 在可视化 UI 中实时观察 AI 工作流执行过程
- 为不同阶段配置不同模型，以平衡成本、速度和质量
- 沉淀可复用的团队级 Prompt、Agent roster 和工作流模板
05
部署与配置
- 准备依赖：安装 uv、pi-coding-agent、sqlite3；如需可视化观察界面，还需要安装 bun。
- 将仓库中的 .claude/skills/sssf/ 目录复制到目标项目的 .claude/skills/ 下。
- Agentic 安装方式：在 Claude Code 中输入 /sssf install，让 Agent 根据 cookbooks/install.md 自动安装。
- 手动安装方式：在目标仓库根目录执行 uv run .claude/skills/sssf/scripts/install.py。
- 复制环境变量模板：cp .env.sample .env，并按需配置 OPENROUTER_API_KEY、FIREWORKS_API_KEY、OPENAI_API_KEY 或 PI_PATH。
- 确认 pi 在 PATH 中：pi --version。
- 如果工作流末尾需要 commit phase，初始化 Git 仓库并提交初始 commit：git init && git commit --allow-empty -m init。
- 执行冒烟测试：just demo。
- 查看最近会话：just sessions。
- 启动观测 UI：just obs，该步骤需要 bun。
- 如果没有 just，可直接运行：uv run adws/adw_prompt.py "reply with a one-line summary of this repo" --agent scout。
06
风险与注意事项
- 项目定位偏高级，适合熟悉 AI Agent、命令行、Python 和模型 API 的开发者，新手上手成本较高。
- 依赖 pi-coding-agent、uv、sqlite3、bun、多个模型服务，环境配置复杂度较高。
- 默认 roster 混用多个 provider，若 API Key 不完整，可能在工作流中途才失败。
- agents.validate() 只校验 model 字符串格式，不校验 provider 可用性和密钥存在性，错误可能延迟暴露。
- install.py 使用 --force 会覆盖所有 stamped files，包括 sssf.config.yaml 和 prompts，执行前必须先提交或备份。
- Agent 工作流仍然依赖大模型能力，不能保证生成代码一定正确，需要团队自行设计验收门禁。
- 项目是“技能包”而不是完整 SaaS 产品，需要根据具体仓库改造 workflows、prompts 和 gates。
- 对中文项目可用，但 README、提示词和默认模板主要是英文，中文团队可能需要本地化 prompt 和流程规范。
- 如果 protected_files、writes、tools 配置不严谨，仍可能出现 Agent 越界修改或执行高风险命令的问题。
2026-08-09
第17名
新收录 · github_search
2026-08-08
第19名
新收录 · github_search
2026-08-07
第23名
新收录 · github_search
2026-08-06
第27名
新收录 · github_search
2026-08-05
第29名
新收录 · github_search
