大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



OMC - 01 用 19 个 Agent 打造你的 Claude Code“工程团队”：oh-my-claudecode 深度解析与实战指南

OMC - 02 五分钟起步，走向多智能体协作：深入解析 oh-my-claudecode 快速开始与架构设计

OMC - 03 从 0 到高效：Oh My ClaudeCode 安装与实践全指南

---

大模型写代码这件事，从一开始的“帮我补全一段函数”，已经演变成“帮我从 0 到 1 做一个完整的小系统”。但只靠一次次自然语言对话，很快会遇到几个现实问题：

• 想法不清晰，模型和人互相误解；
• 任务拆分随意，做着做着就迷路；
• 多轮修改之后没人知道“到底算不算完成”；
• 项目一换，上下文、约定、经验全部丢失。

Oh-My-ClaudeCode（下文简称 OMC）试图用一套“会话内技能系统”解决这些问题：把常见工作流抽象成 30 个可复用技能，在对话中随时调用，让 AI 不再只是“一次性回答器”，而是可以被编排、被约束、可验证的长期协作伙伴。

这篇文章面向日常在终端、IDE、中重度使用 AI 编程助手的开发者和技术爱好者，系统梳理 OMC 的会话技能体系：它解决什么问题，30 个技能如何分层协作，典型工作流怎么落地，以及如何在自己团队中长期用好这套体系。

---

在 OMC 里，“技能”（Skill）是对某类复杂工作流的统一封装：每个技能对应一个独立目录，里面有一份带 YAML frontmatter 的 SKILL.md 描述该技能的元数据、触发方式和执行步骤。

/oh-my-claudecode:<skill-name> [arguments] 

OMC 会通过“技能桥接脚本”自动扫描 skills/ 目录，无需额外注册即可加载新技能；调用时 Claude 会进入对应工作流，按定义的步骤迭代执行，直至完成或被取消。

技能有三种常见触发方式：

1. 显式斜杠命令，例如：

   /oh-my-claudecode:ralph fix the null check in auth.ts 

2. 自然语言触发词，例如对话里说：

   autopilot build me a REST API

   效果等价于显式调用 autopilot 技能。

3. 自动关键词检测：在对话中输入特定短语，会触发对应技能（下文会列出关键词表）。

这种设计有几个直接好处：

• 行为可预期：每个技能的输入、阶段、成功标准清晰，避免“随机发挥”；
• 可组合：技能之间可以通过 pipeline 或 next-skill 形成流水线；
• 可扩展：你可以把自己摸索出的好用工作流，沉淀成新技能，在团队内共享。

---

OMC 把 30 个技能划分成六大类，每一类对应开发生命周期中的不同环节：

理解这张“地图”，是用好 OMC 的前提。

---

执行类技能是 OMC 的核心战力，负责真正“干活”：编码、重构、修复、测试，以及整条链路的质量闭环。 它们之间是分层关系：

调用方式：

/oh-my-claudecode:autopilot <产品想法> 

典型触发词："autopilot", "build me", "create me", "I want a..."。

Autopilot 面向的是“给你一个想法，你帮我跑完整个软件生命周期”的场景：从需求分析、技术设计，到任务规划、并行编码、QA 循环及最终多方验证。

其内部通常会经历 5 个阶段：

1. 阶段 0 – 扩展：把简短想法扩展为详细规格说明（若已有 Deep Interview 或 Ralplan 输出可直接复用）；
2. 阶段 1 – 规划：产出可执行的技术方案与任务分解；
3. 阶段 2 – 实现：并行执行编码任务，底层由 Ultrawork 提供并行能力；
4. 阶段 3 – QA 循环：最多 5 轮“测试 → 修复 → 再测”，直到满足目标；
5. 阶段 4 – 多视角验证：由代码审查员、安全审查员、架构师等不同角色给出签字结论。

适合用 Autopilot 的场景：

• 新建一个 Demo 服务或内部工具；
• 为已有系统增加一个中等规模的模块；
• 希望尽量少打断 AI，自主跑完一条链路。

不适合的场景：

• 只是想比较几种技术方案或权衡取舍（先用规划类技能，如 omc-plan）；
• 只需要小改动或一次性修复（用 ralph 或直接点对点委派）。

一个典型例子是：

“帮我做一个支持用户注册、登录和JWT鉴权的 REST API，技术栈用 Node.js + PostgreSQL。”

此时直接丢给 Autopilot，会自动拉起完整链路：从 schema 设计到路由、控制器、中间件再到测试和验证。

---

调用方式：

/oh-my-claudecode:ralph [--no-deslop] [--critic=architect|critic|codex] <任务> 

典型触发词："ralph", "don't stop until", "must complete"。

Ralph 的核心目标是：确保任务真正完成并通过验证，而不是“差不多就行”。

工作方式上，它会：

1. 从你的任务描述生成 prd.json，将需求拆成一条条具有可测试验收标准的用户故事；
2. 按故事逐个迭代，每个故事执行 → 测试 → 审查 → 必要时重试；
3. 强制引入审查 Agent（默认为架构师，可通过 --critic 切换），从结构、质量和一致性层面把关；
4. 可选地在审查通过后执行“slop 清理”（反 AI 冗余清理），通过 --no-deslop 可以关闭。

适合用 Ralph 的场景：

• 你有一组清晰的变更需求，必须逐条兑现；
• 需要长期跟踪进度，例如把一个迭代拆成多个故事，一次次落地；
• 希望结果在结构上“像是人写的”，而不是大量重复和过度抽象。

比如：

“把我们旧版认证模块整体升级到支持 OAuth2 + 内部单点登录，确保所有原有用例都不回归。”

此时通过 Ralph 建立 PRD 并持久化推进，比简单地让 AI“帮我改一下”更可靠。

---

调用方式：

/oh-my-claudecode:ultrawork <包含并行项的任务> 

典型触发词："ulw", "ultrawork"。

Ultrawork 是一个偏底层的可组合组件：负责并行执行和模型智能路由，但不管状态持久化，也不做闭环验证。

它会根据任务类型把子任务路由到不同模型层级，例如：Haiku 处理简单查询，Sonnet 负责常规开发任务，Opus 处理复杂分析。

适用的典型场景是：

• 有一堆彼此独立的小任务，例如同时写多个工具函数、生成多份配置；
• 你会自己检查结果，不要求系统帮你“记住今天做了什么”。

如果希望在并行基础上增加持久化和验收，就可以让 Ralph 来封装 Ultrawork；再往上则由 Autopilot 封装 Ralph。

---

调用方式：

/oh-my-claudecode:team [N:agent-type] [ralph] <任务> 

典型触发词："team"。

Team 把“多 Agent 协作”作为一等公民：创建 N 个协作 Agent，在共享任务列表上分工合作，由主 Agent 负责拆解、分配和调度。

具备几项关键能力：

• 支持多种 Worker：Claude Worker、Codex CLI Worker、Gemini CLI Worker；
• 内置阶段化流水线：探索 → 调研 → 设计 → 规划 → 编码 → 测试 → 验证；
• 任务依赖与重分配机制，以及看门狗策略防止任务卡死；
• 可以通过 ralph 修饰符和 Ralph 组合，实现“多 Agent + 持久化”的混合模式；
• 集成 Git worktree，在代码层面实现隔离的并行开发分支。

适合团队中这样的一类任务：

“给我们的微服务架构做一次全面诊断：找出风险点，给出改进设计，并分模块实现关键改动。”

在这种场景下，单 Agent 很容易“脑丢失”；Team 模式则可以分角色深入不同子系统，再通过共享待办汇总。

---

调用方式：

/oh-my-claudecode:ultraqa [--tests|--build|--lint|--typecheck|--custom] [--interactive] 

UltraQA 关注的是质量闭环：它会启动一个 QA 循环，引入 QA tester 与架构师两个角色，让他们在“检测 → 分析 → 修复 → 复测”的回路中最多执行 5 轮，直至达到预设的质量目标。

支持多种目标类型：--tests、--build、--lint、--typecheck、--custom 以及交互式测试模式。

典型用法是接在 Ralph 或 Autopilot 之后，对某个模块做一次心理上更“安心”的质量收尾。

---

规划技能解决的是“需求搞不清楚，写代码只会重复返工”的老问题。 OMC 提供了从轻量到重量的多个层级。

调用方式：

/oh-my-claudecode:omc-plan [--direct|--consensus|--review] [--interactive] [--deliberate] <任务> 

根据你的输入情况，Plan 会选择不同模式：

共识模式下，Plan 会持续迭代生成一份 RALPLAN-DR 摘要，包括决策原则、关键驱动因素、可选方案和风险预估，甚至支持事前验尸（pre-mortem）。 通过审批后，这份计划可以直接交给 Autopilot 或 Ralph 执行。

调用方式：

/oh-my-claudecode:ralplan [--interactive] [--deliberate] <任务> 

Ralplan 本质上是 omc-plan --consensus 的简写，但它还有一个更关键的角色：执行前门控。

当你以模糊指令调用执行类技能（比如“ralph fix this”）时，Ralplan 会拦截这类请求，让系统先进入共识规划流程，避免盲目执行。

只有在检测到足够“具体信号”时，它才会放行，例如：明确的文件路径、Issue 编号、函数名、编号步骤或具体代码块。 若你非常确定自己要干什么，也可以用 force: 或 ! 前缀绕过门控。

这种设计，实际上是用“规划”去保护“执行”，帮助你避免把大量算力浪费在错误方向。

调用方式：

/oh-my-claudecode:deep-interview [--quick|--standard|--deep] [--autoresearch] <想法> 

典型触发词包括 "deep interview", "interview me", "ouroboros", "don't assume"。

Deep Interview 把“需求明确化”当成一个可以度量的过程：引入数学上的“模糊度评分”，每轮只就清晰度最差的维度提一个问题，并拒绝在模糊度降到 20% 以下前进入后续执行阶段。

更有意思的是，它在不同轮次会引入角色切换，例如：第 4 轮引入反对者，第 6 轮引入简化者，第 8 轮引入本体论者，以不同视角挑战原有假设。

它最适合这样一种状态：

“我有个模糊的产品想法，连自己都说不清楚，更别说直接上来写代码。”

在 OMC 推荐的三阶段流水线中，通常是：

deep-interview → ralplan → autopilot。

先把需求清晰到“模糊度 ≤ 0.2”，再通过 Ralplan 达成团队级共识，最终由 Autopilot 全流程执行。

---

探索技能服务于“搞清楚发生了什么”和“熟悉环境”两类需求。

调用方式：

/oh-my-claudecode:deep-dive <问题> 

Deep Dive 将 trace 和 deep-interview 编排成一个两阶段流水线：先在多条并行通路上做因果调查（Trace），再把得到的发现注入到 Deep Interview 中，形成针对性的对策设计。

这样可以避免单独跑 Trace 或单独跑访谈时的上下文割裂问题。

调用方式：

/oh-my-claudecode:deepinit 

Deepinit 的目标很简单：扫描项目，为 AI Agent 生成一个层级化的 AGENTS.md，帮助后续各种技能更好理解代码库结构。 在把 OMC 接入老项目时，优先跑一遍 Deepinit 会非常有价值。

调用方式：

/oh-my-claudecode:trace <观察现象> 

Trace 面向的是那种“靠猜很容易错”的问题：表现为一组观察现象，却隐藏复杂因果链。

它会系统地完成几件事：

1. 重述观察现象，确保大家谈的是同一件事；
2. 生成多条竞争性假设；
3. 为每条假设并行收集证据；
4. 对不同解释进行排序；
5. 提出后续可操作的鉴别性探测。

整个过程严格区分“观察”“假设”“证据”和“当前**解释”，刻意避免退化成“试试改这里”“再试试改那里”的修 bug 循环。

---

这类技能不直接写代码，却决定了 OMC 在一个项目中能否长期高效运作。

调用方式：

/oh-my-claudecode:ask <问题> 

ask 通过 omc ask 封装器，把请求路由到本地的 Claude、Codex 或 Gemini CLI，并把结果持久化到 .omc/artifacts/ask/ 目录。

建议始终用 omc ask 而不是手写底层 CLI 命令，既方便日志留存，也减轻心智负担。

调用方式：

/oh-my-claudecode:cancel [--force|--all] 

当 Autopilot、Ralph、Ultrawork、UltraQA、Team 等模式正在运行时，cancel 是统一的退出方式：自动检测当前模式并做相应的清理，避免残留状态在后续会话中造成干扰。

调用方式：

/oh-my-claudecode:ccg <问题> 

CCG 通过 ask 同时向 Codex（偏架构/后端）和 Gemini（偏 UX/设计）发起查询，再由 Claude 综合三方视角给出答案。 适合需要多维度权衡的问题，例如架构选型或 API 设计。

• Remember：把当前会话中有价值的信息分类存入项目记忆、记事本或 docs/AGENTS 等持久层，而不是简单堆在某个“黑洞”里。
• Wiki：受 Karpathy 启发的 Markdown 知识库，支持导入、查询、Lint、快速添加和列表，存储在 .omc/wiki/。
• Learner：在解决某个“独特且难以搜索”的棘手 Bug 后，从调试过程抽取可复用的原则和启发式，形成 Level 7 自我改进技能。

三者组合起来，可以让“这次踩坑学到的东西”真正积累起来，成为下次的先验知识，而不是每次从零开始。

• Skill：管理内置技能、用户级技能和项目级技能（分别对应 OMC 内置、~/.claude/skills/omc-learned/ 和 .omc/skills/）。例如 /skill list 查看所有技能，/skill add 新建技能。
• Skillify：把当前会话中成功的多步工作流自动提取为一份技能草案，包含 YAML frontmatter、触发词、步骤和成功标准，写入用户或项目级目录。
• HUD：配置状态栏显示模式，例如 minimal、focused（默认）和 full，以及安装/修复 HUD 封装脚本。

这三个技能，让你可以从“使用技能”上升到“设计技能、管理技能”，逐步搭出一套符合自己团队习惯的 AI 协作操作系统。

---

调用方式：

/oh-my-claudecode:setup [doctor|mcp|wizard] 

不带参数时进入完整安装向导，doctor 进入诊断流程，mcp 进入 MCP 服务器配置。

• omc-setup：配置本地或全局 CLAUDE.md、设置 HUD、配置通知并执行健康检查，支持 –local、–global、–force。
• omc-doctor：检查插件版本、旧版钩子、CLAUDE.md 配置等，以 CRITICAL/WARN/OK 级别给出可操作建议。

安装技能把“环境搭建”和“问题排查”本身做成了可复用工作流，避免每次换机或换项目都手忙脚乱。

---

领域技能更多是针对特定场景的深度优化。

调用方式：

/oh-my-claudecode:ai-slop-cleaner [--review] 

这个技能专注于清理 AI 生成的“slop”代码：冗余、重复、过度抽象等。 工作准则是：

• 在改动前先通过测试锁定行为；
• 优先删除多余代码，而不是再加新东西；
• 保持差异小且可逆，降低回滚成本。

配合 Ralph 或 Autopilot 使用，可以大幅降低“代码看上去是 AI 写的”的违和感。

调用方式：

/oh-my-claudecode:visual-verdict 

Visual Verdict 会把当前 UI 截图与参考图进行对比，给出 0–100 分的 JSON 评分，并驱动反复编辑，直到评分达到 90 分以上。

对于追求像素级还原设计稿的前端或客户端团队，这个技能能显著降低肉眼对比的体力劳动。

此外，还有项目会话管理、写作记忆、自我改进、通知配置等领域技能，可以根据自己的技术栈和团队习惯按需引入。

---

在日常对话里，你不必每次都输入完整命令，一些常见短语会自动激活技能：

这有点像给会话加上“热词插件”：当你自然说出这些短语时，系统自动切换到更适合的模式，而不是停留在普通问答。

技能定义中可以通过 pipeline 或 next-skill 把多个技能串成标准流水线，OMC 会自动插入统一的交接块，让下游技能能正确消费上游输出。

典型例子是 Plan 技能内置的三阶段流水线：

pipeline: [deep-interview, omc-plan, autopilot] 

这条链路的效果是：

1. 先用 Deep Interview 把想法澄清成低模糊度规格；
2. 再用 omc-plan 做共识规划；
3. 最后交给 Autopilot 按方案执行。

你也可以在自定义技能里显式调用其他技能，比如：

• 先用某个 explore 技能获取上下文；
• 再用 architect 技能做架构分析；
• 最后用 executor 技能完成编码实现。

---

如果你刚接触 OMC 的技能系统，可以按下面的路线逐步升级自己的使用方式：

1. 从 /oh-my-claudecode:setup 开始
   完成基本安装与配置，并通过 omc-doctor 确认环境健康。
   
   
   
2. 用 /oh-my-claudecode:skill list 熟悉技能全貌
   了解有哪些“模式”可用，脑子里有张技能地图。
   
   
   
3. 用 /oh-my-claudecode:ralph 处理第一个真实任务
   选择一个不算太大的需求，让 Ralph 驱动完整 PRD 和执行循环，体验“绝不漏项”的工作流。
   
   
   
4. 探索 /oh-my-claudecode:omc-plan 做规划
   在动手改代码之前，借助 Plan 做方案对齐，尤其是多人协作场景。
   
   
   
5. 升级到 /oh-my-claudecode:autopilot
   把一个端到端的功能点全权交给 Autopilot 执行，形成对“自动驾驶开发”的直观感受。
   
   
   
6. 掌握 /oh-my-claudecode:team 的多 Agent 协作
   在较大任务中试试 Team 模式，逐步培养“给 AI 分工”的习惯，而不是只和单个助手对话。
   
   
   
7. 把自己的成功套路 Skillify 掉
   当某条工作流多次实践效果不错，用 skillify 把它沉淀成项目级技能，让团队成员可以一键复用。
   
   
   

---

OMC 的会话技能系统，真正有价值的地方在于三个层面：

1. 结构化：把“写需求 → 做设计 → 划分任务 → 并行执行 → QA → 验证”的过程实体化为技能，减少临场发挥带来的随机性；
2. 可组合：技能之间可以形成流水线，再配合记忆与知识库，使 AI 在同一项目内持续变“熟练”；
3. 可沉淀：不仅你可以用内置技能，还可以通过 Skillify 把自己的**实践固化下来，变成个人或团队的专用助手模式。

如果你已经习惯了在编辑器里敲下 “// TODO: ask AI”，不妨进一步想一想：这是不是某个可以固化下来的工作流？它是不是应该变成一个可复用的技能？当这件事发生时，你使用的就不再只是一个“智能补全工具”，而是一套真正可编程的 AI 协作系统。

建议的实践起点：

• 先用 deep-interview → ralplan → autopilot 这条流水线做一次端到端实验；
• 然后挑一条你常做的重复性工作，尝试用 skillify 把它变成你的第一个自定义技能。