今天偶然间发现了一个开源项目:

affaan-m

/

ECC

Waiting for api.github.com...

00K

0K

0K

Waiting...

看完以后我给予了高度评价: 一个通用的 Harness 框架

项目介绍

来自 Anthropic 黑客马拉松获胜者的完整 Claude Code 配置集合。 不止是配置文件，而是一整套完整系统：技能体系、本能行为、记忆优化、持续学习、安全扫描，以及研究优先的开发模式。 包含可直接用于生产环境的智能体、技能模块、钩子、规则、MCP 配置，以及兼容传统命令的适配层 可在 Claude Code、Codex、Cursor、OpenCode、Gemini 及其他 AI 智能体框架中通用。

安装指南

安装完成观察Claude Code

• 新增 269 个skills
• 新增 5 个 mcp
• 新增 63 个子代理 subagent
• 新增若干 rules

可能有些小伙伴就要问了: 为什么相比而言 mcp 数量如此之少？

这里引用原作者文章的一段话来回复:

因为 mcp 对比 cli 太重了，mcp是对cli 的封装，mcp也是一个不错的封装，为了让 CLI 的功能更接近 MCP，但又无需实际使用 MCP（以及随之而来的较小的上下文窗口），可以考虑将功能打包成技能和命令。剥离 MCP 提供的那些简化操作的工具，并将它们转换为命令。

所以看到了为何skills如此庞大了把，本质上都是被打包为 CLI 与 SKILLS 。想必大家都清楚了吧！好,下面来简单看看这个项目

庞大的技能库与相关mcp占据了 33k 上下文，对于我来说勉强可以接受。但是它带给你的是数不清的技能组合，开发命令。下面简单介绍一下有代表的 skills, agents 帮助大家对这个项目有初步的了解

可以看到有擅长不同语言的子代理

1. 负责优化harness工程
2. 自我迭代agent,
3. 负责长任务loop循环的agent
4. 负责网络配置的agent

这些都是无感的，也就是说不需要和命令一样显示声明，claude自动在合适的任务中启动合适的agent来完成专业的任务

skills 略过, 在日常开发中只需要记住常用的命令即可，通过命令即可调用底层标准化skills，在本文末尾我也会介绍我常用的命令以及开发流程

设计理念

精简指南 设置、基础、理念。 先读这个。	详细指南 Token 优化、内存持久化、评估、并行化。	安全指南 攻击向量、沙箱技术、数据净化、CVE漏洞、Agent防护

作者编写了3篇由浅入深的文章简洁了设计理念，下面我将讲述作者的设计理念(参考上面3篇文章)

技能与命令的设计：固化重复工作流

在设计技能和命令时，需要聚焦实际开发痛点，例如代码导航或检查点更新。可以创建一个更新codemaps的技能，让AI在关键节点快速定位代码库结构，而不必消耗大量上下文去反复探索。命令的设计原则是按需触发和链式组合，确保AI能高效响应，而不是依赖冗长的提示。

此外，规则文件（.rules文件夹或CLAUDE.md）定义持久约束，比如要求代码库中不使用表情符号、部署前必须测试、优先采用模块化代码而非巨型文件。这些规则为所有交互提供基础框架，让AI的行为保持一致性和可靠性。

钩子的设计：事件驱动的主动干预

钩子是ECC中实现主动管理的关键机制，它基于生命周期事件自动干预上下文和风险管理。常见类型包括PreToolUse（工具执行前进行校验）、PostToolUse（执行后格式化和反馈）、UserPromptSubmit、Stop（会话结束时）和PreCompact（压缩前处理）。

通过这些钩子，可以自动化重复的运维工作，例如在运行长命令前提醒使用tmux，或在会话结束时自动提取有价值的模式并生成新的技能。hookify插件允许用自然语言描述需求即可生成配置，从而将事件驱动的自动化嵌入日常流程，形成自我改进的闭环。

子代理与MCP的设计：分治上下文与外部集成

子代理让主代理能将有限范围的任务委托出去，每个子代理只加载必要的工具和技能，避免主上下文迅速膨胀。设计时需为每个子代理明确允许的工具和权限，甚至可以沙箱隔离以提升安全性。

MCP作为prompt驱动的外部服务包装器，例如直接通过Supabase MCP执行SQL操作。设计重点是按需启用，避免同时加载过多MCP导致可用上下文从200k锐减到70k。建议配置20-30个MCP但仅激活少量，并结合git worktrees处理并行任务，从而通过架构手段解决token经济问题。

记忆与持续学习的设计：构建自我改进闭环

记忆机制强调跨会话的持久化，通过session logs和钩子自动总结关键信息。可以在技能中加入进度总结逻辑，保存到临时文件供后续会话直接加载。Stop钩子特别适合在会话结束时分析记录、提取可复用模式，并自动存入~/.claude/skills/learned/目录。

CLI的系统prompt注入则提供更高优先级的上下文加载，用于严格规则或特定场景的持久记忆，让AI随着使用不断积累知识，成为真正持续学习的助手。

常用指令

持续学习

先来介绍一个命令 /continuous-learning-v2

这个一个自发的 instinct(本能)， 有着 confidence scoring 可以评估可信度,v2版本减少了大模型的幻觉问题

作用可以在项目级 scope 下将 session 确定性行为以文件(文件后缀-instinct)的方式沉淀, 后续会话会加载文件内容。与之相关的还有 /ecc: learn-eval 和 /ecc: save-session 提炼本次信息与记忆

我们可以通过 /instinct-status 查看对于本项目的本能与学习状态

在作者介绍页可以看到 持续学习 成体系的规划为多个命令

基于直觉的学习系统自动学习你的模式：完整文档见 continuous-learning-v2 。

/instinct-status        # 显示带有置信度的学习直觉
/instinct-import <file> # 从他人导入直觉
/instinct-export        # 导出你的直觉以供分享
/evolve                 # 将相关直觉聚类到技能中
/promote                # 将项目级直觉提升为全局直觉
/projects               # 查看已识别项目与直觉统计

测试相关命令

在测试方面 ecc 封装了2个常用指令

1. /ecc:e2e-testing : 端到端测试,得益于插件内部的 playwright mcp,能够让 agent 实现自动化测试流程
2. /ecc:tdd-testing : tdd 单元测试

除了以上通用性测试，还有针对不同语言，框架的测试

日常开发流

这是我的开发流程，有了 ecc 以后，开发基本上是通过命令驱动

/ecc:multi-plan feat: 优化网站ui 然后 /ecc:e2e-testing 保证 100% 覆盖，设置独立的subagent /ecc:code-review ,提交
  /ecc:pr 最后 /ecc:learn-eval 提炼本次内容