HelloAGENTS 的 14 项技能与 ~ 命令路由是怎么组织的

先看它的加载模型

HelloAGENTS 在 Claude Code、Gemini CLI、Grok Build、Cursor 和 Codex CLI 之上加了一层工作流。它的核心特性里有两件和「组织方式」直接相关:14 项内置工作流技能,以及一批 ~ 前缀命令。

README 给的原则很克制:技能只在当前阶段需要时才加载,简单任务保持轻量,复杂工作才接受更严格检查;命令技能直接读取,工作流不需要时不会加载无关技能。它不是把规则一次性灌进上下文,而是按阶段做路由。

装完之后,技能从哪里读

v3 是基于 Node.js 的完全重写版本,v2.x 的旧 Python 分支已归档到 helloagents-archive。安装与宿主部署是两件事。

复制代码

第一条命令只装包。postinstall 会初始化 ~/.helloagents/helloagents.json 并把运行时文件同步到 ~/.helloagents/helloagents;除非设置 HELLOAGENTS=target[:mode],否则不会部署任何宿主命令行。想在看证据前先对照同类插件的中文清单与安装形态,见 DeepSeek Harness Hub 插件清单。

部署后在 AI 命令行输入 ~help 验证;不识别时先跑 helloagents doctor 并重启目标 CLI。切换模式后也要重启或开新会话,已在跑的会话不会自动重载注入的规则。

14 项技能是按任务类型激活的

技能清单本身就能看出分类逻辑。UI 有 hello-ui(UI 规划、设计契约、实现映射、视觉验证);接口有 hello-api(设计、校验、错误格式、兼容性);安全有 hello-security(认证、密钥、权限、注入风险);测试有 hello-test(TDD、覆盖率、边界情况、测试结构)。

质量与收尾由 qa-review 统一负责:统一质量审查、验证命令、阻塞性修复、交付证据、收尾。注意它和 ~qa 命令不是一回事------一个是技能,定义行为;一个是命令,触发流程。

再往下按领域切分:hello-errors(错误处理、日志、重试与恢复)、hello-perf(性能、缓存、查询与渲染风险)、hello-data(数据库、迁移、事务、索引)、hello-arch(架构、边界、代码规模、可维护性)、hello-debug(Bug 诊断,卡住时升级处理)。

最后是三项元能力:hello-subagent(子代理委派与结果整合)、hello-write(文档与报告)、hello-reflect(可复用的经验教训与知识更新);加上 helloagents 技能本身,它负责命令路由、工作流阶段规则、项目知识、状态协调,把所有其他技能串起来。

~ 命令路由与兼容别名

命令以 ~ 前缀在聊天里运行,用于显式指定路径。澄清类有 ~ask(通过问答锁定目标、方向、范围和约束,不写文件);推进类有 ~auto(选主路径并持续推进到交付或真阻塞)与 ~build(按当前请求或已有计划实现);规划类有 ~plan(需求、方案设计、任务拆解、计划包)与 ~prd(逐维度引导生成现代 PRD)。

质量与维护类包括 ~qa(统一质量循环:审查、验证命令、修复、收尾)、~test(为目标模块或最近改动写测试)、~commit(生成 conventional commit 信息并同步知识)、~clean(归档已完成计划、清理临时运行时文件)。入口类有 ~init(初始化项目工作流并同步项目知识)、~loop(长时间运行入口,在 Codex 中优先走 /goal -> ~auto -> ~qa)、~help(显示命令和当前设置)。

兼容别名有四个:~do → ~build、~design → ~plan、~review → ~qa、~idea → ~ask(已废弃)。

路由的意义在于上下文经济:~ask 只做对话、不产生文件,所以在纯讨论场景下不会污染仓库;~plan 才落盘计划包(requirements.md、plan.md、tasks.md、contract.json),contract.json 决定 qaMode、qaFocus、可选的 advisor 检查与可视化验证。

命令技能与工作流阶段的加载边界

工作流阶段模型是:路由与分层 → 目标澄清 → 规划 → 实现 → 质量循环 → 收尾与归档。路由与分层决定任务该走 ~ask、~plan、~build、~qa、~prd 还是自动流;后面各阶段分别负责确认目标与成功标准、准备计划文件并选技能、跑本地检查、审查并检查契约与证据、更新状态与收尾证据。

命令技能与阶段规则的加载边界就体现在这里:命令技能负责「用户按了哪个入口」,阶段规则负责「进去之后按什么顺序走」,任务技能只在对应阶段被拉进来。三者不是同一层东西,混着理解就会觉得它「什么都管」。它另有一层常驻核心规则放在 bootstrap.md / bootstrap-lite.md,把智能体锚定为可信环境中有能力的执行者,并要求在宣告阻塞前穷尽替代路径。

Codex 这边的托管配置与 hook 信任状态

Codex 是这套集成里细节最多的一支,因为它默认是规则文件驱动的。

standby 模式下,它写 ~/.codex/AGENTS.md,写一条托管且可移植的 model_instructions_file = "~/.codex/AGENTS.md",还写一条同样可移植的 notify = ["helloagents-js", "codex-notify"] 用于收尾通知------重装、更新或换机都不需要重写绝对路径。

它还写静默的 Codex hooks 到 ~/.codex/hooks.json。设计取舍是:SessionStart 保持静默,并在运行时读取当前的 ~/.helloagents/helloagents.json,而不是把配置快照烘进 config.toml,好处是首轮与压缩后的设置都保持最新。

安装与更新还会把托管的 Codex hook 信任状态同步到 ~/.codex/config.toml,这样 Codex 0.129.0+ 不会重复提示托管 hooks。但要注意:这个信任状态是机器本地生成元数据,由当前 ~/.codex/hooks.json 的绝对路径派生,不是可移植配置,每台机器都要重新生成。全局模式下 Codex 安装原生 local-plugin 链,但仍以 ~/.helloagents/helloagents 作为唯一的托管运行时来源;hooks 只同步运行时状态并执行 Stop 门禁,不注入规则,closeout 还会对 Stop hooks 与原 codex-notify 去重,一轮不会通知两次。

/goal 是可选加速器,不是依赖

Codex 的 /goal 是原生的,需要 helloagents codex goals enable 显式开启。README 口径很明确:当前 OpenAI 文档仍把 /goal 标为 experimental,Codex app 支持仍是 preview,所以 HelloAGENTS 把它当作可选的 Codex 原生加速器,而不是必需运行时依赖。

长任务链路的默认形态是 /goal -> ~auto -> ~qa:Codex 负责长时间运行的续接,~auto 执行 AFK 工作,~qa 在收尾前仍是最后的质量关卡。Goal 相关命令从 tasks.md、contract.json 和 state_path 恢复,不会自动创建 goal,也不会在验证与收尾前把它标记完成。tasks.md 里预置的 Codex /goal 入口,就是 ~loop 用的那个。

总结

把技能按阶段加载、把命令当作显式路由、把 Codex 的托管配置与机器本地信任状态分开处理,是这套组织方式的三条主线;想对照更多同类插件的中文清单与安装形态,见 DeepSeek Harness Hub 插件清单。

适合与不适合

适合 :已经在用 Codex CLI、希望把托管注入、notify 与 Stop 门禁一次配好的人;希望通过 ~ 命令显式控制走澄清还是规划还是质检的多步任务;需要按任务类型自动加载质量技能的复杂项目;想通过 bootstrap 层约束智能体不甩锅的团队。

不适合 :只需要单条命令、不打算理解阶段模型的轻度用户;无法接受安全扫描 🔴 高危(21 处证据、尚无人工评估)且不愿自行核查的人;依赖 Codex 之外宿主做深度定制,或期望 /goal 已经稳定的场景------它仍是 experimental。

标签:HelloAGENTS、DeepSeek Harness、技能与命令路由、进阶用法

本文由 DeepSeek Harness Hub 自动整理,数据来源于插件详情页。

相关推荐
归秋1422 小时前
多轨音频智能混音软件怎么选:从 demo 到更完整作品的 AI 后期工具思路
人工智能·音视频
DP DPharness2 小时前
装完看不到模型?dsh-commandcode-provider 排错速查
人工智能·dpharness
天国梦2 小时前
哪个英语教学软件功能比较全面?我按五个维度拆了一遍
人工智能·机器学习
tomlone2 小时前
AI 实践:OpenClaw + 本地 Ollama + Qwen3.5
人工智能·自然语言处理·ai写作
盘古开天16662 小时前
windows鱼塘可交互鱼群动态桌面资源
人工智能·chatgpt·开源
零基础1232 小时前
Agentic Identity:智能体身份识别的核心技术、应用场景与实践指南
人工智能
指针向南2 小时前
canvas最大尺寸是多少:三个浏览器能画、能导出的上限
图像处理·人工智能·计算机视觉
零基础1233 小时前
LLM Agent 驱动的物模型构建:从设备手册到边缘接入的自动化实践
运维·人工智能·经验分享·python·自动化