Claude Code Zen MCP Skill Work

Claude Code Zen MCP Skill Work

🚀 一个为 AI 编程智能体设计的、开箱即用的规则体系与技能包。

本项目不仅仅是工具的集合，更是一套标准化的工作流程和质量保障机制。它通过智能路由、多阶段工作流和自动化代码审查，赋能 AI 智能体以更高效、更可靠的方式完成复杂的编程任务。

✨ 核心特性

• 🔗 CLI 桥接能力: 使 AI 智能体能通过 Zen MCP 自主调用外部命令行工具（如 Codex CLI, Gemini CLI），实现跨工具协作。
• 🧠 智能路由 (main-router): 根据用户意图自动选择最合适的技能，是整个系统的“大脑”。
• 📊 结构化工作流 (P1-P4): 将复杂的开发任务分解为分析、方案、执行、修复四个标准阶段，确保流程清晰可控。
• 📝 自动化规划 (plan-down): 告别手动任务分解，自动生成结构化的 plan.md，并支持多模型验证。
• 🔍 5维代码审查 (codex-code-reviewer): 从质量、安全、性能、架构和文档五个维度对代码进行全面审查和打分。
• 📄 专业文档生成 (simple-gemini & deep-gemini): 自动生成和维护项目知识库 (PROJECTWIKI.md)、变更日志 (CHANGELOG.md) 和深度技术分析报告。
• 🤖 全自动模式: 支持“一句话需求，全自动开发”模式，AI 可自主完成从规划到代码实现、审查、测试和文档更新的全过程。

🏗️ 工作原理

系统通过一个四阶段（P1-P4）的工作流来处理用户请求，由 main-router 统一调度。这个流程确保了每个任务都经过充分的分析、严谨的规划和严格的质量验证。

flowchart LR
    A[用户请求] --> B(main-router
意图识别与路由)
    B --> C[P1: 分析问题
理解需求，定位根因]
    C --> D[P2: 制定方案
调用 plan-down 生成 plan.md]
    D --> E[P3: 执行方案
编码、测试、文档更新]
    E --> F{成功?}
    F -->|是| G[✅ 完成]
    F -->|否| H[P4: 错误处理
修复问题并通过回归闸门验证]
    H --> G

深入了解架构设计、状态机和数据模型，请查阅 PROJECTWIKI.md。

🎯 核心技能包

本项目提供了一套即插即用的核心技能，每个技能都为 AI 智能体赋予一项专业能力。

🚀 快速开始

1. 环境要求

• Python >= 3.8**
• Git

2. 安装步骤

本仓库包含了 Zen MCP Server 和 核心技能包，只需三步即可完成安装。

第一步：克隆仓库

git clone https://github.com/VCnoC/Claude-Code-Zen-mcp-Skill-Work.git
cd Claude-Code-Zen-mcp-Skill-Work

第二步：运行一键安装脚本

脚本将自动完成 Zen MCP Server 的安装、技能包的复制和全局规则的配置。

• Linux / macOS:

  chmod +x install.sh && ./install.sh

• Windows:

  .\install.ps1

💡 提示: 如果一键脚本不可用（例如从 GitHub 克隆的版本），请使用下面的手动安装步骤。

Linux / macOS 手动安装

# 1. 复制并安装 Zen MCP Server
cp -r zen-mcp-server ~/zen-mcp-server
cd ~/zen-mcp-server
pip3 install -r requirements.txt
cd ..

# 2. 复制技能包、共享资源和全局规则
mkdir -p ~/.claude/skills
cp -r skills/* ~/.claude/skills/
cp -r references ~/.claude/references
cp CLAUDE.md ~/.claude/CLAUDE.md

Windows 手动安装

# 1. 复制并安装 Zen MCP Server
Copy-Item -Path ".\zen-mcp-server" -Destination "$env:USERPROFILE\zen-mcp-server" -Recurse
cd "$env:USERPROFILE\zen-mcp-server"
pip install -r requirements.txt
cd $OLDPWD

# 2. 复制技能包、共享资源和全局规则
New-Item -ItemType Directory -Path "$env:USERPROFILE\.claude\skills" -Force
Copy-Item -Path ".\skills\*" -Destination "$env:USERPROFILE\.claude\skills\" -Recurse
Copy-Item -Path ".\references" -Destination "$env:USERPROFILE\.claude\references" -Recurse
Copy-Item -Path ".\CLAUDE.md" -Destination "$env:USERPROFILE\.claude\CLAUDE.md"

手动安装核心步骤总结：

1. 复制 zen-mcp-server/ 到用户目录并安装依赖
2. 创建 ~/.claude/ 目录结构（如不存在）
3. 复制 skills/ 下的所有技能文件到 ~/.claude/skills/
4. 复制 references/ 文件夹到 ~/.claude/references/
5. 复制 CLAUDE.md 到 ~/.claude/CLAUDE.md

📁 最终目录结构：~/.claude/ 包含 skills/、references/ 和 CLAUDE.md 三个核心组件

3. 配置与启动

第一步：配置 API Keys

编辑位于 ~/zen-mcp-server/.env (或 %USERPROFILE%\zen-mcp-server\.env) 的配置文件，填入您的 API Keys。

# OpenAI API Key (用于代码审查等)
OPENAI_API_KEY=sk-your-openai-api-key-here

# Google Gemini API Key (支持原生格式和 OpenAI 兼容格式)
GEMINI_API_KEY=your-gemini-api-key-here

# ⚠️ 强烈建议：指定允许的模型，避免意外高额费用
OPENAI_ALLOWED_MODELS=gpt-4-turbo,gpt-4o

# 可选：使用自定义 API 端点（Ollama、vLLM、LM Studio 等本地模型）
# CUSTOM_API_URL=http://localhost:11434/v1   # API 端点（必须以 /v1 结尾）
# CUSTOM_API_KEY=                            # API 密钥（Ollama 留空）
# CUSTOM_MODEL_NAME=llama3.2                 # 默认模型名称

💡 使用本地模型：如需使用 Ollama、vLLM 或 LM Studio 等本地推理服务，配置上述 CUSTOM_API_* 参数即可。若需自定义模型能力（扩展推理、视觉等），可在 zen-mcp-server/conf/custom_models.json 中添加模型配置。

第二步：启动 Zen MCP Server

cd ~/zen-mcp-server

# 推荐：使用启动脚本（自动配置环境）
# Linux/Mac 用户
chmod +x run-server.sh
./run-server.sh

# Windows 用户
.\run-server.ps1

# 或直接运行
python3 server.py        # Linux/Mac
python server.py         # Windows

启动脚本会提供交互式配置选项，根据实际情况选择后，会自动将 MCP 配置写入 .claude.json 文件

4. 重启 Claude code

完全关闭 Claude code，然后重新启动。

✅ 验证安装

启动 Claude code，输入：

请使用 main-router 帮我分析当前可用的技能

如果能看到 main-router, plan-down 等5个技能的详细说明，则表示安装成功！

📖 使用示例

交互模式 (默认)

在默认模式下，AI 会在关键决策点寻求您的确认，确保您对开发过程有完全的控制。

示例：

帮我重构一下 auth.py 文件，提高其可读性。

AI 的响应流程：

1. P1 分析: AI 分析 auth.py，识别出可重构的关键区域（如复杂的函数、重复的代码块）。
2. P2 方案: AI 提出一个重构计划（plan.md），例如：“将 authenticate_user 函数拆分为三个独立的私有函数”，并等待您的批准。
3. P3 执行: 在您确认后，AI 执行重构，并通过 codex-code-reviewer 验证代码质量。

全自动模式

对于信任度高的任务，您可以授权 AI 全自动完成，无需人工干预。

示例：

全程自动化，为我的 Flask 应用增加一个使用 SQLite 的用户注册功能，测试覆盖率不低于85%。

AI 的响应流程：

1. 自动规划: AI 调用 plan-down 制定详细的开发步骤。
2. 自动执行: 创建数据库模型、编写后端路由、生成前端模板。
3. 自动审查与测试: 每一步代码都由 codex-code-reviewer 自动审查。AI 还会调用 simple-gemini 编写测试用例，确保覆盖率达到85%。
4. 自动记录: 所有决策和操作都会被记录在 auto_log.md 中，供您随时审计。

💡 核心理念

本项目的规则和技能设计遵循以下核心理念，这些理念定义在全局配置文件 CLAUDE.md 中。

• G1: 文档一等公民: 代码的任何变更都必须同步更新到 PROJECTWIKI.md 和 CHANGELOG.md，确保文档与代码的绝对一致。
• G8: 强制技能使用 (反偷懒原则): 关键任务（如规划、代码审查、文档生成）必须由最专业的技能执行，杜绝“主模型”直接处理，以保证输出质量。
• G9: 可量化的质量目标: 所有开发活动都应围绕明确的质量指标进行，例如，测试覆盖率目标 (coverage_target) 必须在任务开始时设定。

📚 文档中心

🙏 致谢

本项目的实现离不开以下优秀开源项目的启发和支持：

• HelloAgents: 提供了 AGENTS.md 规范和多阶段工作流的初始设计理念。
• Zen MCP Server: 提供了稳定可靠的 MCP 服务器实现。

📄 许可证

本项目采用 Apache 2.0 License。