Imported from weiransoft/TraeMultiAgentSkill (SKILL.md). Install upstream with npx skills add weiransoft/TraeMultiAgentSkill. Copyright stays with the author.

Multi-Agent Team Dispatcher (AI-Enhanced)

基于任务类型和上下文，自动调度到最合适的智能体角色（架构师、产品经理、测试专家、Solo Coder、UI 设计师）。

能力实现方式说明（v2.7.1 诚实标注）：

• 提示词层 AI（宿主 LLM 完成）：任务语义理解、角色智能匹配、多角色共识决策、架构设计审查——由 Trae/Claude 宿主大模型直接执行，脚本仅提供候选清单与规则约束。
• 脚本层确定性工具（Python 实现）：代码地图扫描、UI/UX 巡检、视觉回归对比、决策梯合规检查、TFIDF/Hashing 文本相似度——为无 LLM 的独立进程，提供可复现的确定性结果。
• 降级模式说明：当脚本层需要语义相似度但无网络/模型时，自动降级到 TFIDF/Hashing 本地算法；SubAgent 调用在无真实 claude 命令时返回错误（fallback_mode: error），真实并行子代理由宿主 Task 机制实现。

v2.7.1 修订（AI 诚实化 + 代码清算 + 双宿主同步）:

• 🤥→✅ AI 诚实降级：ai_assistant.py / ai_semantic_matcher.py 移除全部模拟响应，无 AI 客户端时明确抛错并降级到确定性匹配，不再伪装 AI 输出；claude_code_subagent_adapter.py 移除 _simulate_subagent_call，无真实 subagent 时返回 success=False
• 🔢 真实语义匹配：role_matcher.py 从关键词重叠升级为本地 embedder（TFIDF/Hashing）向量余弦相似度
• 🛡️ embedder 三级降级链：goal_orchestrator.py SentenceTransformer → TFIDF → Hashing，无网络/无模型时自动降级
• 🎭 Claude Code 真实 SubAgent：.claude/agents/ 新增 5 角色定义文件，替代脚本模拟
• 🔄 双宿主清单同步：sync_manifests.py CI 校验三份 manifest（skill-manifest.yaml / skills-index.json / claude-code-skill.json）版本与命名一致
• 🧹 v1 死代码清算：删除 workflow_engine.py / code_map_generator.py / test_v2_components.py，dispatch/legacy.py 切换到 WorkflowEngineV2
• 📦 依赖显式化：requirements.txt 标注软依赖（playwright / Pillow / sentence-transformers 均为可选）

v2.5 新增（Cybernetics 工程控制论增强）:

参考来源：https://github.com/Jiaqi-Guo-0114/cybernetics-agent
理论依据：钱学森工程控制论（系统工程、系统学）、ICLR 2026 Profile-Aware Maneuvering 架构、Norbert Wiener 控制论、Ashby 必要多样性定律

• 🔄 三环控制模型：战略层、战术层、执行层
• 💫 反馈控制环：感知-决策-执行-反馈完整闭环
• 📊 性能画像：执行案例记录、相似案例检索
• 🛡️ 守护协调器：执行前验证、异常检测、AI增强风险评估

v2.4 新增（Karpathy 四大核心原则）:

• 🧠 Think Before Coding（三思而后行）: 明确假设、呈现权衡、遇到不清就问
• 🎯 Simplicity First（简单优先）: 最小代码、无 speculative features、无过度抽象
• 🔬 Surgical Changes（精准修改）: 只改需要的、不改无关的、保持风格一致
• ✅ Goal-Driven Execution（目标驱动）: 定义成功标准、验证检查点、迭代直到完成

v2.6 新增（Ponytail 决策梯 + 自主编排 + 插件热加载）:

• 🪜 Ponytail 决策梯：6 步决策梯 + 16 条不可简化红线，少写多余代码
• 🤖 Autonomous 自主迭代模式：plan→dev→verify→fix 4 阶段循环，Ralph 风格自主编排
• 🔄 Dynamic Workflows 6 大模式：分类并行、扇出聚合、对抗验证、生成筛选、锦标赛、循环直到完成
• 🔌 插件热加载 V3 架构：Drop-in 目录 / Hot Register API / HotReloadWatcher 3 种加载路径

v2.7 新增（UI/UX 巡检 + 视觉回归测试）:

• ♿ UI/UX 巡检分析：scripts/uiux_analyzer.py，4 大检测维度（可访问性 / 交互质量 / 布局响应式 / UX 反模式）
• 🖼️ 视觉回归测试：scripts/visual_regression.py，像素级 Diff + 数据显示不全 + 显示错误检测
• 🛡️ 前端质量门禁：UI 设计师交付前自检、测试专家 E2E 断言、Solo Coder CI 门禁

v2.3 新增（代码走读与可视化）:

• 🚀 代码走读与审查：多角色协作分析，生成统一代码地图和审查报告
• 🗺️ 代码地图 Workspace 支持：支持一个 workspace 包含多个项目
• 📊 文档对齐引擎：多角色分析结果对齐，生成共识代码地图
• 📋 任务可视化页面：实时展现各角色任务状态、进度、依赖关系、交接过程
• 🎨 3D 代码地图可视化：基于 Three.js 的交互式代码结构可视化，支持流动动画和主题切换
• ✅ 文档与代码一致性检查：审查报告中新增文档与代码差异检查清单

Karpathy 四大核心原则（行为准则）

来源: Andrej Karpathy 对 LLM 编程常见陷阱的观察 目的: 减少 LLM 编程中的错误、过度复杂、无关修改等问题

所有角色必须遵守以下四大原则，详见各角色介绍中的「Karpathy 原则应用」表格。

速查:

• 需求不明确 → 停下来问清楚
• 考虑添加抽象 → 问"真的需要吗？"
• 修改代码 → 只改必要的行
• 开始实现 → 定义成功标准

详细说明和示例见 docs/guides/KARPATHY_PRINCIPLES.md。

多语言支持 (Multi-Language Support)

语言识别规则

自动识别用户语言:

• 用户使用中文 → 所有响应使用中文
• 用户使用英文 → 所有响应使用英文
• 用户混合使用 → 以首次使用的语言为准
• 用户明确要求切换 → 立即切换到目标语言

响应语言规则

所有输出必须使用用户相同的语言:

• 角色定义和 Prompt
• 状态更新和进度提示
• 审查报告和问题清单
• 错误信息和成功提示
• 文档和注释

示例:

用户（中文）: "设计系统架构"
AI（中文）: "📋 已接收任务，开始分析..."

用户（English）: "Design system architecture"
AI (English): "📋 Task received, starting analysis..."

角色名称映射

中文 → 英文:

• 架构师 → Architect
• 产品经理 → Product Manager
• 测试专家 → Test Expert
• 独立开发者 → Solo Coder
• UI 设计师 → UI Designer

核心能力

AI 增强能力 (v2.1 新增)

1. AI 语义理解驱动的角色匹配: 使用大模型理解任务的深层语义，而非简单关键词匹配
2. 可解释的智能决策: 提供匹配原因和置信度评分，决策过程透明可解释
3. 上下文感知的智能推理: 基于历史经验和领域知识进行智能推理
4. 自然语言交互界面: 支持自然语言对话，理解用户意图

基础能力

1. 智能角色调度: 根据任务描述自动识别需要的角色
2. 多角色协同: 组织多个角色共同完成复杂任务
3. 上下文感知: 根据项目阶段和历史上下文选择角色
4. 共识机制: 组织多角色评审和决策
5. 自动继续: 思考次数超限后自动保存进度并继续执行
6. 任务管理: 完整的任务生命周期管理和进度追踪
7. 代码地图生成: 自动生成项目代码结构映射
8. 项目理解: 快速读取项目文档和代码，生成项目理解文档
9. 规范驱动开发: 基于项目规范和文档进行开发
10. 八阶段标准工作流程: 需求分析→架构设计→UI设计→测试设计→任务分解→开发实现→测试验证→文档对照代码审查
11. UI 设计: 创建独特、生产级的 UI 界面，避免通用的 AI "slop" 美学

核心入口与门面（v2.8.3 确认）

架构收敛：facade.py 是统一调度门面，所有外部调用入口最终都汇聚到 facade。

入口层次（从外到内）

Python 集成推荐

# 推荐：直接从 facade 导入
from facade import main_compat, dispatch_agent_v2, log

# 或从薄壳导入（同样可用，会 re-export 自 facade）
from trae_agent_dispatch_v2 import main_compat, dispatch_agent_v2

绝对禁止

❌ 业务代码直接 import dispatch.legacy（内部实现层，可能被重构） ❌ 业务代码直接 import dispatcher.goal_dispatcher（内部实现层） ❌ 新代码使用 trae_agent_dispatch.py（v1 已弃用）

Trae 宿主 LLM SubAgent 调度协议（v2.8.4 新增）

问题：Trae 环境下无 claude 命令行工具，ClaudeCodeSubAgentAdapter 的 _fallback_no_subagent 返回 success=False，导致 autonomous 循环无限重试。

解决方案：通过文件协议（HostLLMBridge）桥接宿主 LLM 的 Task 工具，脚本生成调度请求 → 宿主 LLM 通过 Task 执行子代理 → 结果回传。

工作流程

宿主 LLM (Trae 对话)
    │
    ├─1─> RunCommand(blocking=false): python3 -u trae_agent_dispatch_v2.py --autonomous ...
    │
    │     [脚本内部]
    │     ├─> _invoke_via_host_llm → HostLLMBridge.create_request()
    │     │   → 写入 request_{id}.json + protocol.marker
    │     ├─> HostLLMBridge.wait_for_response(id, timeout=600)
    │     │   → 轮询等待 response_{id}.json
    │     │
    │     │     [宿主 LLM — 并行执行]
    │     │     ├─2─> 每 5 秒读取 protocol.marker 文件
    │     │     ├─3─> 读取 request_{id}.json 获取完整提示词
    │     │     ├─4─> Task(subagent_type, query=task) → 执行子代理
    │     │     ├─5─> HostLLMBridge.write_response(id, result) → 原子写入
    │     │     │
    │     │     [脚本继续]
    │     │     └─6─> 读取 response_{id}.json → 返回结果
    │     └─7─> autonomous 循环继续
    │
    └─8─> CheckCommandStatus → 脚本完成

宿主 LLM 轮询契约

当通过 RunCommand(blocking=false) 运行 autonomous 脚本后，宿主 LLM 必须遵循以下轮询契约：

1. 启动后 2 秒首次检查：读取 logs/host_llm_bridge/protocol.marker 文件
2. 之后每 5 秒检查一次 protocol.marker 文件
3. 检查到 marker 后： a. 读取 marker JSON 获取 request_id 和 request_file b. 读取 request_file 获取完整提示词 c. 通过 Task 工具执行子代理（subagent_type 根据角色选择） d. 调用 HostLLMBridge.write_response() 写入结果 e. 调用 HostLLMBridge.clear_marker() 清除标记
4. marker 不存在时：继续等待（脚本可能还在执行前序步骤）
5. 脚本结束时：停止轮询

重要：protocol.marker 是独立文件，不依赖 CheckCommandStatus 的 stdout。使用 Read 工具直接读取文件。

Task 工具 subagent_type 映射

写入结果（强制原子写入）

宿主 LLM 必须使用 HostLLMBridge.write_response() 写入结果，禁止直接 echo > response.json：

# 通过命令行调用（推荐）
python3 scripts/host_llm_bridge.py write-response <request_id> \
    --success true --output "结果内容" --bridge-dir logs/host_llm_bridge

熔断机制（连续失败保护）

当连续 2 次迭代均为 retriable 且原因包含超时/dispatch 失败关键词时，loop_controller 自动终止循环（升级为 fatal），避免无限重试浪费资源。

平台检测优先级

设计文档

详细设计见 docs/dev/HOST_LLM_BRIDGE_DESIGN.md。

快速开始

基础使用

# 自动调度（推荐）
python3 scripts/trae_agent_dispatch_v2.py \
    --task "设计系统架构"

# 指定角色
python3 scripts/trae_agent_dispatch_v2.py \
    --task "实现功能" \
    --agent solo_coder

# 多角色共识
python3 scripts/trae_agent_dispatch_v2.py \
    --task "启动新项目" \
    --consensus true

完整项目流程

# 启动完整项目（自动执行 7 个阶段）
python3 scripts/trae_agent_dispatch_v2.py \
    --task "启动项目：安全浏览器广告拦截功能" \
    --project-full-lifecycle

AI 增强模式 (v2.1 新增)

# 使用 AI 语义匹配（默认）
python3 scripts/trae_agent_dispatch_v2.py \
    --task "设计微服务架构，支持高并发和弹性扩展" \
    --agent auto  # AI 会自动匹配最合适的角色

# 查看 AI 匹配结果和解释
python3 scripts/trae_agent_dispatch_v2.py \
    --task "实现用户认证和权限管理" \
    --agent auto \
    --explain  # 显示 AI 匹配原因和置信度

# 使用传统关键词匹配（向后兼容）
python3 scripts/trae_agent_dispatch_v2.py \
    --task "编写单元测试" \
    --agent test-expert \
    --match-strategy keyword

AI 集成说明 (v2.1)

宿主 LLM 调度指令（提示词层，Trae/Claude 主 Agent 必读）： 以下匹配决策与拓扑路由由你（宿主大模型）直接执行，脚本层仅提供确定性工具。 不要调用 ai_semantic_matcher.py 的模拟路径——它已在 v2.7.0 改造为诚实降级。

任务规模分级门禁（v2.8.2 — 第一道路由）

Karpathy Simplicity First 的前置执行：在角色匹配之前，先判断任务规模，避免杀鸡用牛刀。

接到任务后，首先按以下信号评估任务规模，选择执行路径：

判定信号清单（按顺序检查，停在第一个满足的）：

1. 用户明确要求完整流程 / 启动项目 → L
2. 涉及 ≥ 3 个模块或 ≥ 5 个文件 → L
3. 涉及 2 个模块或 3-4 个文件 → M
4. 涉及 1 个文件或纯问答 → S
5. 不确定 → 默认 M（宁可多验证，不可遗漏）

与拓扑路由的关系：S/M/L 分级是第一道路由（决定流程规模），角色匹配是第二道路由（决定谁来执行），拓扑路由是第三道路由（决定执行模式）。

角色智能匹配规则（宿主 LLM 执行）

接到任务后，按以下多维度评分选择角色（无需调用脚本）：

决策规则：

1. 单角色置信度 ≥ 0.7 → 直接调度该角色
2. 多角色均 ≥ 0.6 且任务可分解 → 多角色协作（见拓扑路由）
3. 所有角色 < 0.5 → 向用户澄清需求，不要强行匹配
4. 任务跨多个领域（如"设计+实现+测试"）→ 按八阶段流程依次调度

动态工作流拓扑路由决策表（宿主 LLM 执行）

根据任务 DAG 特征选择执行模式（对齐 2026 拓扑自适应编排结论）：

降级红线：当任务本质是顺序推理（步骤 N 依赖步骤 N-1 的结果）时，禁止为了"多角色"而强行并行，应退化为单角色链式执行。

AI 能力（脚本层工具）

• 语义理解: 宿主 LLM 提示词层完成；脚本层提供 TFIDF/Hashing 本地相似度（降级用）
• 智能匹配: 宿主 LLM 按上表执行；脚本 role_matcher.py 提供关键词+embedder 降级
• 匹配策略: ai_enhanced（宿主提示词层）、semantic（脚本 embedder）、keyword（脚本关键词）
• 代码审查: 宿主 LLM 执行；脚本层提供代码地图、guard 校验等确定性输入
• 知识问答: 宿主 LLM 直接回答

AI 配置

ai_integration:
  enabled: true
  provider: host_llm_prompt_layer   # v2.7.0 修正：AI 在宿主提示词层
  features:
    - semantic_matching      # 宿主 LLM
    - intelligent_reasoning  # 宿主 LLM
    - context_understanding  # 宿主 LLM
  script_layer_tools:        # 脚本层确定性工具（非 AI）
    - tfidf_similarity
    - hashing_similarity
    - keyword_matching
    - code_map_scan
    - uiux_audit
    - visual_regression
  config:
    max_tokens: null          # null = 不限制（默认，让模型按自身最大输出能力生成）；正整数 = 显式上限（如 4096）
    temperature: 0.7
    top_p: 0.9
    use_cache: true
    fallback_to_keyword: true  # 脚本层降级链：embedder → 关键词

性能优化

• 缓存机制: 相同请求直接返回缓存结果
• 降级策略: 脚本层 embedder 不可用时自动降级到关键词匹配；AI 语义理解始终由宿主 LLM 提供，无降级
• 批量处理: 支持批量请求，减少 API 调用次数

角色介绍

通用行为准则（所有角色必须遵守）

Karpathy 四大核心原则:

1. 架构师 (Architect)

职责: 设计系统性、前瞻性、可落地、可验证的架构 触发关键词: 架构、设计、选型、审查、性能、瓶颈、模块、接口、部署 详细 prompt: docs/roles/architect/ARCHITECTURE_DESIGN_TEMPLATE.md

2. 产品经理 (Product Manager)

职责: 定义用户价值清晰、需求明确、可落地、可验收的产品 触发关键词: 需求、产品、PRD、用户故事、验收标准、竞品分析 详细 prompt: docs/roles/product-manager/PRD_TEMPLATE.md

3. 测试专家 (Test Expert)

职责: 确保全面、深入、自动化、可量化的质量保障 触发关键词: 测试、质量、验收、自动化、性能测试、缺陷、评审、门禁 详细 prompt: docs/roles/test-expert/TEST_PLAN_TEMPLATE.md

4. 独立开发者 (Solo Coder)

职责: 编写完整、高质量、可维护、可测试的代码 触发关键词: 实现、开发、代码、修复、优化、重构、单元测试、文档 详细 prompt: docs/roles/solo-coder/DEVELOPMENT_TEMPLATE.md

5. UI 设计师 (UI Designer)

职责: 创建独特、生产级的 UI 界面，具有高设计质量，避免通用的 AI "slop" 美学 触发关键词: UI设计、界面设计、前端设计、视觉设计、UI/UX、UI原型、界面美化、UI优化、UI重构 详细 prompt: docs/roles/ui-designer/UI_DESIGNER_PROMPT.md

八阶段标准工作流程（v2.8 新增阶段 8：文档对照代码审查）

阶段 1: 需求分析（产品经理）
    ↓ 评审通过
阶段 2: 架构设计（架构师）
    ↓ 评审通过
阶段 3: UI 设计（UI 设计师）
    ↓ 评审通过
阶段 4: 测试设计（测试专家）
    ↓ 评审通过
阶段 5: 任务分解（独立开发者）
    ↓
阶段 6: 开发实现（独立开发者）
    ↓
阶段 7: 测试验证（测试专家）
    ↓
阶段 8: 文档对照代码审查（多角色）★ v2.8 新增
    ↓ 审查通过
发布

阶段 8: 文档对照代码审查（v2.8 新增）

开发完成后，对照设计文档逐项检查功能完成情况、集成情况、测试正确性，确保文档设计完整落地。

六大检查维度：

审查判定：

• 全部通过 → 审查通过，可发布
• 任一不通过 → 审查不通过，列出缺口清单，回退到阶段 6 修复

八阶段整体构建为一个 Loop（v2.8.1 新增）

八阶段标准工作流整体构建为一个完整的循环（WorkflowLoopController），支持审查失败后回退到对应阶段修复，避免一次性失败导致整个流程作废。

核心机制：

• 审查驱动：阶段 8 审查结果是循环的核心驱动：通过则结束，不通过则回退
• 精准回退：根据缺口维度（D1-D6）决定回退到哪个阶段

• 迭代上限：最大迭代次数限制（默认 3 次，可配置），防止无限循环
• 上下文累计：跨迭代保留产出（_accumulated_artifacts），后续阶段可访问前序产出
• 真实执行：所有阶段真实执行，禁 mock/占位/简化

核心组件：

• 检查器：scripts/doc_code_consistency_checker.py（DocCodeConsistencyChecker）
• Handler：scripts/autonomous/handlers/review_handler.py（ReviewHandler）
• 循环控制器：scripts/workflow_loop_controller.py（WorkflowLoopController + RollbackStrategy）
• CLI 入口：scripts/run_workflow_loop.py（命令行入口脚本）
• Prompt 模板：docs/spec/role-prompts/doc-code-review.md
• 报告模板：docs/roles/doc-code-review/DOC_CODE_REVIEW_TEMPLATE.md
• 设计文档：docs/dev/DOC_CODE_REVIEW_STAGE.md（§10 八阶段循环章节）

CLI 使用示例：

# 基本用法
python3 scripts/run_workflow_loop.py \
  --project-root /path/to/project \
  --prd-path docs/prd.md \
  --architecture-path docs/architecture.md \
  --test-command "python3 -m pytest -v"

# 自定义最大迭代次数
python3 scripts/run_workflow_loop.py \
  --project-root /path/to/project \
  --max-iterations 5 \
  --verbose

与 RalphLoopController 的关系：

• 外层使用 WorkflowLoopController 编排八阶段
• 内层阶段 6（开发）可注入 RalphLoopController 做 plan→dev→verify→fix 小循环
• WorkflowStage.to_stage_kind() 提供两者之间的映射（详见设计文档 §10.3.2）

绝对禁止： ❌ 未经过设计阶段直接开始编码 ❌ 文档未编写或未完成就开始开发 ❌ 未经过设计评审直接实施 ❌ 使用通用的 AI 美学（AI slop） ❌ 开发完成后不对照文档检查就发布（v2.8 新增） ❌ 代码中残留 TODO/FIXME 未实现就发布（v2.8 新增）

高级功能

代码走读与审查 (v2.3)

# 执行真正的多角色协作代码走读（使用 Trae Agent 调度）
python3 scripts/multi_role_collaborative_analyzer.py /path/to/project --workspace /workspace

# 简化的多角色代码走读
python3 scripts/multi_role_code_walkthrough.py /path/to/project --workspace /workspace

真正的多角色协作分析流程:

1. 阶段一：项目扫描

   • 递归扫描项目目录
   • 识别源代码文件、配置文件、文档文件
   • 统计项目基本信息
   • 检测技术栈和框架
   • 识别项目模块

2. 阶段二：调用 Trae Agent 调度

   • 使用 trae_agent_dispatch_v2.py 分发任务
   • 每个角色使用专属 prompt 模板
   • 角色包括：架构师、产品经理、独立开发者、UI 设计师、测试专家
   • 各角色独立执行真实分析

3. 阶段三：文档对齐

   • 收集各角色分析结果
   • 识别共识点与差异点
   • 合并统一的代码地图
   • 生成代码走读审查报告

输出文档:

代码地图内容 (核心结构，不含审查风险):

• 项目概览
• 架构视图
• 代码结构
• 多角色视角摘要
• 分析共识

审查报告内容 (含风险和建议):

• 审查概览
• 架构评审
• 代码质量评估
• 多角色共识
• 文档与代码一致性检查清单 ← v2.3 新增
• 改进建议
• 附录

3D 代码地图可视化 (v2.3)

基于 Three.js 的交互式代码结构可视化，支持流动动画和主题切换。

# 生成可视化数据
python3 scripts/code_map_generator_v2.py /path/to/project --visual
# 打开可视化页面
~/.trae/skills/docs/code-map-visualizer.html

功能: 3D 场景渲染、前后端分层、调用链路、动态流动效果、主题切换 详细说明: docs/guides/VISUALIZATION.md

任务可视化页面 (v2.3)

实时展现各角色任务状态、进度、依赖关系、交接过程。

~/.trae/skills/docs/task-visualizer.html

功能: 任务统计、角色卡片、依赖关系、交接时间线、协同关系图 详细说明: docs/guides/VISUALIZATION.md

代码地图生成

python3 scripts/code_map_generator_v2.py /path/to/project --workspace /workspace

# 输出: <project>-CODE_MAP.md

项目理解

python3 scripts/project_understanding.py /path/to/project

规范驱动开发

python3 scripts/spec_tools.py init
python3 scripts/spec_tools.py analyze
python3 scripts/spec_tools.py update --spec-file SPEC.md

Ponytail 决策梯（v2.6 新增 — 少写多余代码）

来源: Ponytail 项目（6 步决策梯）+ 项目规则（16 条不可简化红线） 目的: 在 Karpathy Simplicity First 原则之上，提供可执行的"写代码前先停一停"决策梯

6 步决策梯（按顺序停在第一个满足的台阶）:

1. YAGNI — 这东西真的需要存在吗？→ 推测性需求 = 跳过
2. 标准库优先 — 语言标准库能搞定？→ 直接用
3. 平台原生 — 运行时平台自带功能能覆盖？→ 用平台特性
4. 复用现有 — 已安装的依赖能解决？→ 复用，不新增依赖
5. 一行优先 — 能写成一行？→ 写成一行（不牺牲可读性）
6. 最小可行 — 以上都不行 → 写最少能做工作的代码

三种强度模式:

16 条不可简化红线:

• 原始 Ponytail 6 条（输入校验、错误处理、安全、无障碍、用户要求、硬件校准）
• 项目规则 10 条（真实业务逻辑、需求文档功能、非平凡逻辑检查、并发安全、错误处理、日志审计、配置密钥、事务边界、API 契约、隐私数据）

使用方式:

# 在 autonomous 模式中自动注入（默认 full 模式）
# 手动切换模式
/ponytail ultra    # 切换到 ULTRA 模式
/ponytail lite     # 切换到 LITE 模式
/ponytail off      # 关闭决策梯
/ponytail          # 查看当前模式

债务台账:

• 代码中标记 # ponytail: <说明> 或 # ponytail: <上限>, <升级路径> 记录故意简化
• DebtCollector 自动扫描，识别无升级路径的债务（no_trigger）超过阈值时告警
• RequirementTracer 追踪需求文档 [REQ-XXX] 标记到代码实现的覆盖情况

测试:

# 运行全部 Ponytail 测试（10 个文件，98 个测试用例）
bash scripts/tests/scripts/run_ponytail_tests.sh

详细指南见 docs/guides/PONYTAIL_GUIDE.md。

Autonomous Mode（v2.6 / Phase 18 — Ralph 风格自主编排）

来源: Ralph 自主编排框架 + gnhf 库启发 目的: 让多角色团队在用户睡觉时自主完成完整项目生命周期

4 阶段循环（plan → dev → verify → fix）:

┌─────────────────────────────────────────────────┐
│  Plan（规划）→ Dev（开发）→ Verify（验证）→ Fix（修复）│
│       ↑                                          │
│       └──────────── 循环直到完成 ────────────────┘
└─────────────────────────────────────────────────┘

9 个核心组件:

17 个 CLI flag:

python3 scripts/trae_agent_dispatch_v2.py \
    --auto-mode \
    --auto-goal "实现用户登录功能" \
    --auto-max-iterations 10 \
    --auto-confirmation smart \
    --auto-git-enabled \
    --auto-skill-injection \
    --auto-notes-memory \
    --auto-sleep-guard \
    --auto-resume \
    --auto-ponytail-mode full \
    # ... 更多 flag 见 AUTONOMOUS_MODE_GUIDE.md

详细指南见 docs/guides/AUTONOMOUS_MODE_GUIDE.md。

Dynamic Workflows（v1.7 — 6 大动态工作流模式）

来源: Anthropic Multi-Agent Research + 项目实践 目的: 根据任务特征自动选择最优工作流模式 v2.8.3 更新: 6 大模式作为提示词层概念保留，由宿主 LLM 执行路由决策。脚本层 12 个实现模块（scripts/dynamic_workflow/）已全部归档——零外部引用，确认为死代码。仅保留 semantic_embedder.py（移至 scripts/ 根目录）提供 TFIDF/Hashing 确定性相似度。

6 大模式（宿主 LLM 执行）:

详细方案见 docs/dev/DYNAMIC_WORKFLOWS_INTEGRATION.md。

Cybernetics 工程控制论（v2.5 — 三环控制模型）

来源: 钱学森工程控制论 + ICLR 2026 Profile-Aware Maneuvering 目的: 通过反馈控制环实现自适应执行 v2.8.3 更新: 4 个低耦合文件已归档（cybernetics_integration / cybernetics_bridge / hierarchical_control / context_fingerprint_integration）。3 个高耦合核心组件保留。

保留的核心组件（scripts/ 根目录）:

三环控制模型:

• 战略层: 长期目标 + 资源规划
• 战术层: 中期策略 + 任务分解
• 执行层: 短期动作 + 实时反馈

详细分析见 docs/dev/CYBERNETICS_ANALYSIS.md。

插件热加载（v2.6 / Phase 17 — V3 插件架构）

目的: 支持运行时动态加载/卸载插件，无需重启

3 种加载路径:

1. Drop-in 目录加载: 自动扫描 drop-in/ 目录下的插件
2. Hot Register API: 通过 hot_register() API 动态注册
3. HotReloadWatcher: 文件监视器自动检测变更并重载

核心模块（scripts/dispatcher/）:

• goal_dispatcher.py — Goal 调度器（DAG 依赖图）
• plugin_context.py — 插件上下文
• drop_in_loader.py — Drop-in 目录加载器
• hot_reload_watcher.py — 热加载监视器
• reload_guard.py — 重载守护（Condition 替代 Event）

V3 插件实现（scripts/plugins/）:

• autonomous.py — Ralph Autonomous 插件
• multi_goal.py — 多 Goal 编排插件（DAG + Resume + Reuse + Schedule + Report）
• graph.py — 图编排插件
• loop.py — 循环编排插件
• resume.py — 断点续跑插件
• cancel.py — 取消插件

详细设计见 docs/dev/PHASE17_PLAN.md。

UI/UX 巡检与视觉回归（v2.7 新增 — 前端质量门禁工具）

目的: 在 E2E 测试阶段提供可复用的 UI/UX 质量与视觉回归检测脚本， 作为「UI 设计师」与「测试专家」角色的标准前端质量门禁。 设计原则: 标准库优先（Playwright + PIL）、YAGNI、失败安全。

scripts/uiux_analyzer.py（UI/UX 巡检分析器）

4 大检测维度：

关键类:

• UIUXIssue（dataclass）— 包含 severity (HIGH/MEDIUM/LOW) / category (a11y/interaction/layout/ux) / rule / element / message / fix / metric
• UIUXAnalyzer（核心）— audit(page) → list[UIUXIssue]，dump(path) 输出 JSON

用法示例:

from uiux_analyzer import UIUXAnalyzer

analyzer = UIUXAnalyzer()
page.goto("https://example.com/login")
issues = analyzer.audit(page)
analyzer.dump(Path("reports/uiux.json"))
for issue in issues:
    if issue.severity == "HIGH":
        print(f"[{issue.category}] {issue.message} → {issue.fix}")

Playwright 综合探针: 一次 page.evaluate 取齐所有探针数据（图片/表单/按钮/链接/标题/错误），避免多次往返。

scripts/visual_regression.py（视觉回归 + 显示完整性）

3 大检测维度：

关键类:

• ChangedRegion（dataclass）— x/y/width/height/pixel_count/severity
• DiffResult（dataclass）— 完整 diff 结果（含 pixel_diff_ratio / ssim_score / changed_regions / data_incomplete / display_errors）
• VisualRegressionChecker（核心）— compare(baseline, current, step) → DiffResult

软依赖:

• Pillow（必需）
• numpy（可选，启用更好的 SSIM）
• playwright（必需，DOM 检查）

用法示例:

from visual_regression import VisualRegressionChecker

checker = VisualRegressionChecker(pixel_diff_threshold=0.01)
result = checker.compare(
    baseline_path="baseline/login.png",
    current_path="current/login.png",
    test_id="TC-001",
    step="submit_form",
    page=page,  # 用于 DOM 检查
)
if result.pixel_diff_ratio > 0.01:
    print(f"⚠️ 像素差异 {result.pixel_diff_ratio:.2%}")
    for region in result.changed_regions:
        print(f"  变化区域: {region.severity} ({region.width}x{region.height})")

CLI 用法:

# UI/UX 巡检（需要先启动浏览器/Playwright session）
python3 scripts/uiux_analyzer.py --url https://example.com --out report.json

# 视觉回归
python3 scripts/visual_regression.py \
    --baseline baseline/login.png \
    --current current/login.png \
    --threshold 0.01 \
    --out diff_report.json

角色集成:

• UI 设计师 — 交付稿前自检：uiux_analyzer.audit(page) 输出 reports/uiux.json 供评审
• 测试专家 — E2E 套件像素级断言：替代人工对比基线截图
• Solo Coder — PR 门禁：CI 中调用 CLI，输出 JUnit XML 报告

失败安全设计: 任一检查器异常被 try/except 隔离，不影响主流程与其他检查；返回的 error 字段记录异常原因供排查。

文档结构

docs/
├── guides/                 # 用户指南（Ponytail/Autonomous/Karpathy/可视化）
├── spec/                   # 规范文档（CONSTITUTION/SPEC/role-prompts）
│   └── role-prompts/       # 5 个核心角色 + 逻辑漏洞审查专家的代码分析模板
├── dev/                    # 开发文档（各 Phase 设计方案 + 最终报告）
├── roles/                  # 角色执行记录（architect/product-manager/solo-coder/test-expert/ui-designer）
└── project-understanding/  # 项目理解文档

故障排查

角色识别错误

# 明确指定角色
python3 scripts/trae_agent_dispatch_v2.py \
    --task "..." \
    --agent architect

共识未触发

# 显式要求共识
python3 scripts/trae_agent_dispatch_v2.py \
    --task "..." \
    --consensus true

扩展开发

添加新角色

1. 在 roles.json 中添加角色配置
2. 更新关键词列表
3. 调整调度规则

自定义调度规则

修改 AgentDispatcher.analyze_task() 方法。

总结

Trae Multi-Agent Dispatcher 提供了：

• ✅ 智能角色识别（5 个核心角色 + AI 语义匹配）
• ✅ 多角色协同 + 共识机制
• ✅ 八阶段标准工作流程（v2.8 新增阶段 8：文档对照代码审查）
• ✅ Karpathy 四大核心原则强制执行（v2.4）
• ✅ Cybernetics 工程控制论三环控制（v2.5）
• ✅ Ponytail 决策梯 + 16 条不可简化红线（v2.6）
• ✅ Autonomous Mode 自主编排（Phase 18，4 阶段循环 + 9 核心组件）
• ✅ Dynamic Workflows 6 大动态工作流模式（v1.7）
• ✅ 插件热加载 V3 架构（Phase 17）
• ✅ 代码走读与审查 + 3D 代码地图可视化
• ✅ UI 设计（避免 AI slop）

通过智能调度 + 自主编排 + 决策梯约束，减少用户干预，提升协作效率！