我Zui近搞了个挺有意思的事儿，就是用Claude Code搭了个AI团队，让几个AI角色协作开发项目。你别说这玩意儿还真跑起来了而且现在项目Yi经上线了哈哈，简直有点像拍科幻片。

一开始我只是想玩玩Claude Code，kankanNeng不Neng搞点新花样。结果一不小心，就整出了一套完整的AI协作系统。害，谁让这玩意儿太好玩了呢？

说说这个AI团队的构成

我给每个AIdou起了名字，Max是项目经理，Ella是UI/UX设计师，Jarvis是程序员，Kyle是测试工程师。你懂的，就是那种远程办公的感觉，大家各司其职，通过文件来“传话”。

每个AIdou有自己的CLAUDE.md配置文件，里面写明了他们的职责和技Neng。比如Max只管项目进度，Ella只管设计，Jarvis只管写代码，Kyle只管测试。这样分工明确，AI就不会乱来省了不少事。

我一开始还担心AI之间怎么“说话”，后来一想，哎，直接用文件不就得了？于是我建了个shared文件夹，里面放了status.json、notifications.json、tasks、docs、designs、reviews这些文件夹，大家各取所需，互不干扰。

文件通信，简单粗暴但有效

比如Max要给Jarvis发个Bug修复任务，他就会在notifications.json里写个通知，然后Jarvis一读，就知道要干活了。这不就是远程团队的日常嘛，哈哈。

而且这玩意儿有个好处，就是直观。你打开文件就Nengkan到谁在干什么谁在等谁。不像数据库还得专门工具，这文件你直接kan，一目了然。

而且所有状态dou在Git里Ke以回滚。这不比什么Webhook、消息队列简单太多了？

说说这个“自省机制”

我后来发现AI有时候还是会“开小差”，比如跳过检查点，或者直接用通用工具解决问题。于是我加了个“自省机制”：

每次AI启动要检查通知，但99%是空检查，纯属浪费Token。geng关键的是传统Agent Team虽然功Neng强大，但Token消耗不可控，经常一个任务就消耗几千Token。

所以我搞了个mtime时间戳检查，文件没变化就不读取，省了不少Token。还有就是模型优化，合适的任务用合适的AI，比如Haiku处理简单任务，Sonnet处理复杂分析，Opus处理创意任务。这样下来Token消耗节省了46%！

AI团队的“职业操守”

Zui有趣的部分是每个AIdou严格遵守职责边界。比如Max只管项目管理，Ella只管设计，Jarvis只管写代码，Kyle只管测试。这种“职业操守”是怎么实现的？

答案在每个AI的CLAU2DE.md配置文件里。比如Ella有专业的ui-ux-pro-max技Neng，Max有项目管理技Neng如/status、/report，但AI经常直接用通用工具解决问题。所以我加了个强制Skill检查，确保AI优先使用专业技Neng。

比如Ru果Ella有任务，她会先检查有没有合适的skill可用，Ru果有，就用skill工具执行，Ru果没有，就问用户是否在skillmaps网站搜索。这样就不会浪费Token了。

说说这个“强制检查点”

我搞了个强制检查点流程，AI每次执行任务前，必须先检查：

任务范围确认

读取优化策略

智Neng通知检查

任务分解判断

Skill适用性检查

执行路径选择

Git操作确认

这样AI就不Neng“偷懒”了必须真的去读文件、跑脚本。比如AI每次启动要检查通知，但99%是空检查，纯属浪费Token。所以我搞了个mtime时间戳检查，文件没变化就不读取，省了不少Token。

而且所有状态dou在Git里Ke以回滚。这不比什么Webhook、消息队列简单太多了？

说说这个“模型优化”

我搞了个模型优化，合适的任务用合适的AI。比如Haiku处理简单任务，Sonnet处理复杂分析，Opus处理创意任务。这样下来Token消耗节省了46%！

比如我搞了个“强制物理执行”的检查点，AI就不Neng“偷懒”了必须真的去读文件、跑脚本。比如AI每次启动要检查通知，但99%是空检查，纯属浪费Token。所以我搞了个mtime时间戳检查，文件没变化就不读取，省了不少Token。

说说这个“文件通信方案”

我搞了个文件通信方案，AI之间通过文件来“传话”。比如Max要给Jarvis发个Bug修复任务，他就会在notifications.json里写个通知，然后Jarvis一读，就知道要干活了。这不就是远程团队的日常嘛，哈哈。

而且这玩意儿有个好处，就是直观。你打开文件就Nengkan到谁在干什么谁在等谁。不像数据库还得专门工具，这文件你直接kan，一目了然。

说说这个“模型选择”

我搞了个模型选择决策矩阵，合适的任务用合适的AI。比如Haiku处理简单任务，Sonnet处理复杂分析，Opus处理创意任务。这样下来Token消耗节省了46%！

比如我搞了个“强制物理执行”的检查点，AI就不Neng“偷懒”了必须真的去读文件、跑脚本。比如AI每次启动要检查通知，但99%是空检查，纯属浪费Token。所以我搞了个mtime时间戳检查，文件没变化就不读取，省了不少Token。

说说这个“真实测试场景”

比如我搞了个“生成项目报告”任务，原本8000 tokens的Sonnet任务，拆解后：

第1轮对话 ：我：设计一个用户管理系统Claude：好的，这是整体架构...

第5轮对话 ：我：修改一下登录页面的样式Claud e：好的，让我回顾一下前面的设计...

第10轮对话 ：我：有个小Bug要修复Claude：让我重新理解整个项目...

所以我搞了个“强制检查点”流程，AI每次执行任务前，必须先检查：

任务范围确认

读取优化策略

智Neng通知检查

任务分解判断

Skill适用性检查

执行路径选择

Git操作确认

这样AI就不Neng“偷懒”了必须真的去读文件、跑脚本。比如AI每次启动要检查通知，但99%是空检查，纯属浪费Token。所以我搞了个mtime时间戳检查，文件没变化就不读取，省了不少Token。

说说这个“真实案例”

比如我搞了个“生成项目报告”任务，原本8000 tokens的Sonnet任务，拆解后：

第1轮对话 ：我：设计一个用户管理系统Claude：好的，这是整体架构...

第5轮对话 ：我：修改一下登录页面的样式Claude：好的，让我回顾一下前面的设计...

第10轮对话 ：我：有个小Bug要修复Claude：让我重新理解整个项目...

所以我搞了个“强制检查点”流程，AI每次执行任务前，必须先检查：

任务范围确认

读取优化策略

智Neng通知检查

任务分解判断

Skill适用性检查

执行路径选择

Git操作确认

这样AI就不Neng“偷懒”了必须真的去读文件、跑脚本。比如AI每次启动要检查通知，但99%是空检查，纯属浪费Token。所以我搞了个mtime时间戳检查，文件没变化就不读取，省了不少Token。

说说这个“真实测试场景”

比如我搞了个“生成项目报告”任务，原本8000 tokens的Sonnet任务，拆解后：

第1轮对话 ：我：设计一个用户管理系统Claude：好的，这是整体架构...

第5轮对话 ：我：修改一下登录页面的样式Claude：好的，让我回顾一下前面的设计...

第10轮对话 ：我：有个小Bug要修复Claude：让我重新理解整个项目...

所以我搞了个“强制检查点”流程，AI每次执行任务前，必须先检查：

任务范围确认

读取优化策略

智Neng通知检查

任务分解判断

Skill适用性检查

执行路径选择

Git操作确认

这样AI就不Neng“偷懒”了必须真的去读文件、跑脚本。比如AI每次启动要检查通知，但99%是空检查，纯属浪费Token。所以我搞了个mtime时间戳检查，文件没变化就不读取，省了不少Token。

---