A3 — 把 CLI Agent 接进真实工作流程（Integration & Production）¶

繁體中文 | 简体中文 | English

← A2 — CLI Workflow Patterns · Track A: CLI Power User 第 3 站（最后）

⏱ 时间估算：1-2 周（约 8-15 小时）

📋 本章组成：学习目标 → 进入条件 → 必修阅读 → 动手练习 → 精选 Projects → 自我检查 🔑 关键名词（本章用到）： - 本章一定会用：MCP（让 CLI 接外部数据 / 工具）、CI（每次 push 自动跑检查） - 延伸阅读名词：observability（追踪 CLI 行为）、eval（量化 CLI 质量）、prompt caching（重复 context 省钱）、cost tracking（token 花费记录）

完整定义见 resources/glossary.zh-Hans.md 5 + 6。

CLI 跑得顺了之后，下一步：把 CLI 接到你的真实团队流程。这节达成 3 件事：

1. 工具连接 — MCP server 把 CLI 接到 Slack / Gmail / 你的 internal API
2. 自动检查 — CI（GitHub Actions）每个 PR 自动跑 CLI review
3. 成本与记录 — observability 工具追踪每个任务的 cost / latency

这节之后，CLI 不只是你个人的工具，而是 team 工作流的一部分。

📌 学习目标¶

• 把 1-3 个 MCP server 接到你的 CLI（Slack / Gmail / 你的 internal API / DB）
• 设置 GitHub Actions 自动跑 Claude Code（PR review、release notes 等）
• 加 observability（trace、cost、latency）到 CLI workflow
• 规划 cost budget，知道大 task 会花多少 token

📚 必修阅读¶

1. Stage 5.2 — MCP（Model Context Protocol） — MCP 概念跟基础
2. Anthropic — Prompt Caching — 在符合缓存条件时（context 不变、≤ 5 分钟 reuse window 等）可大幅降低重复上下文的成本；实际比例依工作流而异，请以官方文章的条件为准
3. Stage 7 — Observability section — langfuse / Helicone / weave
4. resources/cli-agents-guide.zh-Hans.md “常见坑” — production 用 CLI 最常踩的问题

🛠 动手练习¶

动手练习 CLI-9：MCP server 接 CLI¶

照 Stage 5.2 练习：MCP client 的步骤，把至少一个有用的 MCP server 接到你的 CLI： - filesystem server → 让 CLI 在指定目录外也能读文件 - github server → 让 CLI 直接读 PR / issue - 自架 server → 接你的 internal API / DB

成功标准：在 CLI 对话里直接问“我这个 PR 有 conflict 吗”，CLI 通过 MCP 回答你（不用你开浏览器）。

动手练习 CLI-10：GitHub Actions + CLI¶

写一个 .github/workflows/cli-review.yml： - 触发：PR opened / synchronize - 跑：在 GH Actions runner 内执行 Claude Code（或 Codex），给它 git diff + 你的 .claude/commands/review.zh-Hans.md - 输出：PR comment

成功标准：开新 PR，1-2 分钟内 PR 出现 review comment。

起点：Anthropic 官方有 claude-code-action（GitHub Actions 集成）；Codex 有 GitHub App 跟 CLI 两种模式。

动手练习 CLI-11：Cost tracking¶

跑你日常的一个 task，先预估 token 用量，再实际跑、查 token usage。差距通常很大（多半你低估）。 - 算式：input tokens + output tokens 各乘以 model 单价 - 接 langfuse 或 Helicone（Stage 7 Observability section）做 trace - 观察：哪个 sub-task 花最多 token？是不是有不必要的 long context？

动手练习 CLI-12：Skill / plugin 跨 team 分享¶

把你的 .claude/commands/ 跟 CLAUDE.zh-Hans.md 打包成 plugin，发布到内部 marketplace 或 GitHub。Team 其他人 claude plugin install 之后就有同样的工作流。 - Skill / plugin 细节见 Stage 5.3 + 5.4 - 范本：anthropics/claude-plugins-official

🧭 进阶概念在 CLI 日常工作中的应用（7 个 playbooks）🆕¶

Track A 的人已经在用 Stage 7.5 的进阶概念，只是没给它命名。下面挑 最常用 2-3 个 playbook 细看，其余折叠为延伸阅读——每个 ≤ 6 行。想深挖原理 → 进 Stage 7.5。

📌 规则：每个 playbook 看完先问自己“下一个 PR 我会做不一样的事吗？”会 → applied；不会 → 跳下一个。

📋 Playbook 1：任务 scope 不明，agent 越界¶

• When：派 Codex/Gemini 跑 sweep，不确定它会不会擅自改别的档（F11/F12 那种）
• Do：brief 开头明写“动 X / 不能跨 Y”，acceptance preset 加 path filter
• Concepts：Work Boundary + Hierarchical Task Decomposition · 📊 图见 concept-cluster Service × 编排 cluster
• Read more：

📋 Playbook 2：多 agent 并行，结果乱¶

• When：Claude planner + 2-3 Codex 并行跑，结果 merge 冲突 / drift
• Do：每个 agent 自己一个 commit，用 reviewer pattern 抓 drift（不是大合一）；brief 统一 task format + result.json schema
• Concepts：Contract Hand-offs + Speculative Parallel · 📊 图见 concept-cluster Service × 编排 + Types × 编排
• Read more：

📋 Playbook 3：Review agent 输出¶

• When：agent 写完 PR，不放心直接 merge，人工 review 跟不上吞吐
• Do：加 LLM-as-judge subagent 自动评（binary pass/fail），人类只 spot-check edge case；commit 前跑 acceptance-gate preset
• Concepts：Agent-as-Judge + Plan-Act-Reflect · 📊 图见 reading-decision-tree 蓝色 eval 分支
• Read more：

📋 Playbook 4：派遣 subagent 跑独立任务¶

💡 第一次听到 subagent？ 一句话：subagent = 主 Claude session spawn 出来的“子 Claude”，有自己独立的 context，跑完回报结果。派遣（dispatch）就是叫 subagent 去做事——像派任务给同事。完整概念 → Stage 5.5。

• When：写了大改动要 commit 前 / 进新 repo 不熟结构 / 想跑 LLM-as-judge 自动评估 / 4 个目标要做同样审查
• Do：调用 Claude Code 内置 subagent（不用自己写任何文件）：
• code-reviewer — review staged diff、找 bug + security
• Explore — 只读搜索 codebase、找 entry point / symbol
• Plan — 设计 step-by-step 实作计划
• general-purpose — 不确定该用哪个 / 多步骤研究的 fallback
• Concepts：Hierarchical Task Decomposition + Context Isolation · 📊 图见 concept-cluster Service × 编排 cluster
• Read more：
• Stage 5.5 Subagents（完整理论 + decision table）
• resources/subagent-cookbook.zh-Hans.md（15 个 recipe、复制粘贴即可用的 prompt 模板）

📋 Playbook 5：在 CI 里跑 CLI agent¶

• When：把 codex exec / claude --print 接进 GitHub Actions，不能每次都需要人按 yes，带宽限制也不能用 Opus
• Do：分层 autonomy（preset 自动跑 / commit 需审 / push 需人签），设 fallback 便宜 model（Opus 挂了就 fallback Haiku）
• Concepts：Autonomy Gradients + Graceful Degradation · 📊 图见 concept-cluster Config × 治理 cluster
• Read more：

📋 Playbook 6：控制成本¶

• When：用 Codex 跑大批 work，每月 API 账单失控，想压在 budget 内
• Do：plan.yml 设 max_cost_usd，便宜 model（Haiku）跑探索 / 贵 model（Opus）只跑 polish；开 prompt caching（符合缓存条件时可大幅降低重复 context 成本）；自动化 QA（不靠人时间）
• Concepts：Cost-aware Budget Gates + Throughput-Merge Philosophy · 📊 图见 concept-cluster Config × 韧性 cluster
• Read more：

📋 Playbook 7：强化 workflow，防 drift¶

• When：CLAUDE.md / SKILL.md rule 写了但没人 enforce，preset YAML 加了也不知道有没有效
• Do：故意 break 一条 rule 跑 acceptance gate 看抓不抓得到（chaos test）；docs/ 当 single source，CLAUDE.md 只当 entry map
• Concepts：Failure Injection + System of Record · 📊 图见 failure-lifecycle（F11-F14 进化循环）
• Read more：

→ 7 个 playbook = 7 个 trigger × 12 个 concept ד对应 reading source”的桥梁。深挖原理 / 看完整 12 个 concept 跟 8 个 cross-vendor 原则 → Stage 7.5。

🎯 精选 Projects¶

MCP server collection（接 CLI 用）¶

💡 要找接日常工具的 MCP（Notion / Obsidian / Excel / Postgres / Playwright / Slack / Linear / Figma 等）：resources/mcp-skills-catalog.zh-Hans.md——62 个分类整理，每个都有 stars / license / 适合谁。下面只列“写自己 MCP server / 找 reference”用的核心 catalog。

modelcontextprotocol/servers ⭐⭐⭐⭐⭐¶

★ 85k+ — 官方 reference servers。filesystem、github、sqlite、git、time、fetch、memory、sequential-thinking。

详见 Stage 5.2。

wong2/awesome-mcp-servers¶

社群 MCP server catalog。150+ 个依分类整理。

CI 集成 patterns¶

anthropics/claude-code-action¶

官方 GitHub Action 范本。PR review、issue triage、自动 fix。

continuedev/continue ⭐⭐⭐⭐¶

★ 33k+ — 把 AI checks 接到 CI，可在 PR pipeline 强制执行。

完整介绍见 branches/for-developer.zh-Hans.md。

Observability + Cost¶

langfuse/langfuse ⭐⭐⭐⭐⭐¶

★ 26k+ — open source LLM observability。把 trace、cost、session 都接起来。

详见 Stage 7 Observability。

Helicone ⭐⭐⭐⭐¶

★ 5k+ — proxy-based 监控。改 base_url 就有 logging + caching。

promptfoo/promptfoo ⭐⭐⭐⭐⭐¶

★ 20k+ — eval framework。CLI workflow 升级到 production 前用这个跑回归测试。

详见 Stage 7 Eval。

Production CLI workflow 范本¶

obra/superpowers ⭐⭐⭐⭐¶

★ 178k+ — 整套 production-ready skill collection。看别人怎么把 CLI workflow 做完整。

obra/superpowers-marketplace¶

★ 900+ — 最简 marketplace template。要把你 team 的 CLI workflow 打包共用时参考。

✅ Track A 完整通关自我检查¶

你能不能： - [ ] 已有至少 1 个 MCP server 接到你日常 CLI - [ ] 已有至少 1 个 CI workflow 在自动跑 CLI agent - [ ] 你能讲出某个 task 跑下去的 token 用量、cost、latency 大致范围 - [ ] 把你的 CLAUDE.zh-Hans.md / commands 打包过至少一次（即使只有自己用） - [ ] 知道什么任务值得加 observability、什么不值得

如果都可以 → Track A 完整通关。建议接着走 Stage 8 — Agent Interfaces（两 track 共用 hub：Computer Use / Browser Use / Code Sandbox，Track A 视角约 1-2 周），或挑一个 specialized branch 继续走（researcher / developer / teacher / knowledge-worker / everyday-users）。

如果想再深入“怎么写自己的 CLI agent”（不是用现有的）→ 跳到 Track B Stage 3 开始。Track A 跟 Track B 互补。

💡 接下来¶

走完 Track A 你已经是 CLI power user。下一阶段选择：

1. 加深 CLI workflow（持续优化你的 setup）
2. 订阅 Anthropic / OpenAI changelog
3. 每季 review 一次 resources/cli-agents-guide.zh-Hans.md 看新工具

4. 跟你 team 分享 CLAUDE.zh-Hans.md / skills

5. 跨到 Track B（学怎么写自己的 agent）

6. Stage 3-4 学 tool use + framework
7. Stage 5 深挖 Claude Code 内部运作

8. Stage 7 写自己的 multi-agent system

9. 走 specialized branch（把 CLI 应用在特定领域）

10. 研究人员 / 开发人员 / 知识工作者 / 教师 / 日常用户
11. 各 branch 都会用到 Track A 学的东西