让 AI 修一个 bug，有时候它先写测试再改代码，有时候直接上手改完就提交，有时候改着改着忘了你还有 PR 模板要求。同一个需求跑三次，三次流程不一样，三次结果不一样。

这不是模型能力的问题，是缺少流程控制。

Archon 就是来解决这个问题的一个 20k 星开源项目。它不跟 AI 比谁写代码更快，而是给 AI 编程加了一套确定性的工作流引擎。作者的定义很精准："AI coding 的 harness builder"——就像 Dockerfile 标准化了部署、GitHub Actions 标准化了 CI/CD 一样，Archon 要标准化 AI 编程的流程。

本文提纲

1. AI 编程的核心问题：不确定性
2. Archon 怎么解决：YAML 工作流 + DAG 执行
3. 一个完整的工作流长什么样
4. 17 个内置工作流：从修 bug 到架构扫描
5. Git Worktree 隔离：5 个 bug 并行修不冲突
6. 多平台 + Web UI
7. 和 Cursor/Copilot 的区别

AI 编程的核心问题：不确定性

用 Cursor 或 Claude Code 写代码的时候，你有没有遇到过这些情况：

• 说"修这个 bug"，AI 直接改代码没做调研，改完引入新 bug
• 说"加个功能"，AI 没写测试就提交了
• 说"帮我 review"，AI 看了代码但跳过了你团队的 PR 模板
• 同一个需求跑两遍，两次的步骤和结果完全不一样

问题的根源是：AI 编程工具只管"写"，不管"怎么写"。它们没有流程意识，不知道你的团队要求先调研再计划再实现再测试再提 PR。

结果就是每次 AI 编程都像开盲盒——能力强的时候惊艳，能力弱的时候灾难。

Archon 怎么解决：YAML 工作流 + DAG 执行

Archon 的核心思路很简单：把开发流程定义成 YAML 工作流，AI 在流程的每个节点上提供智能，但流程本身是固定的。

一个工作流就是一个有向无环图（DAG）。每个节点有两种类型：

• Prompt 节点：AI 节点，由大模型填充智能（规划、生成代码、做 review）
• Bash 节点：确定性节点，执行固定命令（跑测试、lint、部署）

节点之间通过 depends_on 定义依赖关系，形成流水线。流程结构是确定性的，但每个节点的执行内容是 AI 驱动的。

这样做的好处：

一个完整的工作流长什么样

看这段 YAML——从功能想法到 PR 的完整流程：

# .archon/workflows/build-feature.yaml
nodes:
  - id: plan
    prompt: "Explore the codebase and create an implementation plan"

  - id: implement
    depends_on: [plan]
    loop:
      prompt: "Read the plan. Implement the next task. Run validation."
      until: ALL_TASKS_COMPLETE
      fresh_context: true

  - id: run-tests
    depends_on: [implement]
    bash: "bun run validate"

  - id: review
    depends_on: [run-tests]
    prompt: "Review all changes against the plan. Fix any issues."

  - id: approve
    depends_on: [review]
    loop:
      prompt: "Present the changes for review. Address any feedback."
      until: APPROVED
      interactive: true

  - id: create-pr
    depends_on: [approve]
    prompt: "Push changes and create a pull request"

六个节点，流程是：规划 → 实现（循环直到全部完成）→ 跑测试 → 代码审查 → 人工审批（循环直到通过）→ 创建 PR。

注意几个关键设计：

Loop 节点：implement 节点用了 loop + until: ALL_TASKS_COMPLETE。AI 不一定一次写完所有代码，loop 让它反复迭代直到所有任务完成。每次迭代用 fresh_context: true 重新加载上下文，避免前面步骤的残留信息干扰。

Interactive 审批：approve 节点标记了 interactive: true + until: APPROVED。工作流跑到这里会暂停，等人确认后才继续。不是所有流程都能全自动——该人审的地方必须人审。

混合节点：run-tests 是 bash 节点，跑固定命令。其他都是 prompt 节点，AI 驱动。确定性检查和智能生成穿插进行。

运行效果：

You: Use archon to add dark mode to the settings page

Agent: I'll run the archon-idea-to-pr workflow for this.
       → Creating isolated worktree on branch archon/task-dark-mode...
       → Planning...
       → Implementing (task 1/4)...
       → Implementing (task 2/4)...
       → Tests failing - iterating...
       → Tests passing after 2 iterations
       → Code review complete - 0 issues
       → PR ready: https://github.com/you/project/pull/47

17 个内置工作流：从修 bug 到架构扫描

Archon 内置了 17 个工作流，覆盖了开发流程的各个环节。挑几个重点的说：

archon-idea-to-pr — 最完整的流程。功能想法 → 规划 → 实现 → 验证 → PR → 5 个并行 review agent → 自动修复。一个想法进去，一个 PR 出来。

archon-fix-github-issue — 分类问题 → 调研 → 实现 → 验证 → PR → review → 自动修复。专门处理 GitHub Issue。

archon-comprehensive-pr-review — 5 个并行 review agent 同时审查一个 PR，各自负责不同维度，最后综合结果并自动修复问题。

archon-refactor-safely — 安全重构：带类型检查钩子和行为验证。重构最怕改一个地方坏三个地方，这个工作流在每一步都验证。

archon-architect — 架构扫描：检查代码库健康度、复杂度、提出优化建议。不是改代码，是做架构级的审查。

archon-resolve-conflicts — 检测冲突 → 分析 → 解决 → 验证 → 提交。解决 merge conflict 也能自动化。

这些工作流不是死的——你可以基于内置工作流修改，也可以从零写自己的。工作流就是 YAML 文件，提交到仓库里，团队成员共享同一套流程。

Git Worktree 隔离：5 个 bug 并行修不冲突

这个设计很实用。

每次工作流运行，Archon 会自动创建一个独立的 git worktree——相当于在同一个仓库里切出一个独立的分支工作目录。不同的工作流运行之间互不干扰。

这意味着你可以同时开 5 个工作流修 5 个 bug，每个在自己的 worktree 里改代码，各自跑测试，各自提 PR。不会出现"改了 A 文件发现 B 也在改同一个文件"的冲突。

# 同时启动多个工作流
"Use archon to fix issue #42"    → worktree: archon/task-fix-auth
"Use archon to fix issue #43"    → worktree: archon/task-fix-cache
"Use archon to add dark mode"    → worktree: archon/task-dark-mode

三个工作流并行执行，互不干扰，最后各自出一个 PR。

多平台 + Web UI

Archon 不只在终端里跑。它支持多个入口：

• CLI — 命令行直接用，和 Claude Code 配合
• Web UI — 聊天界面 + Dashboard（工作流监控）+ 拖拽式工作流编辑器
• Telegram — 5 分钟接入
• Slack — 15 分钟接入
• Discord — 5 分钟接入
• GitHub Webhooks — Issue 创建自动触发工作流

Web UI 的 Dashboard 可以看到所有平台的所有对话和工作流运行状态——在 Telegram 上启动的工作流，在 Web Dashboard 上也能追踪。拖拽式工作流编辑器让你可视化地设计 DAG，不用手写 YAML。

和 Cursor/Copilot 的区别

一句话：Cursor/Copilot 是编码工具，Archon 是流程引擎。

Cursor 帮你写代码更快，但不保证流程正确。你让 Cursor 修 bug，它可能改完就完事了，不跑测试不提 PR。Archon 不跟你比谁写代码快——它规定"修 bug 必须经过调研→实现→测试→review→PR 这几个步骤"，AI 在每个步骤里提供智能，但步骤本身不能跳过。

打个比方：Cursor 是一个能力很强的程序员，但每次干活的方式不一样；Archon 是一套软件工厂的流水线，AI 是流水线上的工人。流水线保证每个产品都经过质检，工人负责具体的操作。

两者不冲突——Archon 的 AI 节点底层就是调 Claude Code、Codex 这些工具来写代码。Archon 在它们之上加了一层流程控制。

安装

30 秒快速安装：

curl -fsSL https://archon.diy/install | bash
# 或
brew install coleam00/archon/archon

前置条件：Bun、Claude Code、GitHub CLI。

完整安装（5 分钟）：Clone 仓库，bun install，然后在 Claude Code 里说 "Set up Archon" 就行。

Archon 解决的问题很聚焦：AI 编程的不确定性。它不比谁的模型更强，而是让 AI 编程从"每次结果看运气"变成"流程确定、结果可控"。如果你的团队已经用 AI 编程但苦于流程混乱、质量不稳定，值得认真看看。

作者: itech001
来源: 公众号：AI人工智能时代
主页: https://www.theaiera.cn，每日分享最前沿的AI新闻和技术。

本文首发于 AI人工智能时代，转载请注明出处。