Everything Claude Code:让 AI 代理真正为你工作的完整系统

Everything Claude Code:让 AI 代理真正为你工作的完整系统

从一次黑客马拉松开始

2026 年初,在 Anthropic 与 Cerebral Valley 联合举办的黑客马拉松上,一个叫 Everything Claude Code(ECC) 的项目拿到了冠军。

但它并没有停留在"获奖作品"的阶段。10 个月、50K+ star、6K+ fork 之后,ECC 已经演化成了一套覆盖 27 个专业 Agent、114 个工作流技能、59 个斜杠命令的生产级 AI 代理增强系统——并在 2026 年 3 月发布了 v1.9.0。

这篇文章想聊清楚:ECC 到底解决了什么问题,它的设计哲学是什么,以及它对"如何用好 AI 编程工具"这件事意味着什么。


问题:大多数人在错误地使用 Claude Code

你可能每天都在用 Claude Code 写代码。你提问,它回答,大部分时候还不错。

但你有没有发现:

  • 同一类错误反复出现,每次都要重新解释上下文
  • 代码写完了,没有人帮你 review 安全漏洞
  • 构建失败时,你和 Claude 都在猜问题在哪
  • 上一个会话学到的"好做法",下一个会话完全忘掉

这些不是 Claude 的问题,是系统的问题。Claude Code 是一个功能强大的工具,但它需要配置、规则、记忆和工作流才能真正发挥出"AI 代理"的能力。

ECC 要做的,就是提供这套完整的系统。


核心设计:Agent 优先的分层架构

ECC 最重要的设计决定,是把"专业分工"贯彻到底。

它不是一个通用的大 Prompt,而是 27 个专业化的子 Agent,每个 Agent 只做一件事,并且做到最好:

场景该用哪个 Agent
规划新功能planner
系统架构决策architect
测试驱动开发tdd-guide
代码质量审查code-reviewer
安全漏洞扫描security-reviewer
构建错误修复build-error-resolver
Go 代码审查go-reviewer
PyTorch 训练错误pytorch-build-resolver
Kotlin/Android 构建kotlin-build-resolver

这种设计有个关键优势:上下文纯净。一个负责安全审查的 Agent,它的整个系统 Prompt 都在讲安全,不会被不相关的信息稀释。


三个让人印象深刻的子系统

1. 持续学习 v2(Instinct System)

ECC 里有一套"本能"系统,可以自动从你的开发会话中提取模式:

/instinct-status # 查看已学到的开发本能(附置信度评分) /instinct-export # 导出分享给团队 /instinct-import <file># 从他人经验导入 /evolve # 把相关本能聚合成可复用的技能

每次开发会话结束,ECC 的 Hook 会自动分析对话,提取"这次发现了什么有价值的模式",附上置信度评分,存入本能库。这些本能可以随着时间推移 evolve 成结构化的技能。

这是在解决一个真实痛点:你和 AI 协作积累的经验,不应该随着会话结束而消失

2. AgentShield 安全审计

构建于 Claude Code Hackathon,1282 个测试,98% 覆盖率,102 条静态分析规则。
# 快速扫描(无需安装) npx ecc-agentshield scan # 启用 Opus 深度分析(红队/蓝队/审计三 Agent 流水线) npx ecc-agentshield scan --opus--stream

--opus 模式会启动三个 Claude Opus Agent 组成"攻防对抗"流水线:攻击者找漏洞利用链,防御者评估保护措施,审计者综合两方输出优先级风险报告。

扫描范围覆盖:CLAUDE.md、settings.json、MCP 配置、Hook 脚本、Agent 定义——14 种密钥泄露模式、权限审计、Hook 注入分析。

3. 结构化 Hook 系统

Hook 是 ECC 的"神经系统"。它在工具调用前后自动触发,实现:

  • 会话开始:加载上次的上下文和学习到的本能
  • 文件编辑后:自动格式化 + TypeScript 检查 + 检测 console.log
  • 提交前:扫描 Prompt 里的密钥(sk-ghp_AKIA 等模式)
  • 会话结束:保存状态,提取模式,生成摘要

通过环境变量可以精细控制 Hook 的严格程度:

exportECC_HOOK_PROFILE=strict # strict / standard / minimalexportECC_DISABLED_HOOKS="pre:bash:tmux-reminder"

不止 Claude Code:跨平台的设计

ECC v1.9.0 支持 5 个主流 AI 开发工具:

  • Claude Code:原生支持,最完整
  • Cursor:DRY 适配器模式,复用所有 Hook 脚本
  • OpenCode:全插件支持,20+ 事件类型
  • Codex(OpenAI):AGENTS.md 自动检测
  • Antigravity--target antigravity 安装标志

在 Cursor 里,适配器把 Cursor 的 stdin JSON 转换为 Claude Code 格式,所有 Hook 脚本无需重写即可共享。这是一个干净的跨平台设计决策。


覆盖 12 种语言生态

v1.9.0 将语言覆盖扩展到 10+ 种:TypeScript、Python、Go、Java、Kotlin、Rust、C++、Swift、PHP、Perl,每种语言都有专属的:

  • 代码审查 Agent
  • 构建错误修复 Agent
  • Coding 规范规则
  • TDD 工作流技能

特别值得一提的是 Kotlin/Android/KMP 支持——这在 AI 编程工具里还比较少见。


安装与快速上手

# 方式一:Claude Code 插件(推荐) /plugin marketplace add affaan-m/everything-claude-code /plugin install everything-claude-code@everything-claude-code # 方式二:手动安装(Windows PowerShell)git clone https://github.com/affaan-m/everything-claude-code.git cd everything-claude-code .\install.ps1 typescript # 按需选择语言

两分钟内即可获得 27 个 Agent、114 个技能、59 个命令的完整访问权限。


这个项目在讲一个更大的故事

ECC 的技术细节固然重要,但它更重要的意义在于:它在定义"AI 代理增强系统"这个品类

它不是要替代 Claude Code,而是要回答"如何让 Claude Code 真正像一个有经验的开发团队一样工作"。答案是:专业分工、持续学习、强制安全检查、跨会话记忆、结构化工作流。

这套思路对于任何想认真使用 AI 编程工具的团队都有参考价值——不管你最终用不用 ECC 本身。


GitHubaffaan-m/everything-claude-code
npmecc-universal(通用安装包)/ ecc-agentshield(安全审计)
GitHub Appgithub.com/marketplace/ecc-tools(150+ 安装)

Read more

【FPGA】Quartus Prime Lite 23.1 最新版 安装教程 ModelSim_18.1 下载安装 + 联调仿真教程 + 详细安装教程 2025最新

【FPGA】Quartus Prime Lite 23.1 最新版 安装教程 ModelSim_18.1 下载安装 + 联调仿真教程 + 详细安装教程 2025最新

前言         本文章基于截至2025年 Quartus_Prime_Lite的最新版 23.1 版本,详细的,一步一步的教你怎么安装,每一步都教你怎么做,按照流程绝对能安装成功。创作不易希望大家看完后点个赞支持创作,谢谢大家啦! 目录  软件下载地址 Quartus Prime Lite 23.1 ModelSim-Intel® FPGA 标准版软件版本 18.1 若不想在官网下载或官网下载速度太慢 点个关注+收藏可以免费用下面的百度链接进行下载  两个软件的安装包都在里面。如果使用百度链接下载则可跳过两个软件的下载流程,直接看安装流程。 一、Quartus Prime Lite 23.1 下载以及安装流程 1.1 Quartus Prime Lite 23.1 官方网站下载流程 第一步 打开上方链接到达如下界面 确保软件名称和版本如下图

安路Anlogic FPGA下载器的驱动安装与测试教程

安路Anlogic FPGA下载器的驱动安装与测试教程

参考链接:安路下载器JTAG驱动安装 - 米联客(milianke) - 博客园 安路支持几款下载器: AL-LINK在线下载器是基于上海安路信息科技股份科技有限公司全系列 CPLD/FPGA 器件,结合公司自研的 TD 软件,可实现在线 JTAG 程序下载、ChipWatcher 在线调试、FLASH 读写、Device Chain 模式烧录。下载器配合 USB-B 数据线、2.54mm 间距 10 针扁平线使用,实物如图所示 1.下载并安装软件 工具与资料下载-国产FPGA创新者 - 安路科技 (需要注册登录) 2.安装驱动 当完成TD软件安装后,可以在安装路径下找到对应驱动。 2.1 右击anlocyusb.inf选择安装: 2.2

ROS导航实战:如何用mpc_local_planner让机器人高效避障(附参数调优技巧)

ROS导航实战:如何用mpc_local_planner让机器人高效避障(附参数调优技巧) 在机器人导航的实战中,局部路径规划器的表现直接决定了机器人在复杂环境下的“驾驶体验”。你是否遇到过机器人面对突然出现的障碍物时犹豫不决,或者转弯时轨迹不够平滑,甚至直接“卡死”在原地的情况?这些问题往往不是机器人硬件的问题,而是局部规划器的选择和调参不当所致。在众多规划器中,mpc_local_planner 凭借其基于模型预测控制(MPC)的优化内核,在处理动态避障和平滑性方面展现出了独特的优势。它不像传统的动态窗口法(DWA)那样只做短视的采样,而是通过预测未来一段时间的轨迹并优化,从而做出更“聪明”的决策。 这篇文章不会重复那些基础的安装和启动步骤,而是直接从实战应用出发,面向那些已经搭建好ROS导航框架,却苦于机器人避障效果不佳的开发者。我们将深入探讨如何配置 mpc_local_planner,特别是针对动态避障场景,分享一系列从踩坑中总结出的参数调优技巧。我会结合具体的Rviz演示效果,对比默认参数与优化参数下的机器人行为差异,并详细解析 costmap_converter 插件

2026年RAG技术路线图:基于DeepSeek与Neo4j知识图谱构建企业智能体系

RAG的演进:为何图检索增强生成(GraphRAG)将主导2026年 检索增强生成(RAG)自问世以来经历了深刻变革,2026年标志着其向图检索增强生成(GraphRAG)范式的关键性转变。这一演进源于传统平面向量型RAG在满足企业级复杂推理和可靠决策支持需求方面日益凸显的局限性。 这一转型的核心驱动力是从平面向量相似性向复杂关系推理的跨越。传统RAG依赖向量嵌入来衡量查询与文档片段的语义相似性,但这种方法无法捕捉企业决策至关重要的实体、概念与事件间的复杂关联。相比之下,GraphRAG将信息构建为包含节点(实体)和边(关系)的知识图谱,使模型能够遍历并推理这些关联——解锁了平面向量RAG无法实现的多跳推理和上下文关系理解能力。 GraphRAG还解决了传统RAG的两大长期痛点:上下文窗口限制和“中间信息丢失”问题。随着企业查询日益复杂,需要更大的上下文窗口来整合相关信息,但即便是最先进的大语言模型(LLM)也存在有限的上下文容量。GraphRAG通过将结构化知识存储在外部图数据库中解决了这一问题,允许模型按需检索最相关的节点和关系,而非将大量文本塞入上下文窗口。此外,“中间信息