OMC - 04 用好 Oh-My-ClaudeCode 的 30 个会话技能：从“帮我写点代码”到端到端自动交付

文章目录Pre概述一、从“回答问题”到“执行工作流”OMC 的会话技能模型二、六大技能类别30 个技能的整体地图三、执行类技能让 AI 从“写代码”变成“交付能力”3.1 Autopilot从产品想法到可运行代码的端到端自动驾驶3.2 Ralph以 PRD 为驱动的“绝不漏项”持久化循环3.3 Ultrawork极致并行但不管收尾3.4 Team搭建一个多 Agent 的协作小组3.5 UltraQA把 QA 变成一个循坏直至达标的流程四、规划类技能先把“你到底想要什么”说清楚4.1 omc-plan策略级的多模式规划器4.2 Ralplan把规划变成执行前的“闸门”4.3 Deep Interview用苏格拉底式提问消灭模糊需求五、探索类技能理解问题与代码库而不是“瞎改”5.1 Deep Dive先做 Trace再做 Deep Interview5.2 Deepinit为项目生成 AGENTS.md5.3 Trace严肃对待“因果关系”的调查通道六、工具类技能会话管理、知识管理与技能管理6.1 Ask统一的跨模型查询入口6.2 Cancel统一的“刹车踏板”6.3 CCGClaude Codex Gemini 的三模型综合6.4 Remember / Wiki / Learner把经验真正沉淀下来6.5 Skill / Skillify / HUD让技能真正变成个人与团队资产七、安装与诊断把“环境问题”收拾干净7.1 Setup你唯一需要记住的安装入口7.2 omc-setup / omc-doctor配置与健康检查八、领域类技能防回归、UI 对比与通知集成8.1 AI Slop Cleaner给 AI 写的代码做“减法”8.2 Visual Verdict截图级 UI QA九、自动激活关键词与技能流水线让技能“自然地”介入对话9.1 自动激活关键词少记命令多说人话9.2 技能链式调用与内置流水线十、从零开始的实践路线如何在真实项目里跑起来结语把 AI 当成“可编程协作系统”而不是“万能问答框”PreOMC - 01 用 19 个 Agent 打造你的 Claude Code“工程团队”oh-my-claudecode 深度解析与实战指南OMC - 02 五分钟起步走向多智能体协作深入解析 oh-my-claudecode 快速开始与架构设计OMC - 03 从 0 到高效Oh My ClaudeCode 安装与实践全指南概述大模型写代码这件事从一开始的“帮我补全一段函数”已经演变成“帮我从 0 到 1 做一个完整的小系统”。但只靠一次次自然语言对话很快会遇到几个现实问题想法不清晰模型和人互相误解任务拆分随意做着做着就迷路多轮修改之后没人知道“到底算不算完成”项目一换上下文、约定、经验全部丢失。Oh-My-ClaudeCode下文简称 OMC试图用一套“会话内技能系统”解决这些问题把常见工作流抽象成 30 个可复用技能在对话中随时调用让 AI 不再只是“一次性回答器”而是可以被编排、被约束、可验证的长期协作伙伴。这篇文章面向日常在终端、IDE、中重度使用 AI 编程助手的开发者和技术爱好者系统梳理 OMC 的会话技能体系它解决什么问题30 个技能如何分层协作典型工作流怎么落地以及如何在自己团队中长期用好这套体系。一、从“回答问题”到“执行工作流”OMC 的会话技能模型在 OMC 里“技能”Skill是对某类复杂工作流的统一封装每个技能对应一个独立目录里面有一份带 YAML frontmatter 的SKILL.md描述该技能的元数据、触发方式和执行步骤。/oh-my-claudecode:skill-name[arguments]OMC 会通过“技能桥接脚本”自动扫描skills/目录无需额外注册即可加载新技能调用时 Claude 会进入对应工作流按定义的步骤迭代执行直至完成或被取消。技能有三种常见触发方式显式斜杠命令例如/oh-my-claudecode:ralph fix the null checkinauth.ts自然语言触发词例如对话里说autopilot build me a REST API效果等价于显式调用 autopilot 技能。自动关键词检测在对话中输入特定短语会触发对应技能下文会列出关键词表。这种设计有几个直接好处行为可预期每个技能的输入、阶段、成功标准清晰避免“随机发挥”可组合技能之间可以通过pipeline或next-skill形成流水线可扩展你可以把自己摸索出的好用工作流沉淀成新技能在团队内共享。二、六大技能类别30 个技能的整体地图OMC 把 30 个技能划分成六大类每一类对应开发生命周期中的不同环节类别代表技能作用简述执行Executionautopilot,ultrawork,ralph,team,ultraqa多 Agent 编排、并行执行、持久化循环与质量闭环规划Planningomc-plan,ralplan,deep-interview需求澄清、共识规划、规格说明探索Explorationdeep-dive,deepinit,trace,external-context根因分析、代码库熟悉、上下文探索工具Utilitiesask,cancel,learner,remember,skill,skillify,verify,hud,wiki会话管理、跨模型查询、记忆与知识库、技能管理安装与诊断setup,omc-setup,omc-doctor,mcp-setup安装配置、环境诊断、MCP 集成领域Domainai-slop-cleaner,ccg,visual-verdict,project-session-manager,writer-memory,self-improve,sciomc,configure-notifications针对特定场景的专用流水线如防回归、UI 对比等理解这张“地图”是用好 OMC 的前提。三、执行类技能让 AI 从“写代码”变成“交付能力”执行类技能是 OMC 的核心战力负责真正“干活”编码、重构、修复、测试以及整条链路的质量闭环。 它们之间是分层关系Autopilot Ralph UltraworkAutopilot 组合调用 RalphRalph 再组合调用 Ultrawork。Team 是一套独立但可选的编排模型可与 Ralph 组合。3.1 Autopilot从产品想法到可运行代码的端到端自动驾驶调用方式/oh-my-claudecode:autopilot产品想法典型触发词autopilot,build me,create me,I want a...。Autopilot 面向的是“给你一个想法你帮我跑完整个软件生命周期”的场景从需求分析、技术设计到任务规划、并行编码、QA 循环及最终多方验证。其内部通常会经历 5 个阶段阶段 0 – 扩展把简短想法扩展为详细规格说明若已有 Deep Interview 或 Ralplan 输出可直接复用阶段 1 – 规划产出可执行的技术方案与任务分解阶段 2 – 实现并行执行编码任务底层由 Ultrawork 提供并行能力阶段 3 – QA 循环最多 5 轮“测试 → 修复 → 再测”直到满足目标阶段 4 – 多视角验证由代码审查员、安全审查员、架构师等不同角色给出签字结论。适合用 Autopilot 的场景新建一个 Demo 服务或内部工具为已有系统增加一个中等规模的模块希望尽量少打断 AI自主跑完一条链路。不适合的场景只是想比较几种技术方案或权衡取舍先用规划类技能如omc-plan只需要小改动或一次性修复用ralph或直接点对点委派。一个典型例子是“帮我做一个支持用户注册、登录和JWT鉴权的 REST API技术栈用 Node.js PostgreSQL。”此时直接丢给 Autopilot会自动拉起完整链路从 schema 设计到路由、控制器、中间件再到测试和验证。3.2 Ralph以 PRD 为驱动的“绝不漏项”持久化循环调用方式/oh-my-claudecode:ralph[--no-deslop][--criticarchitect|critic|codex]任务典型触发词ralph,dont stop until,must complete。Ralph 的核心目标是确保任务真正完成并通过验证而不是“差不多就行”。工作方式上它会从你的任务描述生成prd.json将需求拆成一条条具有可测试验收标准的用户故事按故事逐个迭代每个故事执行 → 测试 → 审查 → 必要时重试强制引入审查 Agent默认为架构师可通过--critic切换从结构、质量和一致性层面把关可选地在审查通过后执行“slop 清理”反 AI 冗余清理通过--no-deslop可以关闭。适合用 Ralph 的场景你有一组清晰的变更需求必须逐条兑现需要长期跟踪进度例如把一个迭代拆成多个故事一次次落地希望结果在结构上“像是人写的”而不是大量重复和过度抽象。比如“把我们旧版认证模块整体升级到支持 OAuth2 内部单点登录确保所有原有用例都不回归。”此时通过 Ralph 建立 PRD 并持久化推进比简单地让 AI“帮我改一下”更可靠。3.3 Ultrawork极致并行但不管收尾调用方式/oh-my-claudecode:ultrawork包含并行项的任务典型触发词ulw,ultrawork。Ultrawork 是一个偏底层的可组合组件负责并行执行和模型智能路由但不管状态持久化也不做闭环验证。它会根据任务类型把子任务路由到不同模型层级例如Haiku 处理简单查询Sonnet 负责常规开发任务Opus 处理复杂分析。适用的典型场景是有一堆彼此独立的小任务例如同时写多个工具函数、生成多份配置你会自己检查结果不要求系统帮你“记住今天做了什么”。如果希望在并行基础上增加持久化和验收就可以让 Ralph 来封装 Ultrawork再往上则由 Autopilot 封装 Ralph。3.4 Team搭建一个多 Agent 的协作小组调用方式/oh-my-claudecode:team[N:agent-type][ralph]任务典型触发词team。Team 把“多 Agent 协作”作为一等公民创建 N 个协作 Agent在共享任务列表上分工合作由主 Agent 负责拆解、分配和调度。具备几项关键能力支持多种 WorkerClaude Worker、Codex CLI Worker、Gemini CLI Worker内置阶段化流水线探索 → 调研 → 设计 → 规划 → 编码 → 测试 → 验证任务依赖与重分配机制以及看门狗策略防止任务卡死可以通过ralph修饰符和 Ralph 组合实现“多 Agent 持久化”的混合模式集成 Git worktree在代码层面实现隔离的并行开发分支。适合团队中这样的一类任务“给我们的微服务架构做一次全面诊断找出风险点给出改进设计并分模块实现关键改动。”在这种场景下单 Agent 很容易“脑丢失”Team 模式则可以分角色深入不同子系统再通过共享待办汇总。3.5 UltraQA把 QA 变成一个循坏直至达标的流程调用方式/oh-my-claudecode:ultraqa[--tests|--build|--lint|--typecheck|--custom][--interactive]UltraQA 关注的是质量闭环它会启动一个 QA 循环引入 QA tester 与架构师两个角色让他们在“检测 → 分析 → 修复 → 复测”的回路中最多执行 5 轮直至达到预设的质量目标。支持多种目标类型--tests、--build、--lint、--typecheck、--custom以及交互式测试模式。典型用法是接在 Ralph 或 Autopilot 之后对某个模块做一次心理上更“安心”的质量收尾。四、规划类技能先把“你到底想要什么”说清楚规划技能解决的是“需求搞不清楚写代码只会重复返工”的老问题。 OMC 提供了从轻量到重量的多个层级。4.1 omc-plan策略级的多模式规划器调用方式/oh-my-claudecode:omc-plan[--direct|--consensus|--review][--interactive][--deliberate]任务根据你的输入情况Plan 会选择不同模式模式触发条件行为访谈请求很宽泛时的默认模式每次只问一个问题收集需求直接--direct或输入已非常详细跳过访谈直接生成计划共识--consensus或使用 “ralplan” 语义规划师 ↔ 架构师 ↔ 评论员 多轮往复审查--review对现有计划做评审和改进共识模式下Plan 会持续迭代生成一份 RALPLAN-DR 摘要包括决策原则、关键驱动因素、可选方案和风险预估甚至支持事前验尸pre-mortem。 通过审批后这份计划可以直接交给 Autopilot 或 Ralph 执行。4.2 Ralplan把规划变成执行前的“闸门”调用方式/oh-my-claudecode:ralplan[--interactive][--deliberate]任务Ralplan 本质上是omc-plan --consensus的简写但它还有一个更关键的角色执行前门控。当你以模糊指令调用执行类技能比如“ralph fix this”时Ralplan 会拦截这类请求让系统先进入共识规划流程避免盲目执行。只有在检测到足够“具体信号”时它才会放行例如明确的文件路径、Issue 编号、函数名、编号步骤或具体代码块。 若你非常确定自己要干什么也可以用force:或!前缀绕过门控。这种设计实际上是用“规划”去保护“执行”帮助你避免把大量算力浪费在错误方向。4.3 Deep Interview用苏格拉底式提问消灭模糊需求调用方式/oh-my-claudecode:deep-interview[--quick|--standard|--deep][--autoresearch]想法典型触发词包括deep interview,interview me,ouroboros,dont assume。Deep Interview 把“需求明确化”当成一个可以度量的过程引入数学上的“模糊度评分”每轮只就清晰度最差的维度提一个问题并拒绝在模糊度降到 20% 以下前进入后续执行阶段。更有意思的是它在不同轮次会引入角色切换例如第 4 轮引入反对者第 6 轮引入简化者第 8 轮引入本体论者以不同视角挑战原有假设。它最适合这样一种状态“我有个模糊的产品想法连自己都说不清楚更别说直接上来写代码。”在 OMC 推荐的三阶段流水线中通常是deep-interview→ralplan→autopilot。先把需求清晰到“模糊度 ≤ 0.2”再通过 Ralplan 达成团队级共识最终由 Autopilot 全流程执行。五、探索类技能理解问题与代码库而不是“瞎改”探索技能服务于“搞清楚发生了什么”和“熟悉环境”两类需求。5.1 Deep Dive先做 Trace再做 Deep Interview调用方式/oh-my-claudecode:deep-dive问题Deep Dive 将trace和deep-interview编排成一个两阶段流水线先在多条并行通路上做因果调查Trace再把得到的发现注入到 Deep Interview 中形成针对性的对策设计。这样可以避免单独跑 Trace 或单独跑访谈时的上下文割裂问题。5.2 Deepinit为项目生成 AGENTS.md调用方式/oh-my-claudecode:deepinitDeepinit 的目标很简单扫描项目为 AI Agent 生成一个层级化的AGENTS.md帮助后续各种技能更好理解代码库结构。 在把 OMC 接入老项目时优先跑一遍 Deepinit 会非常有价值。5.3 Trace严肃对待“因果关系”的调查通道调用方式/oh-my-claudecode:trace观察现象Trace 面向的是那种“靠猜很容易错”的问题表现为一组观察现象却隐藏复杂因果链。它会系统地完成几件事重述观察现象确保大家谈的是同一件事生成多条竞争性假设为每条假设并行收集证据对不同解释进行排序提出后续可操作的鉴别性探测。整个过程严格区分“观察”“假设”“证据”和“当前最佳解释”刻意避免退化成“试试改这里”“再试试改那里”的修 bug 循环。六、工具类技能会话管理、知识管理与技能管理这类技能不直接写代码却决定了 OMC 在一个项目中能否长期高效运作。6.1 Ask统一的跨模型查询入口调用方式/oh-my-claudecode:ask问题ask通过omc ask封装器把请求路由到本地的 Claude、Codex 或 Gemini CLI并把结果持久化到.omc/artifacts/ask/目录。建议始终用omc ask而不是手写底层 CLI 命令既方便日志留存也减轻心智负担。6.2 Cancel统一的“刹车踏板”调用方式/oh-my-claudecode:cancel[--force|--all]当 Autopilot、Ralph、Ultrawork、UltraQA、Team 等模式正在运行时cancel是统一的退出方式自动检测当前模式并做相应的清理避免残留状态在后续会话中造成干扰。6.3 CCGClaude Codex Gemini 的三模型综合调用方式/oh-my-claudecode:ccg问题CCG 通过ask同时向 Codex偏架构/后端和 Gemini偏 UX/设计发起查询再由 Claude 综合三方视角给出答案。 适合需要多维度权衡的问题例如架构选型或 API 设计。6.4 Remember / Wiki / Learner把经验真正沉淀下来Remember把当前会话中有价值的信息分类存入项目记忆、记事本或docs/AGENTS等持久层而不是简单堆在某个“黑洞”里。Wiki受 Karpathy 启发的 Markdown 知识库支持导入、查询、Lint、快速添加和列表存储在.omc/wiki/。Learner在解决某个“独特且难以搜索”的棘手 Bug 后从调试过程抽取可复用的原则和启发式形成 Level 7 自我改进技能。三者组合起来可以让“这次踩坑学到的东西”真正积累起来成为下次的先验知识而不是每次从零开始。6.5 Skill / Skillify / HUD让技能真正变成个人与团队资产Skill管理内置技能、用户级技能和项目级技能分别对应 OMC 内置、~/.claude/skills/omc-learned/和.omc/skills/。例如/skill list查看所有技能/skill add新建技能。Skillify把当前会话中成功的多步工作流自动提取为一份技能草案包含 YAML frontmatter、触发词、步骤和成功标准写入用户或项目级目录。HUD配置状态栏显示模式例如minimal、focused默认和full以及安装/修复 HUD 封装脚本。这三个技能让你可以从“使用技能”上升到“设计技能、管理技能”逐步搭出一套符合自己团队习惯的 AI 协作操作系统。七、安装与诊断把“环境问题”收拾干净7.1 Setup你唯一需要记住的安装入口调用方式/oh-my-claudecode:setup[doctor|mcp|wizard]不带参数时进入完整安装向导doctor进入诊断流程mcp进入 MCP 服务器配置。7.2 omc-setup / omc-doctor配置与健康检查omc-setup配置本地或全局 CLAUDE.md、设置 HUD、配置通知并执行健康检查支持--local、--global、--force。omc-doctor检查插件版本、旧版钩子、CLAUDE.md 配置等以 CRITICAL/WARN/OK 级别给出可操作建议。安装技能把“环境搭建”和“问题排查”本身做成了可复用工作流避免每次换机或换项目都手忙脚乱。八、领域类技能防回归、UI 对比与通知集成领域技能更多是针对特定场景的深度优化。8.1 AI Slop Cleaner给 AI 写的代码做“减法”调用方式/oh-my-claudecode:ai-slop-cleaner[--review]这个技能专注于清理 AI 生成的“slop”代码冗余、重复、过度抽象等。 工作准则是在改动前先通过测试锁定行为优先删除多余代码而不是再加新东西保持差异小且可逆降低回滚成本。配合 Ralph 或 Autopilot 使用可以大幅降低“代码看上去是 AI 写的”的违和感。8.2 Visual Verdict截图级 UI QA调用方式/oh-my-claudecode:visual-verdictVisual Verdict 会把当前 UI 截图与参考图进行对比给出 0–100 分的 JSON 评分并驱动反复编辑直到评分达到 90 分以上。对于追求像素级还原设计稿的前端或客户端团队这个技能能显著降低肉眼对比的体力劳动。此外还有项目会话管理、写作记忆、自我改进、通知配置等领域技能可以根据自己的技术栈和团队习惯按需引入。九、自动激活关键词与技能流水线让技能“自然地”介入对话9.1 自动激活关键词少记命令多说人话在日常对话里你不必每次都输入完整命令一些常见短语会自动激活技能关键词激活技能autopilot,build me,I want aautopilotulw,ultraworkultraworkralph,dont stop untilralphdeep interview,interview me,ouroborosdeep-interviewstop,cancel,abortcanceldeslop,anti-slopai-slop-cleanerwiki,wiki thiswiki这有点像给会话加上“热词插件”当你自然说出这些短语时系统自动切换到更适合的模式而不是停留在普通问答。9.2 技能链式调用与内置流水线技能定义中可以通过pipeline或next-skill把多个技能串成标准流水线OMC 会自动插入统一的交接块让下游技能能正确消费上游输出。典型例子是 Plan 技能内置的三阶段流水线pipeline:[deep-interview,omc-plan,autopilot]这条链路的效果是先用 Deep Interview 把想法澄清成低模糊度规格再用 omc-plan 做共识规划最后交给 Autopilot 按方案执行。你也可以在自定义技能里显式调用其他技能比如先用某个 explore 技能获取上下文再用 architect 技能做架构分析最后用 executor 技能完成编码实现。十、从零开始的实践路线如何在真实项目里跑起来如果你刚接触 OMC 的技能系统可以按下面的路线逐步升级自己的使用方式从/oh-my-claudecode:setup开始完成基本安装与配置并通过omc-doctor确认环境健康。用/oh-my-claudecode:skill list熟悉技能全貌了解有哪些“模式”可用脑子里有张技能地图。用/oh-my-claudecode:ralph处理第一个真实任务选择一个不算太大的需求让 Ralph 驱动完整 PRD 和执行循环体验“绝不漏项”的工作流。探索/oh-my-claudecode:omc-plan做规划在动手改代码之前借助 Plan 做方案对齐尤其是多人协作场景。升级到/oh-my-claudecode:autopilot把一个端到端的功能点全权交给 Autopilot 执行形成对“自动驾驶开发”的直观感受。掌握/oh-my-claudecode:team的多 Agent 协作在较大任务中试试 Team 模式逐步培养“给 AI 分工”的习惯而不是只和单个助手对话。把自己的成功套路 Skillify 掉当某条工作流多次实践效果不错用skillify把它沉淀成项目级技能让团队成员可以一键复用。结语把 AI 当成“可编程协作系统”而不是“万能问答框”OMC 的会话技能系统真正有价值的地方在于三个层面结构化把“写需求 → 做设计 → 划分任务 → 并行执行 → QA → 验证”的过程实体化为技能减少临场发挥带来的随机性可组合技能之间可以形成流水线再配合记忆与知识库使 AI 在同一项目内持续变“熟练”可沉淀不仅你可以用内置技能还可以通过 Skillify 把自己的最佳实践固化下来变成个人或团队的专用助手模式。如果你已经习惯了在编辑器里敲下 “// TODO: ask AI”不妨进一步想一想这是不是某个可以固化下来的工作流它是不是应该变成一个可复用的技能当这件事发生时你使用的就不再只是一个“智能补全工具”而是一套真正可编程的 AI 协作系统。建议的实践起点先用deep-interview → ralplan → autopilot这条流水线做一次端到端实验然后挑一条你常做的重复性工作尝试用skillify把它变成你的第一个自定义技能。