@Lummox_eth 整理8个Claude Agent构建仓库

我已经不再把 Opus 浪费在 Haiku 就能处理的任务上了。这里列出 8 个 GitHub 仓库，用于构建 Claude Code 代理树，让高成本模型负责思考，低成本代理负责体力活。

01 anthropics/claude-agent-sdk-python ▸ → 程序化子代理、隔离上下文和会话，用于协调专业化工作单元。**一个模型包办一切**

02 wshobson/agents ▸ → 包含 202 个专业化代理，覆盖编码、调试、研究和安全领域的模型选择

03 anthropics/claude-code ▸ → 编码代理运行时，处理文件、命令、工具和子代理委派。**计划分崩离析**

04 obra/superpowers ▸ → 将模糊的编码请求转化为带有测试和审查检查点的实施计划

05 anthropics/skills ▸ → 可复用的指令和脚本，按需加载，不会让每个代理的上下文变得臃肿。**工作单元无法接触真实系统**

06 modelcontextprotocol/servers ▸ → 参考 MCP 服务器，用于将代理连接到外部工具和数据

07 anthropics/claude-code-action ▸ → 在 GitHub Actions 内运行 Claude Code，让仓库工作流可以触发编码任务。**没人知道代理都干了什么**

08 langfuse/langfuse ▸ → 追踪代理执行、工具调用和模型使用情况，方便你检查故障和成本。

视频里的架构才是值得理解的部分：Opus 处理困难决策和架构设计，Sonnet 协调实施和任务执行，Haiku 处理更小的聚焦工作，比如探索和研究。工作单元将结论返回给更高层推理做审查。

技巧不是 spawn 20 个代理然后指望它们协作，而是根据任务复杂度匹配模型成本，隔离上下文，并在开始下一个任务前验证结果。当你可以围绕一个高成本模型构建完整执行树时，让一个高成本模型包办一切绝对是糟糕的默认选择。