wb-flow Vibe 项目

wb-flow 是一个零依赖的命令行工具，它将 AI 编程从随意的多轮提示链，改造为有计划、有结构、可追溯的工程化工作流。核心理念是：让 AI 编程遵循「计划 → 拆解 → 并行执行 → 验证 → 追溯」这一完整的工程闭环，而不是东一榔头西一棒槌地见招拆招。wb-flow 支持 Vue、React、Python 等各种代码库，兼容 Claude Code、OpenCode、Gemini CLI、Cursor、Codex 等主流 AI 编程工具，一条命令即可接入任意现有项目。

项目简介

传统的 AI 编程模式通常是：提出需求 → AI 生成代码 → 人工检查 → 再提需求 → AI 修改。这种模式在复杂项目中很快就失控——代码分散在各处、AI 不清楚整体架构、修改引入的副作用无人知晓。wb-flow 改变了这一局面。它在项目中植入一个 AI 控制平面（control plane），让 AI 的每一步操作都落在计划之内，并且留下完整的执行轨迹。

核心功能

五层架构工作流

wb-flow 的核心是一套五层工作流架构，层层递进、缺一不可。

第一层：可组合的计划编排（Composable Planning）。用户通过结构化的方式定义任务计划，wb-flow 将其拆解为可执行的任务单元。每个任务都有明确的输入、输出和验收标准，AI 不会在没有清晰目标的情况下盲目写代码。

第二层：前置认知（--as cognition）。在真正动手写代码之前，用户可以用 --as 参数向 AI 解释任务背景和架构思路，AI 会生成逐步实施蓝图（blueprint）。这个机制的价值在于：在写代码之前就把方案想清楚，AI 帮助发现方案中的漏洞，而不是在代码写完之后才发现架构不对。这一步非常关键，它让 AI 从「执行者」升级为「协作思考者」。

第三层：波浪式并行执行（Waves）。这是 wb-flow 最具特色的设计。与传统的串行 AI 执行模式不同，wb-flow 将任务组织为「波浪」——每个波浪内的任务并行执行，只有当一个波浪全部完成后，下一个波浪才会启动。这种机制既保证了并行带来的效率，又维持了任务之间的依赖顺序不会出现混乱。

第四层：制品图谱（Artifact Graph）。每个 AI 生成的制品（文件、代码片段、配置变更）都会被记录，并与原始需求、验证结果形成关联链。最终，用户可以清晰地追溯：「这条需求是谁提的、经过哪几步实现、最后通过了什么验证」，整个过程完全透明。

第五层：模型路由（Model Routing）。不同的任务适合用不同的模型来处理。简单重命名变量用轻量模型即可，复杂的架构设计应该用最强的模型。wb-flow 支持根据任务类型自动调度合适的模型，在效果和成本之间取得平衡。

广泛的工具兼容性

wb-flow 通过 MCP 协议和原生命令注册机制，兼容几乎所有主流 AI 编程工具。官方确认支持的有：Claude Code、OpenCode、Gemini CLI、Cursor、Codex CLI，以及任何其他支持 MCP 协议的客户端。无论团队使用哪种工具，都可以将 wb-flow 无缝接入现有工作流。

零依赖、多种安装方式

wb-flow 本身零依赖，安装后不会给项目引入额外的包。提供了四种安装路径：推荐使用 npx 一键运行（无需全局安装），也支持 npm 全局安装、Git 克隆无需 npm、以及 Git 克隆加 npm link 本地开发模式。安装完成后运行 wb-flow init，自动检测机器上安装的 AI 编程工具并注册命令，安装过程全程交互式引导。

计划与验证一体化

wb-flow 的命令体系围绕「动词」而非「角色」构建。用户说「规划」（plan）、「执行」（execute）、「验证」（validate），AI 理解的是要做什么事，而不是要扮演什么角色。命令本身就是合同，语义清晰、结果可预期。这种设计避免了角色扮演类工具中常见的「AI 偏离角色」问题。

技术实现

wb-flow 的技术实现有几个值得关注的亮点。首先，它是一个纯 Node.js CLI 工具（需要 Node.js 18 及以上），没有额外的原生依赖，真正做到了零依赖引入项目。这一点对于不想污染项目 node_modules 的团队很重要。

其次，命令注册机制设计得很巧妙。wb-flow init 会根据用户选择的范围（全局或项目级）和工具类型，在对应位置生成符合各工具规范的命令文件。例如 Claude Code 格式下生成 .md 文件加 $ARGUMENTS 变量，OpenCode 下生成对应的命令文件，Cursor 下写入 .cursor/commands 目录。这种「一个核心、多端输出」的设计使得 wb-flow 能以统一的工作流同时服务多种不同的 AI 编程工具。

第三，Artifact Graph 的实现依赖于对 AI 执行过程的完整记录。每次 AI 生成制品时，wb-flow 都会记录：原始任务描述、AI 的完整思考路径、生成的文件或修改内容、验证结果。这形成了一个有向无环图（DAG），可以用于后续的审查、回滚或审计。

波浪式并行执行的核心实现是一个任务调度器：用户定义的任务被解析为任务图（Task Graph），调度器识别哪些任务没有依赖关系（或者依赖已满足），将它们编排进同一个波浪并行执行，依赖未满足的任务则等待上一个波浪完成。

快速上手

第一步：在项目中运行 npx wb-flow，wb-flow 会检测项目类型并初始化控制平面配置。

第二步：运行 wb-flow init，选择命令生效的范围（全局或仅本项目），勾选要接入的 AI 编程工具，wb-flow 自动完成注册。

第三步：在 AI 编程工具中输入 /wbPlan ，AI 会先用 --as cognition 模式理解任务并生成实施蓝图，确认方案后再执行。

第四步：执行过程中可以用 /wbValidate 触发验证，wb-flow 根据制品图谱检查代码是否符合原始需求。

第五步：完成开发后，用 /wbTrace 查看完整的执行轨迹，追溯每个制品的来源和验证结果。

适用人群

wb-flow 适合以下用户：

AI 编程重度用户：已经在使用多个 AI 编程工具处理复杂项目，希望将 AI 编程从「点工式」升级为「工程化」的团队。

多成员 AI 编程团队：多人同时使用 AI 编程时，没有统一工作流会导致代码风格混乱、架构不一致。wb-flow 的制品图谱和计划验证机制为团队协作提供了共同的语言和可见性。

追求代码质量的项目：希望在利用 AI 编程效率的同时，不牺牲代码的可维护性和可追溯性。wb-flow 的验证和追溯机制帮助在速度和可控性之间取得平衡。

技术负责人和架构师：希望通过统一的工作流规范团队所有成员的 AI 编程行为，而不是让每个人自由发挥导致项目失控。