ECC Skill：让 AI Coding Agent 拥有系统化工程体系的神器

Skill超级捕获手技术创作者 2026-07-29 22 阅读

ECC（Expert Coding Companion）是一个面向 AI Coding Agent 的性能优化系统框架，主打「让 agent 不只是写代码，而是系统化地规划、验证、记忆和改进」。作者 @affaan-m，MIT 协议开源，当前 GitHub 星标 235.1k（截至 2026-07-29），今日新增 636 颗，持续占据 Trending 头部。项目自述：「你的 agent 会写代码，但 ECC 给它一套协调的工程体系和工具箱：先规划再构建、用测试验证、用全新上下文审视、记住重要信息、将重复成果转化为可复用 Skill。」

功能与原则

ECC 提供三层架构：

Chat Completions API：统一的多 LLM Provider 接口，一行切换 OpenAI/Anthropic/Google/Ollama 等。
Agents API + Toolkits + MCP：给模型注入真实 Python 函数作为工具，运行多轮对话，连接文件/git/shell 等预置工具包，或任何 MCP Server。
OpenWorker：基于 aisuite 的桌面 AI 同事应用，支持 macOS/Windows，完成深度研究、文件读写、Slack/邮件连接、PDF 生成、计划任务等。

核心理念：结果不只是代码，而是一条证据链——规划、失败测试、通过测试、审查发现、最终验证，一个不少。

认可度

Star 数：235.1k（截至 2026-07-29，GitHub trending 持续在榜）
今日新增：636 stars（2026-07-29）
Forks：35.8k
贡献者：314 人
最近版本：ECC 2.1.0（Plan Canvas + Kimi Harness + 自托管计算，2026-07-28，两天前）
累计发布：15 个版本
语言构成：JavaScript 67.2%、Rust 23.9%、Python 5.2%、Shell 2.6%

链接

GitHub：https://github.com/affaan-m/ECC

原作者

GitHub：@affaan-m
官网：ecc.tools
定位：专注于 AI Agent 性能优化与工程化落地的独立开发者/团队

介绍

ECC 起源于对「AI Coding Agent 如何像专业工程师一样工作」的思考。传统 agent 拿到需求就直接写代码，容易走偏、难以验证、缺乏记忆。ECC 则将工程化的思维注入 agent 工作流：先拆解任务制定计划（Plan），用测试捕捉失败信号（Test），实现代码通过测试（Implement），从全新上下文审查（Review），确认一切正常（Verify），将有效模式写入持久记忆（Remember），持续迭代改进（Improve）。

整个闭环由 67 个专业化子 agent 协作完成，分别处理规划、审查、构建修复、安全、架构和领域特定任务。内置 281 个可复用 Skill，按需加载，不往每次会话里塞整个仓库——保持上下文精炼。

最新 2.1.0 引入 Plan Canvas，允许用指向操作替代重新输入来审查规划；新增 Kimi Harness 支持和自托管计算能力。

特点

三层抽象：统一 Chat Completions → Agents API + Toolkits → 场景化应用（OpenWorker），层层递进。
67 个专业化 sub-agent：规划、审查、构建修复、安全、架构等领域各司其职，支持委托分工。
281 个按需 Skill：覆盖 TDD 工作流、记忆管理、安全扫描等，随时加载不污染上下文。
MCP 第一支持：无缝接入任何 MCP Server，工具生态即插即用。
跨工具共享上下文：npm 包 ecc-universal 可在 Claude Code、Codex、Cursor 等不同 harness 间共享记忆和工作流。
AgentShield 安全扫描：内置 OWASP Agentic Top 10 覆盖，扫描项目潜在安全风险。

使用方法

Claude Code 安装

/plugin marketplace add https://github.com/affaan-m/ECC
/plugin install ecc@ecc

或手动克隆：

git clone https://github.com/affaan-m/ECC.git
cd ECC
mkdir -p ~/.claude/rules/ecc
cp -R rules/common ~/.claude/rules/ecc/
cp -R rules/typescript ~/.claude/rules/ecc/   # 替换为你的技术栈

Codex 安装

git clone https://github.com/affaan-m/ECC.git
cd ECC
npm install
bash scripts/sync-ecc-to-codex.sh

基础调用示例（TDD 工作流）

/ecc:plan "Add usage-based billing alerts"
# 确认或编辑计划
# 激活 tdd-workflow
# → 捕获 RED 证据 → 实现直到 GREEN → 从新上下文审查 → 用回归测试修复问题 → 验证构建/lint/类型/测试

Python 基础调用

import aisuite as ai
client = ai.Client()

response = client.chat.completions.create(
    model="openai:gpt-4o",
    messages=[{"role": "user", "content": "Tell me a joke"}],
    temperature=0.75
)
print(response.choices[0].message.content)

Agent 运行示例

import aisuite as ai
from aisuite import Agent, Runner

agent = Agent(
    name="repo-helper",
    model="anthropic:claude-sonnet-4-6",
    instructions="你是认真的代码助手，用工具从代码中回答问题。",
    tools=[*ai.toolkits.files(root="."), *ai.toolkits.git(root=".")],
)

result = Runner.run(agent, "最近一次提交改了什么？用 3 条子弹总结。")
print(result.final_output)

使用场景与人群

适用场景：

需要系统性工程化的 AI Coding 项目（TDD、代码审查、架构设计）
跨工具/跨 harness 的团队（Claude Code + Codex + Cursor 协作）
需要长期记忆和经验积累的 agent 工作流
对安全扫描有要求的企业级 AI 编程场景

目标用户：

AI Coding Agent 高级用户和框架开发者
需要将 AI 编程工具工程化落地的团队
关注 agent 安全和可信赖性的研究者

输入与输出案例

案例 1：TDD 开发流程

Input：/ecc:plan "Add usage-based billing alerts" → 激活 tdd-workflow
Output：ECC 生成规划 → 用户确认 → 创建失败测试（RED）→ 实现功能直到测试通过（GREEN）→ 全新上下文审查 → 发现问题用回归测试修复 → 最终验证通过。完整证据链保留在会话中。

案例 2：跨 Harness 记忆共享

npm install -g ecc-universal
ecc memory init --scope project
ecc memory search "authentication migration" --target-harness codex
ecc memory doctor

Output：在不同 harness（Claude Code / Codex / Cursor）间共享项目级记忆，搜索「authentication migration」并在目标 harness 中检索相关上下文，自动进行记忆健康检查。

GitHub: https://github.com/affaan-m/ECC

评论区

0 条评论

登录后可评论。