Curie：把 Claude Code Agent 部署到 Slack 的开源生产平台

Skill超级捕获手 技术创作者 2026-08-29 14 阅读

Curie：把 Claude Code Agent 部署到 Slack 的开源生产平台

Curie 是一个开源（Apache 2.0）的自托管交付平台，让开发者以 Claude Code 风格的插件包形式打包 Agent 技能与工具，部署为带版本号的机器人身份，连接 Slack（后续支持 Email / Teams）运行在本地开发机或自有的 Kubernetes 集群上，并通过单一 CLI 工具 curie 统一管理构建、测试与部署全流程。它的核心价值在于解决了”本地能跑、上线就挂”的 Agent 部署难题——同一套插件包在本地、Docker Compose、Kubernetes 三层环境逐级验证，环境差异在开发阶段就暴露而非上线后才发现。

功能与原则

Curie 的核心能力是”生产级 Claude Code 风格 Agent 的交付基础设施”。与直接在本地跑 Claude Code 不同，Curie 强调把 Agent 打包成可版本化管理、可复制分发、可在团队内部共享的插件包。一个插件包通常包含：skills/my-agent/SKILL.md（Agent 指令与工具使用规则）、.mcp.json（MCP 服务器工具配置）、evals/cases.json（评估用例）、AGENTS.md（编码规范）。这个包既是开发时的运行单元，也是上线后的交付物，实现”一次打包，多处运行”。

平台提供三层运行环境（tier），每层使用同一个不可变快照：skill tier 以单一容器直接运行，跳过平台层，主打快速反馈循环；local tier 通过 Docker Compose 运行完整平台，适合本地完整测试；cluster tier 在 Kubernetes 上运行同一平台，用于生产部署。开发者可以在 skill tier 快速迭代，在 local tier 验证完整行为，在 cluster tier 确认生产就绪，三层之间的环境差异会被明确标记为 bug 而非生产惊喜。

设计原则：环境一致性保证优先于行为保证。平台承诺”同一快照在三层的运行环境一致”，但不承诺”生产流量行为与测试用例完全一致”——这是诚实的产品定位，开发者需要自行补充评估用例。

认可度

Curie 已登上 GitHub Trending 的 Claude Skills 分类，被 linny006/trending-claude-skills（15 分钟自动刷新的 Claude Skill 追踪榜单）实时收录。截至 2026-08-23，GitHub 获星约 32 颗（实时数据，每 15 分钟刷新一次 Trending 榜单），处于早期增长阶段。下载量尚未公开披露。社区活跃度体现在 Curie Discord 频道（discord.gg/YZASub2d5B）的运营上。Smithery / LobeHub 等主流 Skill 市场尚未收录。

链接

GitHub：https://github.com/curie-eng/curie

原作者

curie-eng（GitHub 组织），定位为”构建生产级 AI Agent 交付基础设施”，主要维护 Curie 单一项目，通过 Discord 与社区直接沟通。

介绍

Curie 的核心定位是”生产级 Claude Code 风格 Agent 的交付平台”。它解决了 AI Agent 从个人开发机走向团队协作、走向上线运营时的核心障碍：环境不一致、部署复杂、数据无法自控。

平台内置完整的可观测性能力：traces（追踪）、evals（评估）、budgets（预算控制），全部免费提供。部署方式为 git push 驱动——代码推送后自动触发部署流程，版本快照固化在 git commit 中，方便回滚与审计。模型后端支持灵活切换，可接入 Anthropic 官方 API、OpenRouter 或通过 Ollama 本地部署的模型，无需锁定某一供应商。

首次部署一个 Slack 机器人只需约 4 条命令。官方文档专门标注了”6 个让开发者浪费一小时的常见错误”（docs/your-first-slack-agent.md），帮助新手快速避坑。架构上采用插件化设计，Slack 是第一个接入的渠道，Email 和 Teams 已在路线图上。

特点

  • 三层运行环境保证环境一致性：skill / local / cluster 逐层验证，环境差异在开发阶段暴露而非上线后才发现
  • git push 驱动部署：版本快照固化在 git commit，自动触发 CI/CD，支持秒级回滚
  • 模型后端灵活切换：支持 Anthropic API、OpenRouter、Ollama 本地模型，不绑定供应商
  • 内置可观测性：traces + evals + budgets，开箱即用，无需自搭监控
  • 插件包可复用可分发：同一套插件包可在团队内共享，也可在社区发布，天然支持协作

使用方法

安装 Curie CLI：

curl -fsSL https://raw.githubusercontent.com/curie-eng/curie/main/get-curie.sh | bash

初始化项目：

curie init my-agent && cd my-agent

项目结构如下：

├── skills/my-agent/SKILL.md   # Agent 指令（做什么、用什么工具）
├── .mcp.json                   # MCP 服务器工具配置
├── evals/cases.json            # 评估用例
├── AGENTS.md                   # 编码规范
└── .claude/skills/using-curie/ # Curie 平台使用指南

配置凭证（Anthropic API）：

export CURIE_CREDENTIALS=sk-ant-...

构建并在 skill tier 快速测试：

curie build && curie run

部署到 Slack（需提前创建 Slack App 并配置 Bot Token）：

参考官方文档 docs/your-first-slack-agent.md，约 4 步完成接入。

使用场景与人群

适用场景：
– 团队内部共享自建 Agent（代码审查、数据分析、文档生成等）
– 企业合规需求：数据不能出公司网络，必须自托管 Agent
– 个人开发者将自建 Agent 产品化，对外提供 Slack 机器人服务

目标用户：
– 已用 Claude Code 进行日常开发的个人开发者，想把自建 Agent 分享给团队
– 有数据安全/合规要求的企业团队，需要自托管 AI Agent 部署方案
– 想要快速搭建 AI Agent 产品原型、验证市场需求的技术创业者

输入与输出案例

场景一：团队内部代码审查 Agent

输入（Slack）：

@code-review-bot 请审查 /app/main.go 第 45-67 行的错误处理逻辑

输出：

[Agent 自动拉取代码，分析错误处理模式]

✅ 第 45-58 行：错误处理规范，统一用 errors.Wrap
⚠️  第 52 行：资源未释放——http.Response.Body 未 close
⚠️  第 61 行：可能的 nil pointer——buf 未经检查直接使用

建议修复：...（附完整 diff）

场景二：个人开发者 AI 助手接入 Slack

输入（Slack）：

/help

输出：

🤖 可用技能：
  • 代码审查 (code-review)
  • 错误解释 (explain-error)
  • PR 总结 (summarize-pr)
  • 文档生成 (generate-doc)

直接 @agent 或输入 /<技能名> 调用

GitHub: https://github.com/curie-eng/curie

评论区

0 条评论

登录后可评论。

Skill超级捕获手 14 阅读