Gentle-AI Skill：不给你的编程 Agent 装新脑子，给它配一套记忆和工作流

Skill超级捕获手 技术创作者 2026-09-30 1194 阅读

把现有 AI 编程代理变成”配置好的工程环境”——Gentle-AI：不做 Agent，做 Agent 的管理层

功能与原则

Gentle-AI 定位为多 Agent 生态系统配置器，而非又一个 AI 编程 Agent。它的核心逻辑是：开发者已经在用 Claude Code、Cursor、OpenCode、Codex 等工具，问题是这些工具各自孤立的、每次会话从零开始、没有统一的工作流约束。Gentle-AI 在不替换任何现有 Agent 的前提下，为它们叠加持久记忆、规格驱动开发流程、精选技能库、MCP 服务器接入和人格配置，用一层配置层把”能写代码的 Agent”变成”有工程纪律的 Agent”。

设计原则有三：其一，不安装 Agent，只配置 Agent；其二，工作流有记忆，决策不过期；其三，大改动走规格审查，小改动保持轻量。

认可度

  • GitHub stars：约 7,400+（截至 2026-09-30，9 月 26 日实时数据 7,408，当日新增 282）
  • GitHub forks：约 750（来源：agentlist.top）
  • License：MIT，完全开源
  • 创建时间：2026-02-27，最近活跃推送 2026-09-15，仍在高频维护
  • Issue 量：~984 open，维护压力与社区活跃度并存
  • 支持 Agent 数：13+，覆盖 Claude Code、OpenCode、Cursor、Codex、Pi、Gemini CLI、Kiro IDE 等
  • 安装量/社区讨论：在 GitHub Trending 周榜多次亮相，被 agentlist.top 标记为”B级”健康度（活跃度 100/100）

链接

GitHub：https://github.com/Gentleman-Programming/gentle-ai

官网：https://gentle-ai.dev

原作者

Gentleman-Programming（GitHub 组织），代表人物化名 Dotta（社区访谈口径）。项目采用 MIT 许可证，无商业实体背书，属于社区主导型开源项目。

介绍

传统 AI 编程 Agent 的使用体验是：每次新会话都要重新解释项目结构、代码规范、未完成的工作。每一次”重新开始”都在消耗开发者的精力。Gentle-AI 的解决思路来自一个观察——新会话的成本不是 token，而是开发者要反复解释同一件事。

Gentle-AI 包含一个叫 Engram 的持久记忆系统：Agent 在工作中主动写下它学到的决策、修复的 Bug 和项目上下文，下次启动时先读记忆再行动，不再需要开发者重复说明。这解决了”上下文窗口有限但项目知识无限”的核心矛盾。

另一个核心组件是 Spec-Driven Development（SDD，规格驱动开发）：面对模糊的大型需求，Agent 先写出规格文档，经人工或自动评审后再进入实现阶段，每一步都有迹可循。Gentle-AI 将这一流程封装为 /sdd-init 等命令，Agent 在合适的时机自动触发，而不是靠 prompt 临时驱动。

Receipt-Driven Development（RDD，收据驱动审查）则是 Gentle-AI 的质量门禁：代码审查时，候选代码在审查者看到之前被冻结，审查证据绑定的是那个具体版本而非模型的”回忆”，确保审查结论可回溯、可复现。

特点

  • Engram 持久记忆：跨会话保存决策、Bug 修复和项目上下文，重启不丢，Agent 自动reach back
  • 多 Agent 原生配置：通过各 Agent 的原生机制（Task tool、sub-agent、overlay 等）注入配置，不破坏原有交互方式
  • 规格驱动开发（SDD）：大需求先出规格再实现，配合 /sdd-init 自动检测项目技术栈和测试框架
  • 收据驱动审查（RDD）：证据绑定到冻结的候选版本，解决”diff 飘移”问题，审查结论可信
  • 多模型按阶段分配：SDD 的不同步骤可路由到不同模型，实现成本与质量的精细平衡
  • 安全防护默认开启：拒绝列表保护 ~/.ssh、.env 等敏感路径，防止 Agent 误操作凭据文件
  • 13+ Agent 支持：Claude Code、OpenCode、Cursor、Codex、Pi、Gemini CLI、Kiro IDE 等均有完整或实验性集成
  • 配置快照与回滚：每次写入操作前自动快照配置，出问题可一键恢复

使用方法

安装（macOS / Linux）：

curl -fsSL https://raw.githubusercontent.com/Gentleman-Programming/gentle-ai/main/scripts/install.sh | bash

安装（Windows）：

# 先安装 Scoop
scoop bucket add gentleman https://github.com/Gentleman-Programming/scoop-bucket
scoop install gentle-ai

启动交互式 TUI 并选择 Agent 和组件：

gentle-ai

初始化项目（让 Agent 感知项目技术栈）：

/sdd-init        # 检测 stack、测试能力，激活 Strict TDD（如果可用）

运行健康检查：

gentle-ai doctor   # 只读诊断，不改任何配置

刷新技能注册表：

gentle-ai skill-registry refresh

安装后，Agent 在对应的项目目录下自动加载 Gentle-AI 配置，无需手动注入 prompt。

使用场景与人群

适用场景：

  • 长期项目开发：需要 Agent 记住架构决策、设计约束和未完成工单
  • 团队协作：不同开发者的 Agent 在同一项目上保持一致的编码规范和工作流
  • 大型需求处理：模糊需求→规格文档→评审→实现→审查的完整流程管控
  • 多 Agent 并行工作：协调多个 Agent（如主 coder + reviewer）有序协作

目标用户：

  • 已经在用 Claude Code、Cursor 等工具，但受困于”每次从零开始”的工程师
  • 需要在团队中推广 AI 编程辅助，同时要求保持一定工程纪律的技术负责人
  • 研究 Agent 工作流设计，希望在可控环境下实验多 Agent 协作的研究者

输入与输出案例

案例 1：持久记忆

输入（开发者首次在项目中启动 Agent）：

“帮我看看这个模块里有没有未处理的错误边界”

Agent 行动：

加载 Engram 记忆，发现之前有人记录过 PaymentModule 的异常处理不完整，并在记忆中断言”不要在 PaymentModule 使用 catch (...)“。Agent 在回复中引用该记忆，给出针对 PaymentModule 的具体建议，而非泛泛而谈。

案例 2：规格驱动开发

输入（开发者在大型功能中触发）：

“实现一个支持多币种结算的支付队列”

Agent 行动：

不会直接开始写代码，而是生成 spec/multi-currency-payment-queue.md，包含：设计目标、边界条件、错误处理策略、验收标准；请求 review 后再进入实现阶段。如果项目配置了 Strict TDD，则先补测试用例，再写实现代码。

Gentle-AI 解决的是”有 Agent”到”用好 Agent”之间最实际的距离：不换工具，加一层有记忆、有纪律、有审查的配置层。

GitHub: https://github.com/Gentleman-Programming/gentle-ai

评论区

0 条评论

登录后可评论。

Skill超级捕获手 1194 阅读