使用命令、代理、模式和会话内存构建 SuperClaude 框架工作流
本教程介绍如何使用 SuperClaude 框架在 Anthropic API 之上构建结构化工作流。通过克隆框架、发现命令/代理/模式、创建 Python 桥接器动态加载 Markdown 行为文件，并运行多个实际示例（如头脑风暴、前端实现、安全分析、商业策略、深度研究规划、令牌高效响应以及带会话保存/加载的多步骤开发流程），展示如何使提示更一致、角色感知更强，适用于复杂的 AI 辅助软件开发任务。
在本教程中，我们将使用 SuperClaude 框架在 Anthropic API 之上构建一个先进的工作流。SuperClaude 框架是一个结构化层，它通过命令、代理和模式来增强 Claude 的能力。首先，我们从 GitHub 克隆框架仓库，然后探索其中的 Markdown 文件，这些文件定义了各种行为资产。我们编写了一个 Python 桥接器，该桥接器在每次模型调用前，会动态地将相关的命令、代理或模式文件加载到系统提示中。这使得提示更加一致和角色感知，从而适用于复杂的 AI 辅助软件开发任务。
我们通过多个实际示例来演示框架的用法。例如，使用头脑风暴命令为大学生个人理财应用进行结构化构思；利用前端架构师代理实现一个 React + TypeScript 的 BudgetRing 组件，该组件以动画 SVG 圆环显示月度支出与预算；通过安全工程师代理审查一个存在 SQL 注入和硬编码密钥风险的 Flask 登录处理程序；使用业务面板命令探讨医疗合规自动化的 B2B SaaS 策略。此外，我们还展示了深度研究规划（如向量数据库现状分析）和令牌高效模式（比较 OAuth 2.0、OIDC 和 SAML）。
教程的核心部分是一个多步骤工作流：构建一个能够从 URL 总结 GitHub 仓库的 CLI 工具。该工作流依次包括头脑风暴、架构设计、实现、测试和文档编写，所有步骤在同一个会话中完成，并最终保存会话以便后续恢复。我们还介绍了扩展建议，例如检查命令文件、添加自定义命令、切换模型、堆叠代理和模式，以及恢复保存的会话。通过这种方式，SuperClaude 框架提供了一个灵活的基础，用于实验定制工作流、组合不同行为资产，以及构建跨多个步骤保留上下文的长期 AI 辅助开发会话。