Logo
返回列表
文章 2026/10/12

Toolmaker Agent: 一个基于智能体的 SDLC 平台，支持人类与智能体在同一结构化数据模型上开展协作。

这两年，团队写代码和文档的速度变快了。 开一场会，AI 能帮你生成会议纪要；使用 Superpower skills 讨论一个功能，几分钟就能得到一份 spec；让 Claude Code、Codex 或其他编码智能体开始工作，又会多出 plan、ADR、实现说明和测试记录。 看起来，每个人都更高效了。 但项目并没有因此更容易管理。相反，很多团队正在经历另一种混乱：文档散落在不同

Toolmaker Agent: 一个基于智能体的 SDLC 平台，支持人类与智能体在同一结构化数据模型上开展协作。

让人、产品和编码智能体，共用一份不会散落的项目长期记忆。

这两年，团队写代码和文档的速度变快了。

开一场会，AI 能帮你生成会议纪要；使用 Superpower skills 讨论一个功能，几分钟就能得到一份 spec；让 Claude Code、Codex 或其他编码智能体开始工作，又会多出 plan、ADR、实现说明和测试记录。

看起来，每个人都更高效了。

但项目并没有因此更容易管理。相反，很多团队正在经历另一种混乱：文档散落在不同目录、不同仓库、不同聊天记录里。产品经理记得当初的目标，开发记得实现时的取舍，AI 记得当前上下文——可当需要回答“这个需求是谁定的？”、“它属于哪个特性？”、“哪些设计图和它有关？”时，大家又回到了搜索 Markdown、翻聊天记录和开会确认。

问题从来不是少了一份文档，而是缺少一个能让结论持续存在、可被查询和复用的地方。

Toolmaker Agent 正是为这件事而来。

1. 软件工程在 AI 时代的回归

AI 把写代码、写说明和生成方案的速度提升到了新的量级，但它没有消除软件工程要解决的核心问题：目标是否清楚、边界是否一致、决策能否追溯、变更是否可控，以及不同角色能否基于同一份事实协作。恰恰因为产出更快、参与者更多，这些问题比过去更容易被放大。

过去一段时间，团队往往把注意力放在“让 AI 再生成一份内容”上，而忽视了软件工程最基础的工作：把已确认的结论组织成可管理、可复用、可验证的资产。没有这层基础，AI 生成的 spec、plan 和代码会更快地累积，也会更快地失去上下文。

Toolmaker Agent 按照软件工程的标准设计和开发：用 Product、Feature、Requirement 与 UML 表达边界和关系，用稳定 OID、修订版本与关联关系保留演进过程，并通过网页、对话和 MCP 让同一份项目事实服务于人和智能体。这不是回到笨重的流程，而是在 AI 加速交付时，让软件工程重新成为团队共同的工作底座。

2. 不把 AI 产出再丢进一个文件夹

Toolmaker Agent 是一个面向 AI SDLC 的本地工作台。它把产品（Product）、特性（Feature）、需求（Requirement）和 UML/4+1 系统设计图，放进同一套结构化数据模型里。

这意味着，一条需求不再只是某份 Markdown 里的段落：它有稳定的 OID、有父子关系、有修订版本，也能和所在特性、产品和系统设计图关联起来。无论是产品负责人梳理范围，还是技术负责人回溯设计决策，面对的都是同一份项目事实，而不是各自手里的“最新版”。

更重要的是，这份事实不只给人看，也可以给智能体用。

3. 一套数据，三种工作方式

不同角色不必被迫使用同一种界面。Toolmaker Agent 为同一份数据提供了三种入口。

3.1 产品和研发可以在网页里直接管理。

像使用普通工作台一样创建 Product、Feature、Requirement 和 UML 图；系统设计图使用 Mermaid 渲染，并可导出 PNG 或 SVG。该手动模式不依赖 AI，是最直接、最可控的基础能力。

3.2 也可以和 AI 对话，把讨论变成结构化结论。

例如，你可以先和对话智能体讨论请假流程里的审批边界、例外情况和优先级。结论收敛后，再让它整理成一个 Feature 和多条 Requirement。

这里有一个值得强调的设计：在网页对话中，每一次写入都会先进入“提议 → 确认”流程。模型会把准备创建或修改的字段列出来；在你点击确认之前，数据不会落库。AI 可以帮你组织和补全信息，但最终决定权仍然在你手里。

3.3 编码智能体则可以通过 MCP 直接接入。

把 Toolmaker Agent 注册到 Claude Code、Codex 或 DeepSeek Harness 后，智能体便能在终端中查询、创建、更新和删除同一份 Product、Feature、Requirement 与 UML 数据。一次方案讨论结束后，不必再手工把结论搬运到另一个系统：让智能体调用 MCP 工具，即可把它保存为后续任何人、任何智能体都能查询的项目资产。

网页、对话和 MCP 背后是同一个 service 层和同一份数据库。换句话说，产品经理在网页里创建的需求，开发可以在终端中查询；编码智能体补充的设计记录，团队也能在网页中继续完善。

4. AI 的速度，配上工程化的可追溯

很多团队已经拥有 AI，却仍然缺少“共享上下文”。原因很简单：对话会过去，模型上下文会切换，文件会被复制；只有被确认并沉淀下来的结构化记录，才能成为团队的长期记忆。

Toolmaker Agent 还提供语义检索能力。配置向量化服务后，你不必只靠精确关键词或 OID 去翻找资料，也可以用“找和审批流程相似的需求”这样的自然语言检索 Product、Feature、Requirement 和 UML 图。它并不替代严谨的需求管理，而是让既有知识更容易重新被找到。

对于关心数据边界的团队，选择也在自己手里：Toolmaker Agent 可以对接多家模型供应商；如果希望模型完全在本机运行，也可以接入 Ollama 或 LM Studio。即使暂时不配置语义检索，核心的 CRUD、对话和 MCP 工作流依然可用。

5. 竞品分析：与 Superpowers skills 和 Understand Anything 的边界

Toolmaker Agent 不试图取代编码智能体的工作流方法论，也不试图自动理解每一行代码。它解决的是另一个常被忽略的问题：把讨论后确认的产品结论、需求边界和设计关系，保存为能够跨角色、跨会话、跨工具复用的项目事实。

5.1 与 Superpowers skills：从“怎么做”到“结论存在哪里”

Superpowers/Matt Pocock skills 是一套面向编码智能体的软件开发方法论。它强调在写代码前澄清意图、形成设计和实现计划，并在实现阶段使用测试、审查、调试和分支管理等技能约束执行质量。它的优势是把一次编码任务从“直接生成代码”变成更可验证的工程流程，尤其适合开发者在当前仓库内完成从设计到提交的闭环。

它的产物通常是随仓库保存的 spec、plan、测试和实现记录。这对代码交付非常自然，但当一个结论需要被产品、研发和多个智能体长期共同查询时，文件仍可能分散在仓库和目录中；Feature、Requirement、UML 与后续讨论之间也不一定形成统一的可查询关系。

Toolmaker Agent 的优势恰好在这一层：它把 Product、Feature、Requirement 和 UML 作为带 OID、版本和关联关系的结构化对象，对网页、对话与 MCP 提供同一份数据。它不替代 Superpowers 的设计、TDD 或代码审查纪律；相反，更适合承接 Superpowers 已确认的 spec 和 plan，把需要跨角色复用的结论沉淀为项目资产。它的取舍也很明确：Toolmaker Agent 不规定智能体必须如何编码、测试或提交，团队仍应搭配 Superpowers 或自身工程规范完成执行治理。

5.2 与 Understand Anything：从“理解现有代码”到“管理已确认的产品事实”

Understand Anything 面向代码库理解。它通过静态分析和多智能体处理，构建文件、函数、类和依赖关系的知识图谱，并提供交互式视图帮助团队浏览大型代码库。它的优势是加快接手遗留系统、定位调用关系和理解技术结构；对于“这段代码依赖什么”“功能在哪里实现”这样的问题，它提供的是代码层面的事实和导航。

它的边界也很清楚：代码图谱反映的是仓库当前实现，不天然等于产品决策。一个需求为何存在、优先级如何确定、它属于哪个特性、设计图是否已被产品负责人确认，仍需要产品层的结构化记录。代码变化后，图谱也需要重新分析才能反映新的实现。

Toolmaker Agent 不自动生成函数级依赖图，因此在代码理解深度上不替代 Understand Anything；但它擅长保存经人确认的产品、需求和系统设计，并让这些结论可通过 MCP 回到编码智能体的上下文。二者可以串联：先用 Understand Anything 理解已有仓库，再把确认后的范围、需求和 UML 沉淀到 Toolmaker Agent，最后用 Superpowers skills 或团队既有流程完成可验证的实现。

5.3 如何选择或组合

  • 需要把一个功能做对、做稳，并约束设计、计划、测试和审查流程：优先使用 Superpowers skills。
  • 需要快速理解陌生或大型代码库的模块、调用与依赖：优先使用 Understand Anything。
  • 需要让产品、研发和多个智能体共享可追溯的 Product、Feature、Requirement 与 UML：使用 Toolmaker Agent。
  • 三者一起使用时，形成“理解代码 → 确认产品事实 → 受控实现”的闭环，而不是让其中任何一个承担全部职责。

6. 从下载到第一条需求，不必先搭一套系统

Toolmaker Agent 以预编译、自包含的单文件二进制发布。前端已内嵌，无需单独部署前端，也不需要准备外部数据库；首次启动会自动创建 SQLite 数据库，默认打开 http://localhost:8080。

你可以从一个很小的动作开始：

  1. 下载与你的 Windows、Linux 或 macOS 环境匹配的版本；
  2. 启动后创建一个 Product；
  3. 为它补上一个 Feature 和几条 Requirement；
  4. 让对话智能体或你常用的 Code Agent 帮你继续维护这份结构化上下文。

不必等到所有流程都完美，也不必先迁移整个知识库。先把下一次讨论的结论放到一个能持续被找到、被关联、被复用的位置。

当 AI 正在加速产出时，团队真正需要的，也许不是更多 Markdown，而是一份所有参与者都能读懂、也都能使用的项目记忆。

7. 立即开始

前往 Toolmaker Agent Releases 下载与你的系统匹配的二进制文件。想让 Claude Code 或 Codex 直接使用它，也可以在启动后按 README 中的 MCP 配置接入。

把下一次讨论，变成下一次开发还能继续使用的资产。

更多内容，请阅读：https://github.com/phcp-tech/toolmaker-agent/blob/main/README.zh.md

下载使用，请移步：https://github.com/phcp-tech/toolmaker-agent/releases

8. 联系我们

文中提到的产品

暂无关联产品