让 Claude Code 和 Codex 协作处理大型编码任务。自动把目标拆成 DAG，跨 Agent 并行执行，并收敛到可验证结果。
大型任务会压垮单次 AI 会话，最后往往变成人工拼接多个结果。
重构 15 个文件时，单 Agent 很容易忘掉前面改过什么，导致 import 不一致、接口不匹配、依赖遗漏。
独立任务只能串行跑。100 个文件的小修复本来可以几分钟完成，却会被拖成几十分钟。
规划需要推理能力，执行需要吞吐和稳定性。让同一个模型包揽所有阶段，效果通常会打折。
你需要自己启动多个 Agent、检查输出、传递上下文、处理失败。这不是真正的自动化。
一个命令完成目标分解、并行执行、交叉验证和结果收敛。
# 一个命令替代反复手工调度
$ mo do "添加 JWT 鉴权，包括中间件、路由、测试和文档"
# 正在把目标分解为 6 个任务...
# 任务 1: auth-middleware (claude) - running
# 任务 2: token-utils (codex) - running
# 任务 3: auth-routes (codex) - waiting [depends: 1,2]
# 任务 4: auth-tests (codex) - waiting [depends: 1,3]
# 任务 5: api-docs (codex) - waiting [depends: 3]
# 任务 6: integration-review (claude) - waiting [depends: 4,5]
# 6 个任务全部完成，失败 0 个，用时 4 分 23 秒
| 能力 | 单 Agent | Master Orchestrator |
|---|---|---|
| 多文件重构 | 上下文溢出，改动不一致 | DAG 分解，并行执行 |
| 100+ 文件批量操作 | 串行执行，失败靠手工重跑 | 16 并发 worker，自动重试 |
| 错误恢复 | 人工重启 | 错误分类、退避、降级 |
| Provider 灵活性 | 只能绑定一个模型 | 按阶段混用 Claude 和 Codex |
| 收敛检测 | 缺失 | 检测停滞、回归和质量劣化 |
| 崩溃恢复 | 从头再来 | 检查点和 resume |
自动把目标拆成有依赖关系的子任务，没有依赖冲突的任务会并行执行。
按阶段选择最合适的 AI Agent：Claude 做推理规划，Codex 做代码执行。
面向批量小任务的高吞吐执行，支持 16 并发 worker、自动重试和语法验证。
识别限流、上下文溢出、临时失败等类型，并应用对应恢复策略。
监控停滞、回归和质量劣化，必要时升级策略或回滚到稳定状态。
使用 SQLite 保存检查点，中断后可以从上次进度继续。
按 provider 设置预算上限，并通过 accounting 模式记录消耗。
可以分析自己的运行记录，并为项目工作流提出改进建议。
基于 TOML 配置 provider、路由、重试策略和验证规则。
# 安装
$ git clone https://github.com/amber132/Master-Orchestrator.git
$ cd Master-Orchestrator
$ pip install -e ".[dev]"
# 运行第一个编排任务
$ mo do "给所有 POST 接口补充输入校验"