能力标签

🤖 Agent 🔄 工作流 💻 CLI 🔗 REST API 🧠 Claude ✨ GPT

⚙️

Agent工作流

子代理技能

基于 Python · 无代码搭建完整 AI 自动化流程

英文名：sub-agents-skills

⭐ 54 Stars 🍴 7 Forks 💻 Python 📄 MIT 🏷 AI 8.0分

8.0AI 综合评分

ai-agentscodexclaudepython

⬇ 下载源码 ZIP ⚙️ 配置说明 📺 TG 频道

✦ AI Skill Hub 推荐

经 AI Skill Hub 精选评估，子代理技能获评「强烈推荐」。这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 8.0 分，适合有一定技术背景的用户使用。

📚 深度解析

子代理技能是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升，基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化（模拟鼠标键盘操作），AI Agent 工作流通过理解任务意图、动态规划执行路径，能够处理更复杂的非结构化任务。

子代理技能工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。

在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.0 分，是同类 Agent 工作流中的精选推荐。

📋 工具概览

子代理编排，支持Codex、Claude等

子代理技能是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

GitHub Stars

⭐ 54

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

MIT

AI 综合评分

8.0 分

工具类型

Agent工作流

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

子代理编排，支持Codex、Claude等

📌 核心特色

可视化 Agent 工作流编排，无需编写复杂代码
支持多步骤自动化任务链，实现全流程无人值守
与外部 API、数据库和第三方服务无缝集成
内置错误处理与自动重试机制，保障稳定运行
提供可复用的自动化模板，快速在同类场景部署

🎯 主要使用场景

自动化日常重复性工作，将精力集中于创造性任务
构建数据采集 → 处理 → 输出的完整自动化管线
实现跨平台、跨系统的数据流转和业务协同

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：pip 安装（推荐）
pip install sub-agents-skills

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install sub-agents-skills

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/shinpr/sub-agents-skills
cd sub-agents-skills
pip install -e .

# 验证安装
python -c "import sub_agents_skills; print('安装成功')"

📋 安装步骤说明

访问 GitHub 仓库获取工作流文件
在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
上传工作流文件
按照提示配置必要的环境变量和 API Key
运行测试确认流程正常后投入使用

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 命令行使用
sub-agents-skills --help

# 基本用法
sub-agents-skills input_file -o output_file

# Python 代码中调用
import sub_agents_skills

# 示例
result = sub_agents_skills.process("input")
print(result)

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

# sub-agents-skills 配置文件示例（config.yml）
app:
  name: "sub-agents-skills"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
sub-agents-skills --config config.yml

# 或通过环境变量配置
export SUB_AGENTS_SKILLS_API_KEY="your-key"
export SUB_AGENTS_SKILLS_OUTPUT_DIR="./output"

📑 README 深度解析真实文档完整度 69/100 含工作流图查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

Sub-Agents Skills

Orchestrate any LLM as a sub-agent from any AI coding tool.

Use Codex, Claude Code, Cursor CLI, and Gemini CLI as sub-agents within a single workflow — regardless of which tool you're running. Define task-specific agents once in markdown, and execute them on any backend.

graph LR A["Your AI tool
(Codex, Claude Code, Cursor...)"] --> B["run_subagent.py"] B --> C["Codex"] B --> D["Claude Code"] B --> E["Cursor CLI"] B --> G["GLM (Z.ai)"] B --> F["Gemini CLI"] style B fill:#f5f5f5,stroke:#333

1. Install the Skill

Codex (plugin):

codex plugin marketplace add shinpr/sub-agents-skills

Then open the plugin picker, install Runner, and restart Codex:

/plugins

After restart, invoke the skill as $runner:sub-agents.

Claude Code (plugin):

/plugin marketplace add shinpr/sub-agents-skills
/plugin install runner@sub-agents-skills
/reload-plugins

Other clients (Cursor CLI, Gemini CLI, VS Code, etc.):

Use the install script to copy the skill into the client's skill path:

```bash

Quick Start

Requirements: Python 3.9+ and at least one supported backend installed.

Usage Examples

To run an agent, describe the task in your prompt:

"Use the code-reviewer agent to check my UserService class"

"Use the test-writer agent to create unit tests for the auth module"

"Use the doc-writer agent to add JSDoc comments to all public methods"

The host tool invokes the agent and returns results.

Mixing backends in one project:

You can have agents that use different LLMs side by side:

.agents/
├── test-writer.md      # run-agent: codex   (fast generation)
├── code-reviewer.md    # run-agent: claude  (strong reasoning)
└── doc-writer.md       # run-agent: gemini  (large context window)

"Use the code-reviewer agent to find security issues, then use the test-writer agent to add tests for the fixes"

Tip: Always include what you want done in your request—not just which agent to use. Specific prompts get better results.

Agent Examples

Each .md or .txt file in your .agents/ folder becomes an agent. The filename becomes the agent name (e.g., bug-investigator.md → "bug-investigator").

bug-investigator.md

Frontmatter Options

Field	Values	Description
`run-agent`	`codex`, `claude`, `cursor-agent`, `gemini`, `glm`	Which CLI executes this agent
`permission`	`read-only`, `safe-edit` (default), `yolo`	Approval/sandbox level the sub-agent runs with

If run-agent is not specified, the skill auto-detects the caller environment or defaults to codex.

Permission levels:

read-only — investigation/review only, no edits or shell writes (codex -s read-only / claude --permission-mode plan / gemini --approval-mode plan / cursor --mode plan)
safe-edit — auto-approve edits inside the workspace, suppress prompts (default; codex -s workspace-write + approval_policy=never / claude --permission-mode acceptEdits / gemini --approval-mode auto_edit / cursor --trust)
yolo — bypass all approvals and sandboxing. Use with care.

Sub-agents have no stdin, so any approval prompt would deadlock the run. The default safe-edit keeps writes confined to the workspace while suppressing prompts.

Configuration Reference

CLI Selection Priority

--cli argument (explicit override)
Agent definition run-agent frontmatter
Auto-detect caller environment
Default: codex

--cli always overrides the agent definition's run-agent.

CLI not found (exit code 127)

Install the required CLI: - Codex: npm install -g @openai/codex - Claude Code: curl -fsSL https://claude.ai/install.sh | bash - Cursor CLI: curl https://cursor.com/install -fsS | bash - Gemini CLI: npm install -g @google/gemini-cli