代码框架
代码框架 是 AI Skill Hub 本期精选Agent工作流之一。综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
代码框架 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
代码框架 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。
📖 中文文档
代码框架 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。
- 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
- 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
# 方式一：pip 安装（推荐）
pip install codeframe
# 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 codeframe
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/frankbria/codeframe
cd codeframe
pip install -e .
# 验证安装
python -c "import codeframe; print('安装成功')"
- 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
# 命令行使用
codeframe --help
# 基本用法
codeframe input_file -o output_file
# Python 代码中调用
import codeframe
# 示例
result = codeframe.process("input")
print(result)
# codeframe 配置文件示例（config.yml） app: name: "codeframe" debug: false log_level: "INFO" # 运行时指定配置文件 codeframe --config config.yml # 或通过环境变量配置 export CODEFRAME_API_KEY="your-key" export CODEFRAME_OUTPUT_DIR="./output"
简介
CodeFRAME®
<p align="center"> <strong>Your coding agent can’t quietly undo what you already decided.</strong><br> Every bug you fix once, fixed forever: recorded as a requirement, locked to the code it affects,<br> and checked before every commit. Regression memory for coding agents. </p>
<p align="center"> <img src="https://img.shields.io/badge/status-beta-orange" alt="Status: beta"> <a href="https://pypi.org/project/codeframe-ai/"><img src="https://img.shields.io/pypi/v/codeframe-ai" alt="PyPI"></a> <img src="https://img.shields.io/badge/license-Apache--2.0-blue" alt="License: Apache-2.0"> <img src="https://img.shields.io/badge/python-3.11%2B-blue" alt="Python 3.11+"> <a href="https://github.com/frankbria/codeframe/actions/workflows/test.yml"><img src="https://github.com/frankbria/codeframe/actions/workflows/test.yml/badge.svg" alt="CI"></a> <img src="https://img.shields.io/badge/coverage-80%25-brightgreen" alt="Coverage"> <a href="https://x.com/FrankBria18044"><img src="https://img.shields.io/twitter/follow/FrankBria18044?style=social" alt="Follow on X"></a> </p>
<p align="center"> <a href="#quick-start">Quick start</a> · <a href="#see-it-in-action">Demos</a> · <a href="docs/CLI_GUIDE.md">CLI guide</a> · <a href="proof9/README.md">proof9 plugin</a> · <a href="#documentation">Docs</a> · <a href="CHANGELOG.md">Changelog</a> </p>
<p align="center"> <code>/plugin install proof9 --marketplace frankbria/codeframe</code><br> <sub>At a Claude Code prompt. Needs the <code>cf</code> CLI: <code>uv tool install codeframe-ai</code>.</sub> </p>
---
Overview
Coding agents have become very good at writing code. What they have no memory of is what already went wrong. A bug you found, fixed and moved on from is, to the agent, just more code it is free to change next week.
CodeFRAME gives it that memory. A defect is recorded as a requirement, scoped to the code it affects, with a named test that proves it stays fixed. Every later change to that code is checked against it — before the commit in a Claude Code session, and again before the merge. Nothing is dropped silently: a requirement is released only by a recorded waiver.
The same CLI also handles the work before the code — requirements discovery, task decomposition, and delegating each task to Claude Code, Codex, OpenCode, Kilocode or its built-in agent.
| Stage | What CodeFRAME does | Commands |
|---|---|---|
| **Think** | Socratic requirements discovery, ambiguity stress-testing, task decomposition with dependencies | cf prd generate · cf prd stress-test · cf tasks generate |
| **Build** | Runs each task on the engine you choose, with verification gates, self-correction, stall detection and human-in-the-loop blockers | cf work start --engine … · cf work batch run |
| **Prove** | **PROOF9™**: every glitch becomes a permanent requirement, verified across nine gates with checksummed evidence | cf proof capture · cf proof run |
| **Ship** | Pull requests carry the proof report; merge is blocked while an in-scope requirement is open | cf pr create · cf pr merge |
The result is a closed loop: a bug found in production becomes a requirement, and that requirement is checked on every build that follows.
Other tools remember what your reviewers prefer. CodeFRAME remembers what actually broke, and proves it stays fixed: evidence is checksummed and bound to the run and gate that produced it, a run that verified nothing is reported as vacuous rather than green, and every waiver records who approved it, why, and (when set) when it expires. Where each of those lives in the code is listed in VISION.md.
[!NOTE] CodeFRAME is in public beta (0.9.8). The Golden Path CLI (cf init/prd/tasks/work/proof/pr) is stable enough to build on. Anything marked in progress in the roadmap is still moving, and on-disk.codeframe/formats may change between betas. Report rough edges.
---
Features
Required for the default provider
export ANTHROPIC_API_KEY=sk-ant-...
or store it once: cf auth setup --provider anthropic
**3. Think: requirements and tasks**
**4. Build: run one task**
If the agent needs a decision it cannot make, it stops and files a blocker.
`cf blocker list` shows it and `cf blocker answer <id> "..."` unblocks the task.
**5. Prove: capture a requirement, then verify it**
Build
- Agent-agnostic execution: Claude Code, Codex, OpenCode, Kilocode, or the built-in ReAct agent, selected per run with --engine. - Verification gates (ruff, pytest, build) with a self-correction loop and loop prevention. - Stall detection with configurable recovery: retry, raise a blocker, or fail. - Batch execution: serial, parallel, or auto (LLM-inferred dependencies), with retries and git worktree isolation for parallel agents. - Human-in-the-loop blockers, checkpoints, replay of past runs, and a TUI dashboard. - Multi-provider LLM: Anthropic by default, or any OpenAI-compatible endpoint (OpenAI, Ollama, vLLM, LM Studio).
Quick Start
Prerequisites: Python 3.11+, git, and an API key for your LLM provider. By default that is ANTHROPIC_API_KEY from console.anthropic.com. OPENAI_API_KEY works with --llm-provider openai, and local providers such as Ollama need no key.
1. Install
uv tool install codeframe-ai # installs the `cf` command
cf --helppipx install codeframe-ai works too, or run it without installing via uvx --from codeframe-ai cf --help. The package is codeframe-ai; the command is cf.
2. Set your API key
```bash export ANTHROPIC_API_KEY="sk-ant-..."
Configuration
```bash
Another provider (optional)
export CODEFRAME_LLM_PROVIDER=openai # anthropic | openai | ollama | vllm | compatible export CODEFRAME_LLM_MODEL=gpt-4o export OPENAI_API_KEY=sk-... # not needed for local providers export OPENAI_BASE_URL=http://localhost:11434/v1 # Ollama, vLLM, LM Studio, ... ```
Per-workspace settings live in .codeframe/config.yaml (an llm: block, and discovery_max_questions). For the LLM provider and model, precedence is CLI flag, then environment, then workspace config, then default.
CodeFRAME 是一个旨在实现“思考、构建、验证、交付”全流程闭环的 AI 驱动开发框架。它不仅是一个工具集，更是一套完整的开发方法论，通过将需求规划与代码执行深度结合，帮助开发者从模糊的想法快速转化为高质量的工程实现。
在使用 CodeFRAME 进行需求规划（THINK 阶段）时，系统默认使用 Anthropic 作为 AI 提供商。开发者需要配置相应的 ANTHROPIC_API_KEY。此外，项目基于 Python 3.11+ 构建，建议使用 uv 进行环境管理以确保依赖的一致性。
可以通过克隆源码并使用 uv 进行安装。首先克隆仓库并进入目录，随后通过 curl 安装 uv，创建虚拟环境并执行 uv sync 同步依赖。最后使用 `uv run cf --help` 进行冒烟测试，确保命令树能够正常打印。
快速上手流程分为三步：首先通过 git 克隆并使用 uv 完成环境安装；其次配置必要的 API Key（如 ANTHROPIC_API_KEY）；最后通过初始化配置文件开始您的开发工作流。建议在执行任何 cf 命令前确保虚拟环境已激活。
CodeFRAME 支持多供应商 LLM 配置。默认使用 Anthropic，但您可以通过设置 CODEFRAME_LLM_PROVIDER 环境变量切换至 openai（兼容 OpenAI 格式）。此外，您可以通过 OPENAI_BASE_URL 支持 Ollama、vLLM 或 LM Studio 等本地服务。项目也支持在每个工作区的 .codeframe/config.yaml 中进行精细化配置。
所有的 CLI 命令均需在激活的虚拟环境中执行。如果未激活虚拟环境，请在每个 cf 命令前添加 `uv run` 前缀（例如 `uv run cf init .`），以确保命令能够正确调用项目内的依赖环境。
CodeFRAME 采用模块化工作流。THINK 模块负责上游流水线，通过 `cf prd generate` 进行苏格拉底式需求采集，并利用 `cf prd stress-test` 进行递归分解，在执行前识别并消除需求中的歧义。BUILD 模块则通过 Agent Adapter 架构，将任务委派给 Claude Code、Codex 等不同的 Coding Agent 进行执行，并具备 Worktree 隔离与多智能体结果调和能力。
高质量的开源AI工作流项目，值得关注
- 构建多智能体协作系统的 Agent 开发者
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- CLI：直接 npm install -g / pip install，命令行调用
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 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
- 构建多智能体协作系统的 Agent 开发者
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 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
⚖️ 优点与不足
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
该工具使用 AGPL-3.0 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
⚠️ AGPL 3.0 — 最严格的 Copyleft，网络服务端使用也需开源，SaaS 使用受限。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，代码框架 在Agent工作流赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | codeframe |
| 原始描述 | 开源AI工作流：Think → Build → Prove → Ship. The project delivery system that turns ideas into 。⭐14 · Python |
| Topics | AI工作流自动化 |
| GitHub | https://github.com/frankbria/codeframe |
| License | AGPL-3.0 |
| 语言 | Python |
收录时间：2026-06-12 · 更新时间：2026-06-13 · License：AGPL-3.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。