跳轉到

A3 — 把 CLI Agent 接進真實工作流程（Integration & Production）

繁體中文 | 简体中文 | English

← A2 — CLI Workflow Patterns · Track A: CLI Power User 第 3 站（最後）

⏱ 時間估算：1-2 週（約 8-15 小時）

📋 本章組成：學習目標 → 進入條件 → 必修閱讀 → 動手練習 → 精選 Projects → 自我檢查 🔑 關鍵名詞（本章用到）： - 本章一定會用：MCP（讓 CLI 接外部資料 / 工具）、CI（每次 push 自動跑檢查） - 延伸閱讀名詞：observability（追蹤 CLI 行為）、eval（量化 CLI 品質）、prompt caching（重複 context 省錢）、cost tracking（token 花費紀錄）

完整定義見 resources/glossary.md 5 + 6。

CLI 跑得順了之後、下一步：把 CLI 接到你的真實團隊流程。這節達成 3 件事：

  1. 工具連接 — MCP server 把 CLI 接到 Slack / Gmail / 你的 internal API
  2. 自動檢查 — CI（GitHub Actions）每個 PR 自動跑 CLI review
  3. 成本與紀錄 — observability 工具追蹤每個任務的 cost / latency

這節之後、CLI 不只是你個人在用的工具、而是 team 工作流的一部分。

📌 學習目標

  • 把 1-3 個 MCP server 接到你的 CLI（Slack / Gmail / 你的 internal API / DB）
  • 設定 GitHub Actions 自動跑 Claude Code（PR review、release notes 等）
  • 加 observability（trace、cost、latency）到 CLI workflow
  • 規劃 cost budget，知道大 task 會花多少 token

🚪 進入條件

你應該已經： - 完成 A1：CLI 已選好、裝好、認證好 - 完成 A2：寫過 production CLAUDE.md、會寫 slash command、跑過多步驟拆解 - 對 GitHub Actions / CI 基礎熟悉（會看 .yml workflow） - 對 MCP 概念有印象（沒有的話先翻 Stage 5.2）

沒到的話 → 補完 A1 + A2。A3 是「組合所有前面學的 → 接到 production」、跳級會看不懂。

📚 必修閱讀

  1. Stage 5.2 — MCP（Model Context Protocol） — MCP 概念跟基礎
  2. Anthropic — Prompt Caching — 在符合快取條件時（context 不變、≤ 5 分鐘 reuse window 等）可大幅降低重複上下文的成本；實際比例依工作流而異、請以官方文章的條件為準
  3. Stage 7 — 常用 Multi-Agent / Production 工具推薦 — langfuse / Helicone / weave 等 observability 工具表
  4. resources/cli-agents-guide.md 「常見坑」 — production 用 CLI 最常踩的問題

🛠 動手練習

動手練習 CLI-9：MCP server 接 CLI

照 Stage 5.2 練習：MCP client 的步驟，把至少一個有用的 MCP server 接到你的 CLI： - filesystem server → 讓 CLI 在指定目錄外也能讀檔 - github server → 讓 CLI 直接讀 PR / issue - 自架 server → 接你的 internal API / DB

成功標準：在 CLI 對話裡直接問「我這個 PR 有 conflict 嗎」，CLI 透過 MCP 回答你（不用你開瀏覽器）。

動手練習 CLI-10：GitHub Actions + CLI

寫一個 .github/workflows/cli-review.yml： - 觸發：PR opened / synchronize - 跑：在 GH Actions runner 內執行 Claude Code（或 Codex），給它 git diff + 你的 .claude/commands/review.md - 輸出：PR comment

成功標準：開新 PR，1-2 分鐘內 PR 出現 review comment。

起點：Anthropic 官方有 claude-code-action（GitHub Actions 整合）；Codex 有 GitHub App 跟 CLI 兩種模式。

動手練習 CLI-11：Cost tracking

跑你日常的一個 task，先預估 token 用量，再實際跑、查 token usage。差距通常很大（多半你低估）。 - 算式：input tokens + output tokens 各乘以 model 單價 - 接 langfuse 或 Helicone（Stage 7 常用工具推薦 表內 Observability 行）做 trace - 觀察：哪個 sub-task 花最多 token？是不是有不必要的 long context？

動手練習 CLI-12：Skill / plugin 跨 team 分享

把你的 .claude/commands/ 跟 CLAUDE.md 打包成 plugin，發布到內部 marketplace 或 GitHub。Team 其他人 claude plugin install 之後就有同樣的工作流。 - Skill / plugin 細節見 Stage 5.3 + 5.4 - 範本：anthropics/claude-plugins-official

🧭 進階概念在 CLI 日常工作中的應用（7 個 playbooks）🆕

Track A 的人已經在用 Stage 7.5 的進階概念、只是沒命名它。下面挑 最常用 2-3 個 playbook 細看、其餘折疊為延伸閱讀——每個 ≤ 6 行。想深挖原理 → 進 Stage 7.5。

📌 規則：每個 playbook 看完先問自己「下一個 PR 會做不同的事嗎？」會 → applied；不會 → 跳下一個。

📋 Playbook 1：任務 scope 不明、agent 越界

  • When：派 Codex/Gemini 跑 sweep、不確定它會不會擅自改別的檔（F11/F12 那種）
  • Do：brief 開頭明寫「動 X / 不能跨 Y」、acceptance preset 加 path filter
  • Concepts：Work Boundary + Hierarchical Task Decomposition · 📊 圖見 concept-cluster Service × 編排 cluster
  • Read more：
Source Link
HumanLayer Writing a good CLAUDE.md
Anthropic How Anthropic teams use Claude Code (PDF)
內部 Stage 7.5 🧭 work boundary stack

📋 Playbook 2：多 agent 平行、結果亂

  • When：Claude planner + 2-3 Codex 平行跑、結果 merge 衝突 / drift
  • Do：每個 agent 自己一個 commit、reviewer pattern 抓 drift（不是大合一）；brief 統一 task format + result.json schema
  • Concepts：Contract Hand-offs + Speculative Parallel · 📊 圖見 concept-cluster Service × 編排 + Types × 編排
  • Read more：
Source Link
Addy Osmani Code Agent Orchestra
Daniel Vaughan Running Multiple Codex Agents Parallel
內部 agent-collab-skills（agent-task-splitter + agent-output-reconciler）

📋 Playbook 3：Review agent 輸出

  • When：agent 寫完 PR、不放心直接 merge、人工 review 跟不上吞吐
  • Do：加 LLM-as-judge subagent 自動評（binary pass/fail）、人類只 spot-check edge case；commit 前跑 acceptance-gate preset
  • Concepts：Agent-as-Judge + Plan-Act-Reflect · 📊 圖見 reading-decision-tree 藍色 eval 分支
  • Read more：
Source Link
Hamel Husain LLM-as-a-Judge: Complete Guide
Hamel Husain Your AI Product Needs Evals
Simon Willison Sub-agents in Claude Code

📋 Playbook 4：派遣 subagent 跑獨立任務

💡 第一次聽到 subagent？ 一句話：subagent = 主 Claude session spawn 出來的「子 Claude」、有自己獨立的 context、跑完回報結果。派遣（dispatch）就是叫 subagent 去做事——像派任務給同事。完整概念 → Stage 5.5。

  • When：寫了大改動要 commit 前 / 進新 repo 不熟結構 / 想跑 LLM-as-judge 自動評估 / 4 個目標要做同樣審查
  • Do：呼叫 Claude Code 內建 subagent（不用自己寫任何檔案）：
  • code-reviewer — review staged diff、找 bug + security
  • Explore — 唯讀搜尋 codebase、找 entry point / symbol
  • Plan — 設計 step-by-step 實作計畫
  • general-purpose — 不確定該用哪個 / 多步驟研究的 fallback
  • Concepts：Hierarchical Task Decomposition + Context Isolation · 📊 圖見 concept-cluster Service × 編排 cluster
  • Read more：
  • Stage 5.5 Subagents（完整理論 + decision table）
  • resources/subagent-cookbook.md（15 個 recipe、複製貼上即可用的 prompt 範本）

📋 Playbook 5：在 CI 裡跑 CLI agent

  • When：把 codex exec / claude --print 接進 GitHub Actions、不能每次需要人按 yes、頻寬限制不能用 Opus
  • Do：分層 autonomy（preset 自動跑 / commit 需審 / push 需人簽）、設 fallback 便宜 model（Opus 掛了 fallback Haiku）
  • Concepts：Autonomy Gradients + Graceful Degradation · 📊 圖見 concept-cluster Config × 治理 cluster
  • Read more：
Source Link
Anthropic How Anthropic teams use Claude Code (PDF)
Anthropic Engineering Equipping Agents with Skills
內部 Stage 5.5 Subagents + 動手練習 CLI-10

📋 Playbook 6：控制成本

  • When：用 Codex 跑大批 work、每月 API 帳單失控、想壓在 budget 內
  • Do：plan.yml 設 max_cost_usd、便宜 model（Haiku）跑探索 / 貴 model（Opus）只跑 polish；開 prompt caching（符合快取條件時可大幅降低重複 context 成本）；自動化 QA（不靠人時間）
  • Concepts：Cost-aware Budget Gates + Throughput-Merge Philosophy · 📊 圖見 concept-cluster Config × 韌性 cluster
  • Read more：
Source Link
Simon Willison Sub-agents
Anthropic Prompt Caching
內部 本 stage 動手練習 CLI-11（token tracking + langfuse 整合）

📋 Playbook 7：強化 workflow、防 drift

  • When：CLAUDE.md / SKILL.md rule 寫了沒人 enforce、preset YAML 加了不知道有沒有效
  • Do：故意 break 一條 rule 跑 acceptance gate 看抓不抓得到（chaos test）；docs/ 當 single source、CLAUDE.md 只當 entry map
  • Concepts：Failure Injection + System of Record · 📊 圖見 failure-lifecycle（F11-F14 進化循環）
  • Read more：
Source Link
HumanLayer Writing a good CLAUDE.md
agent-collab-skills observed-failure-modes.md
內部 Stage 7.5 🔁 failure-mode lifecycle

→ 7 個 playbook = 7 個 trigger × 12 個 concept ×「對應 reading source」的橋樑。深挖原理 / 看完整 12 個 concept 跟 8 個 cross-vendor 原則 → Stage 7.5。

🎯 精選 Projects

按用途分 4 類、9 個項目一張表搞定。挑入口看「適合誰」、想深入細節點連結看 repo。

💡 要找接日常工具的 MCP（Notion / Obsidian / Excel / Postgres / Playwright / Slack / Linear / Figma 等）：resources/mcp-skills-catalog.md——62 個分類整理，每個都有 stars / license / 適合誰。下表只列「寫自己 MCP server / 找 reference」用的核心 catalog。

分類 Project ⭐ 適合誰 為什麼推薦 / 備註
MCP server collection
（接 CLI 用）		 modelcontextprotocol/servers ⭐⭐⭐⭐⭐ 第一個 MCP 從 reference 學起 官方 reference servers（filesystem / github / sqlite / git / time / fetch / memory / sequential-thinking），★ 85k+。詳見 Stage 5.2
wong2/awesome-mcp-servers ⭐⭐⭐⭐ 想找特定領域的社群 MCP 社群 MCP catalog、150+ 個依分類整理
CI 整合 patterns anthropics/claude-code-action ⭐⭐⭐⭐⭐ 第一個 CI workflow 從官方範本起步 官方 GitHub Action 範本、PR review / issue triage / 自動 fix
continuedev/continue ⭐⭐⭐⭐ 想把 AI checks 接到 PR pipeline 強制執行 ★ 33k+。完整介紹見 branches/for-developer.md
Observability + Cost langfuse/langfuse ⭐⭐⭐⭐⭐ 想把 trace / cost / session 都接起來 open source LLM observability，★ 26k+。詳見 Stage 7 常用推薦
Helicone ⭐⭐⭐⭐ 想要最快的 logging（改 base_url 就好） proxy-based 監控、改 base_url 就有 logging + caching，★ 5.7k+
promptfoo/promptfoo ⭐⭐⭐⭐⭐ CLI workflow 升 production 前跑回歸測試 eval framework，★ 20k+。詳見 Stage 7 Agent Benchmark Landscape + Reward-Hacking 警告
Production CLI workflow 範本 obra/superpowers ⭐⭐⭐⭐ 看完整 production-grade workflow 長什麼樣 整套 production-ready skill collection、★ 196k+。看別人怎麼把 CLI workflow 做完整
obra/superpowers-marketplace ⭐⭐⭐ 要把 team 的 CLI workflow 打包共用 最簡 marketplace template、★ 900+

💡 建議入手路徑：先從 modelcontextprotocol/servers 挑一個 reference MCP 接到 CLI → 用 claude-code-action 跑第一個 CI workflow → 加 langfuse 看 trace + cost → production 規模化時把 workflow 打包成 marketplace plugin。

✅ Track A 完整通關自我檢查

你能不能： - [ ] 已有至少 1 個 MCP server 接到你日常 CLI - [ ] 已有至少 1 個 CI workflow 在自動跑 CLI agent - [ ] 你能講出某個 task 跑下去的 token 用量、cost、latency 大致範圍 - [ ] 把你的 CLAUDE.md / commands 打包過至少一次（即使只有自己用） - [ ] 知道什麼任務值得加 observability、什麼不值得

如果都可以 → Track A 完整通關。建議接著走 Stage 8 — Agent Interfaces（兩 track 共用 hub：Computer Use / Browser Use / Code Sandbox，Track A 視角約 1-2 週），或挑一個 specialized branch 繼續走（researcher / developer / teacher / knowledge-worker / everyday-users）。

如果想再深入「怎麼寫自己的 CLI agent」（不是用現有的）→ 跳到 Track B Stage 3 開始。Track A 跟 Track B 互補。

💡 接下來

走完 Track A 你已經是 CLI power user。下一階段選擇：

  1. 加深 CLI workflow（持續優化你的 setup）
  2. 訂閱 Anthropic / OpenAI changelog
  3. 每季 review 一次 resources/cli-agents-guide.md 看新工具

  4. 跟你 team 分享 CLAUDE.md / skills

  5. 跨到 Track B（學怎麼寫自己的 agent）

  6. Stage 3-4 學 tool use + framework
  7. Stage 5 深挖 Claude Code 內部運作

  8. Stage 7 寫自己的 multi-agent system

  9. 走 specialized branch（把 CLI 應用在特定領域）

  10. 研究人員 / 開發者 / 知識工作者 / 教師 / 日常使用者
  11. 各 branch 都會用到 Track A 學的東西