让 AI 编程助手修一个 bug，结果常常看运气：有时它先读代码再动手，有时直接改了再说；有时跑了测试，有时跳过；PR 描述也未必照着团队模板写。同一个 prompt 跑五次，可能得到五种做法。

Archon 想解决的就是这件事。它是一个给 AI 编程 Agent 用的开源工作流引擎，用 YAML 把开发流程写下来：先规划、再实现、跑校验、做审查、开 PR。AI 在每一步里负责需要判断和创造的部分，但步骤的顺序和关卡由你决定。

这篇适合已经在用 Claude Code 或 Codex、想让 AI 编程结果更稳定、也想把团队开发规范固化下来的开发者。下面依次讲 Archon 是什么、一个 YAML 工作流长什么样、两类节点怎么分工、内置工作流和 worktree 隔离，以及安装使用和需要注意的地方。

Archon 是什么：给 AI 编程加一层确定的流程

Archon 的定位是「AI 编程 Agent 的工作流引擎」。官方的比喻很好懂：Dockerfile 让基础设施可重复，GitHub Actions 让 CI/CD 可重复，Archon 想让 AI 编程的流程可重复。

它不去改善模型本身的稳定性，而是在 AI 外面套一层确定的框架：该读代码就必须读，该跑测试就必须跑，该等人审批就必须等。AI 在框架里发挥，框架本身是固定的。项目采用 MIT 许可证，截至 2026 年 10 月，GitHub star 数已超过 2 万。

Archon YAML 工作流长什么样

下面是官方 README 里的示例工作流 build-feature（按项目当前版本整理，审批节点的写法和早期版本不同）：

# .archon/workflows/build-feature.yaml
nodes:
  - id: plan
    prompt: "Explore the codebase and create an implementation plan"

  - id: implement
    depends_on: [plan]
    loop:                                      # AI loop - iterate until done
      prompt: "Read the plan. Implement the next task. Run validation."
      until: ALL_TASKS_COMPLETE
      fresh_context: true                      # Fresh session each iteration

  - id: run-tests
    depends_on: [implement]
    bash: "bun run validate"                   # Deterministic - no AI

  - id: review
    depends_on: [run-tests]
    prompt: "Review all changes against the plan. Fix any issues."

  - id: approve
    depends_on: [review]
    loop_group:                                # Repeat until approved
      max_iterations: 5
      until_bash: 'decision=$ask.output.decision; [ "$decision" = approve ]'
      nodes:
        - id: revise
          prompt: "Address this feedback, if any: $LOOP_PREV.ask.output.text"
        - id: ask
          depends_on: [revise]
          wait:                                # Pauses until you approve or reject
            attention: "Review the changes. Approve, or reject with what to change."
            form: approval

  - id: create-pr
    depends_on: [approve]
    prompt: "Push changes and create a pull request"

依赖关系一眼能看清：

plan 完成后才进入 implement；
implement 是一个循环，直到所有任务完成，fresh_context: true 让每轮迭代都开新会话，避免上一轮的上下文越积越乱；
run-tests 是纯 bash 节点，跑的是你自己的测试脚本，不是 AI 说「测试通过了」就算通过；
review 之后是人工审批：ask 节点暂停等你批准或驳回，驳回意见会交给 revise 节点修改，最多来回 5 轮；
批准后才执行 create-pr。

两类节点：AI 节点和确定性节点

Archon 设计里最值得借鉴的一点，是把工作流拆成两类节点：

节点类型	写法	适合做什么
AI 节点	`prompt`	规划改动、生成代码、审查改动等需要判断的工作
确定性节点	`bash` 等	跑测试、lint、git 操作等结果必须确定的工作

很多 AI 编程工具把所有事情都交给 AI 决定，包括要不要跑测试、要不要看相关文件。Archon 的思路相反：流程由人定义，AI 只在需要它的环节介入。这和在 Claude Code 里先写测试、再让 Agent 去让测试变绿的做法是一个方向，可以参考 Agentic Engineering 怎么落地？Simon Willison 的 Claude Code 子 Agent 与 TDD 用法。

内置工作流：从 17 个旧模板换成 sdlc 工作流包

原文写的是 Archon 自带 17 个工作流（如 archon-fix-github-issue、archon-idea-to-pr、archon-smart-pr-review）。项目现在已经调整：这些旧的 archon-* 工作流不再随版本发布，取而代之的是一个覆盖软件开发生命周期的 sdlc 工作流包：

工作流	做什么
`archon-ship`	从 issue 或需求出发：分诊 → 调查或规划 → 交付一个审查过的 PR
`archon-triage`	对照当前代码检查 issue，判断下一步需要什么
`archon-investigate`	查清 bug 或问题的根因并写报告
`archon-plan`	把已确定的需求变成可执行的计划
`archon-implement`	实现到项目自己的检查全部通过，只提交不开 PR
`archon-pr`	为当前分支上已提交的改动开 PR
`archon-deliver`	实现 → 草稿 PR → 审查 → 修复 → 校验 → CI → 待审
`archon-review`	用多个并行的专项视角审查 PR 或当前改动
`archon-validate`	跑项目自己的检查并给出结构化结论
`archon-upkeep`	按审查流程更新一个依赖

用 archon workflow list 可以查看；也可以直接描述需求，由路由自动挑选合适的工作流。还想用旧工作流的，官方说明可以从 v0.11.1 版本的 .archon/workflows/defaults/ 里复制到自己项目。

自定义工作流同样放在仓库的 .archon/workflows/ 下，提交后整个团队跑同一套流程；与内置工作流同名的文件会覆盖默认版本。新人不用先读十页流程文档，工作流文件本身就是标准流程。

每个任务独立的 git worktree

让 AI 同时改几处代码，常见问题是互相踩脚。Archon 可以让仓库工作流运行在独立的 git worktree 里（也可以复用已有的 worktree）：独立分支、独立工作目录，几个任务并行跑，互不干扰，做完各自开 PR，到 GitHub 上审查即可。

这也是官方说的「fire and forget」：启动一个工作流去做别的事，回来时 PR 已经开好，并附带审查意见。

Archon 安装与使用

官方给了两条路：完整安装（带设置向导和 Web 控制台），或者只装 CLI。

完整安装需要先准备 Bun、GitHub CLI 和 Claude Code，然后：

git clone https://github.com/coleam00/Archon
cd Archon
bun install
claude

在 Claude Code 里说「Set up Archon」，向导会带你完成 CLI 安装、凭据配置、平台选择，并把 Archon 的 Skill 复制到目标项目。

只装 CLI（已经装好 Claude Code 的情况）：

# macOS / Linux
curl -fsSL https://archon.diy/install | bash

# 或者 Homebrew
brew install coleam00/archon/archon

二进制版本不自带 AI 提供方：快速安装脚本会询问装 Claude、Codex 还是 Pi；用 Homebrew 安装后，需要运行 archon setup 或 archon provider add <claude|codex|pi> 添加。使用 Claude 时还需要另外装好 Claude Code。

装好后，在你的项目目录里启动 Claude Code，直接用自然语言调用：

cd /path/to/your/project
claude

Use archon to fix issue #42

What archon workflows do I have? When would I use each one?

注意要在目标项目里启动 Claude Code，而不是在 Archon 仓库里。需要图形界面时运行 archon serve 打开 Web 控制台，可以查看运行记录、事件日志和工作流图。想远程触发，还可以接入 Telegram、Slack、Discord 或 GitHub Webhooks。

使用 Archon 前要注意的地方

x64 机器的兼容性：macOS/Linux 快速安装在 x64 上需要 CPU 支持 AVX2，不支持的需要从源码安装；ARM64 不受影响。
匿名统计：Archon 默认会发送匿名使用事件（工作流名称仅限内置工作流、运行结果等，官方说明不含个人信息和提示词内容），可以设置 DO_NOT_TRACK=1 关闭，用 archon telemetry status 查看当前状态。
流程定得越细，越要维护：工作流固定的是步骤，不是质量。测试脚本本身不可靠，run-tests 节点也只能如实反映这一点。
版本变化较快：内置工作流和节点写法在近几个月都改过，按官方文档的当前版本为准。

总结

AI 编程结果不稳定，大多数人的应对办法是多跑几次挑最好的。Archon 换了个思路：把「先规划、再实现、必须跑测试、必须人工批准」写进 YAML，让 AI 只在需要智能的步骤里发挥。

如果你的团队已经有比较明确的开发规范，先从内置的 archon-ship 或 archon-review 试起，再把自己的流程写成工作流提交到仓库，比反复调 prompt 更省心。

想在自己的项目里跑这类工作流，可以在 AIGoCode 上直接使用 Claude Code 和 Codex。

参考链接

Archon GitHub 仓库：https://github.com/coleam00/Archon
Archon 文档：https://archon.diy