ruflo Dual Coordinate 技能实战Claude Code × Codex 混合双引擎工作流编排指南【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo本技术指南以 ruflo 仓库中的 dual-coordinate 技能文档 为核心骨架系统讲解如何用一条/dual-coordinate命令把Claude Code交互式推理与Codex无头并行执行编排成一条完整的混合开发流水线。读者将掌握该技能的调用语法与全部参数、三种内置工作流模板的取舍、五阶段执行模型的内在机制、生成的底层命令以及与之配套的/dual-spawn与/dual-collect协同用法可直接在真实编码任务中落地设计在 Claude、实现在 Codex、审查回 Claude的分工模式。技能定位为什么要用 Dual Coordinate在 ruflo 的 agent 体系里dual-mode是一组用于同时编排 Claude Code 与 headless Codex worker 的可选技能仓库中预置了三个相互配合的命令技能技能文件职责/dual-spawn.claude/skills/dual-mode/dual-spawn.md从 Claude Code 派生出多个 headless Codex worker/dual-coordinate.claude/skills/dual-mode/dual-coordinate.md编排 Claude Codex 的完整混合工作流/dual-collect.claude/skills/dual-mode/dual-collect.md从共享内存中回收 worker 的执行结果其中dual-coordinate是三者中的指挥中枢它负责把任务按平台能力切分凡是需要复杂推理、架构决策、实时讨论的工作交给 Claude Code交互式凡是可并行、可后台化、可批量执行的工作交给 Codex无头。在 dual-mode 目录的 README 中这一分层被概括为四层模型——技能Skill定义命令接口、Agent 定义行为与能力、Memory 提供 worker 间的协作、MCP 工具承载底层操作而所有 worker 正是通过 claude-flow / ruflo 的共享内存 MCP 工具实现无缝协作的。快速上手命令语法与参数详解dual-coordinate技能的核心调用语法如下/dual-coordinate --workflow workflow-name --task task-description例如直接发起一个完整的混合开发任务/dual-coordinate --workflow hybrid_development --task Build user authentication技能 frontmatter 中声明其名称为dual-coordinate、描述为 Coordinate hybrid Claude Code Codex workflows。其支持的全部参数与默认值见下表参数默认值说明--workflowhybrid_development要使用的工作流模板--task必填任务描述--interactive-firsttrue是否以交互式阶段开始三个参数的含义值得展开说明--workflow决定整条流水线的阶段划分默认值是hybrid_development即先交互设计 → 再并行实现 → 后交互审查。其余可选模板见下一节--task是唯一必填项它将被解析后用于平台路由决策Routing Decision以及 worker 的任务描述--interactive-first决定编排的起点默认开启意味着流程从一个交互式设计/规划会话开始而不是直接进入无头执行——这与 Claude thinks, Codex executes 的核心分工理念一致。三种内置工作流模板hybrid_development设计交互式、实现并行化、审查交互式这是默认工作流也是日常开发中最常使用的主流程。它把一次功能开发切成设计 → 实现 → 审查三段先交互式确定需求与方案再并行派生 coder / tester / docs writer 等 worker 批量实现最后回到交互会话中审查产出、讨论改进点。/dual-coordinate --workflow hybrid_development --task Build user authenticationparallel_feature聚焦并行实现当需求与设计已经明确、只剩大规模实现这一件事时使用该模板。它的重点是派生多个 Codex worker 并行开工适合一次性产出多个独立模块例如同一功能下的 controller、service、tests、docs 分头推进/dual-coordinate --workflow parallel_feature --task Implement REST APIdesign_and_execute设计后批处理执行当任务需要先仔细设计、再一键批量执行时使用。交互式设计阶段产出的结论会先落入共享内存随后执行阶段按既定方案批量处理适合重构类任务/dual-coordinate --workflow design_and_execute --task Refactor auth module这与配套 Agent 文档中描述的顺序流水线模式一致spawn architect → wait_for architecture → spawn [coder-1, coder-2] → wait_for implementation → spawn tester → wait_for tests → aggregate_results只是把阶段粒度压缩为设计 执行两段。内部机制五阶段执行模型从 dual-coordinate.md 的 How It Works 章节可以看到无论选择哪种工作流编排引擎都遵循五阶段模型路由决策Routing Decision分析任务文本判断其最适合落在哪个平台——是需要交互推理还是可以并行后台执行交互阶段Interactive Phase将复杂推理、设计、规划交给当前 Claude Code 会话并行阶段Parallel Phase派生多个 Codex worker 分头执行审查阶段Review Phase回到 Claude Code对 worker 产出做质量审查结果回收Result Collection通过共享内存聚合各 worker 的结果。其中第 1 步的路由决策可以追溯到 dual-orchestrator Agent 定义 中的一套完整路由规则任务中出现explain *、debug *、design *、review with me *、help me understand *等模式时判为需要交互出现implement * in parallel、generate * files、write tests for *、document *、batch process *等模式时判为可并行、可后台、无需交互。文中给出的示例决策函数进一步揭示了其实现思路——用一组正则模式对任务文本做匹配命中交互模式则路由至claude-code否则路由至codex。第 5 步的结果回收之所以可行依赖的是 worker 与编排器共享同一份内存 namespaceworker 把成果写入resultsnamespace编排器在审查阶段用memory list --namespace results一次性拉取进程之间无需直接通信。生成的底层命令与真实执行形态dual-coordinate文档给出了技能展开后实际生成的 shell 命令骨架它清晰地呈现了三阶段在 CLI 层面的真实执行形态# Phase 1: Interactive (Claude Code) # [Current session handles design/planning] # Phase 2: Parallel (Codex) {{#each workers}} claude -p {{this.task}} --session-id {{this.id}} {{/each}} wait # Phase 3: Review (Claude Code) npx claude-flowv3alpha memory list --namespace results对照仓库中更精细的配套 Agent 文档可以还原每一行命令的完整参数语义claude -p prompt以 print / headless 模式运行 Claude Code非交互、运行至结束并将最终消息打印到 stdout这与 Codex 侧的codex exec属于对等形态。末尾的把 worker 放入后台使多个 worker 真正并行随后用wait阻塞主会话直到全部 worker 结束。在 codex-coordinator 的定义 与 codex-worker 的定义 中这条 spawn 语法被明确为codex exec --sandbox workspace-write --skip-git-repo-check prompt 其中--sandbox workspace-write表示允许 worker 写工作区文件只读审计类任务则应换为--sandbox read-only--skip-git-repo-check则允许其在非 git 仓库目录中运行。npx claude-flowv3alpha memory list --namespace results在审查阶段从共享内存的resultsnamespace 中列出全部 worker 的产出作为聚合与审查的输入。worker 内部的实际提示词模板在/dual-spawn与 worker 文档中均有展开包含固定的三步协议先用memory_search检索过往模式 → 执行被分配的代码/测试/文档工作 → 用memory_store(keyresult-worker-id, namespaceresults, upserttrue)写回结果。其中upsert: true是刻意约定的最佳实践用于避免重复 key 冲突。端到端示例一条命令跑完功能开发全流程文档给出的完整混合工作流示例是/dual-coordinate --workflow hybrid_development --task Build user profile API执行该命令后技能将按三个可预期的阶段推进设计阶段交互式在当前 Claude Code 会话中讨论需求、设计 API 端点、规划实现方案并将设计结论endpoints、models、decisions 等写入共享内存——在 dual-orchestrator 文档 的 MCP 集成示例中这一步通过mcp__claude-flow__memory_store { key: design/api-feature, namespace: shared }完成确保后续无头 worker 能通过memory_search读到同一份设计实现阶段无头按分工同时派生 coder、tester、docs writer 等类型的 worker各自用后台并行执行wait等待全部结束审查阶段交互式回到 Claude Code 会话通过npx claude-flowv3alpha memory list --namespace results聚合产出逐项审查实现质量并讨论改进点最终定稿。整个过程中唯一的输入动作是发起/dual-coordinate其余阶段切换与内存读写均由技能模板自动完成——这正是将三种 skill 组合成一条流水线的价值所在。分工矩阵什么任务该交给哪个平台为了在实际使用中做好路由决策仓库中的 dual-orchestrator 定义 给出了一张可直接照搬的平台选择指南任务类型推荐平台理由设计 / 架构Claude Code需要推理能力调试Claude Code需要交互式分析代码审查Claude Code需要讨论功能实现Codex可并行化测试编写Codex批量执行文档编写Codex独立工作重构Hybrid先设计后执行新功能Hybrid设计 → 实现 → 审查对应地codex-coordinator 定义 中还有一个 worker 类型参考表说明了不同类型 worker 对应的 spawn 命令与沙箱选择coder/tester/docs使用workspace-write沙箱以允许写入代码与文档而reviewer/architect这类只读角色应改用read-only沙箱执行审计与方案设计避免误写文件。编排实操建议与最佳实践综合文档与配套 Agent 定义在真实仓库中使用/dual-coordinate时建议遵循以下原则坚持交互优先让 Claude Code 先行理解需求与设计--interactive-first true的默认值正是为此设计按可并行粒度拆分 worker每个 worker 的任务应控制在几分钟内完成配套文档建议 5 分钟粒度过大反而拖慢整体统一通过共享内存通信设计存入sharednamespace结果写入resultsnamespace全部协调依赖内存 namespace 而非进程间直连worker 结果 key 使用有意义的 ID例如result-auth-core、result-auth-tests便于后续按 key 过滤与审计留意部分失败在回收结果阶段检查完成/失败计数容忍部分 worker 的 partial success配套 worker 文档要求即使部分成功也要写入完成状态审查不可省略无论实现阶段产出多快都要回到交互式审查阶段把关质量。与姊妹技能的协同使用dual-coordinate并非孤立存在。当任务不需要完整的三阶段编排、只想并行干一把再收结果时可以直接使用另外两个技能只派生无头 worker/dual-spawn Implement user CRUD API --workers 2 --type coder参数含--workers默认 3、--type可选 coder/tester/docs/reviewer、--wait默认 false其生成的命令先执行npx claude-flow swarm init --topology hierarchical --max-agents workers初始化共享 swarm 协调再逐个后台派生 worker只回收结果/dual-collect --namespace results --format detailed--format支持summary/detailed/json--filter可按 key 模式如worker-auth-*过滤底层通过memory list、memory search -q、memory get -k三条命令实现查询、过滤与明细展开并以树形或表格展示Workers Completed: 4/4之类的完成度概览。三者在文件组织上同处 .claude/skills/dual-mode/ 目录底层能力分别对应 dual-orchestrator混合编排、codex-coordinator并行协调 与 codex-worker无头执行 三个 Agent 角色形成命令接口 — 行为 Agent — 共享内存 — MCP 工具的完整实现闭环。小结/dual-coordinate把哪一步该推理、哪一步该执行的决策固化成了可复用的命令模板。通过--workflow在三种阶段模型间切换、借助共享内存让 Claude 与 Codex 两类进程在同一份设计/结果之上协作ruflo 仓库用 dual-coordinate 技能 README 总览 三个 Agent 定义给出了一个无需自定义开发即可上手的双引擎编排方案。记住它的核心一句话Claude Code 负责思考Codex 负责执行两者通过 Memory 共享语境由 Dual Coordinate 统一编排。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考