夜雨聆风
导语
你用 Cursor 写代码，用 Claude Code 做架构设计，偶尔切到 Codex 跑个脚本——每换一个工具，就要重新"调教"一遍 AI，重新解释项目背景、编码规范、测试要求。这种重复劳动，有人已经系统性地解决了。
一个让人"哇"了一声的仓库
最近 GitHub 上有个仓库悄悄涨到了 31.4K+ Stars，叫做 ECC（Engineer Command & Context）。
它的定位不是某个框架，也不是某个 CLI 工具，而是一套跨 AI 工具的 Agent 工作流操作系统。换句话说：无论你用哪个 AI 编程工具，ECC 都能让它"知道你是谁、你的项目是什么、你的规范是什么、你希望它怎么工作"。
作者 @affaanmustafa 在 README 里说：
“这不只是配置文件。这是一套完整体系——经过 10+ 个月在真实生产项目中每日使用后进化出来的。”
他还赢得了 Anthropic x Forum Ventures 黑客马拉松冠军，用 Claude Code 全程构建了 zenith.chat。这套东西，是他的实战沉淀，不是实验室产物。
为什么这件事突然重要了
先说一个很多人没意识到的问题：AI 工具的碎片化，正在蚕食你的开发效率。
2026 年的开发者工作台，通常同时存在：
• Claude Code 负责深度推理和架构讨论 • Cursor 负责日常代码补全和 inline 编辑 • Codex 跑自动化任务 • GitHub Copilot 做 PR review
每个工具各有所长，但它们彼此"不认识"你的项目。你在 Cursor 里建立的编码习惯，Claude Code 不知道。你在 Claude 里反复强调"不要用 any 类型"，Codex 照样给你写一堆 any。
更深的问题是：没有一个地方可以统一定义"我希望所有 AI 工具遵守什么规则"。
ECC 就是在解决这个问题。
它的核心思路：AGENTS.md 作为通用语言
ECC 最优雅的设计，是一个叫 AGENTS.md 的文件。
这个文件放在项目根目录，Claude Code、Cursor、Codex、OpenCode 都会自动读取它。你把项目背景、技术栈、架构决策、编码规范、禁止事项全写进去——所有 AI 工具共享同一份"大脑"。
这个设计理念很简单，但执行难度很高。ECC 的厉害之处在于，它把这件事做成了一套有 Schema、有规范、有示例、有版本管理的工程体系。
除了 AGENTS.md，它还有一套分层规则系统：
rules/ common/ ← 所有语言通用（永远安装） typescript/ ← TS/JS 专属 python/ ← Python 专属 golang/ ← Go 专属 swift/ ← Swift 专属 php/ ← PHP 专属你只需要把 rules/common 和自己用的语言规则复制到 ~/.claude/rules/ecc/，所有 Claude Code 会话就自动遵守这套规范。
63 个 Agent，249 个 Skill，这是怎么用的
ECC 包含两个核心概念值得理解：
Agent（子代理） 是有专职分工的角色，处理委派任务：
planner | |
architect | |
code-reviewer | |
security-reviewer | |
tdd-guide | |
build-error-resolver |
使用方式很直接，比如新功能开发的典型流程：
/ecc:plan "增加用户 OAuth 登录" → planner 生成实现蓝图tdd-workflow skill → tdd-guide 强制先写测试/code-review → code-reviewer 检查实现质量Skill（技能） 是可复用的工作流定义，是比命令更细粒度的知识单元。比如 tdd-workflow 这个 skill，内容大概是这样：
# TDD Workflow1. 先定义接口2. 写失败测试（RED）3. 最小实现（GREEN）4. 重构（IMPROVE）5. 验证覆盖率 ≥ 80%AI 工具读到这个 Skill 之后，就知道在 TDD 场景下该怎么引导你工作。
最让我感兴趣的三个功能
1. 持续学习系统（Continuous Learning v2）
这是 ECC 里最有野心的设计。
每次会话结束，ECC 的 Hook 会自动提取本次会话中的"经验模式"，存成叫做 Instinct（直觉） 的结构化文件，带有置信度评分。
积累一段时间后，你可以运行 /evolve 命令，让 AI 把相关 Instinct 聚类成可复用的 Skill。
实际效果是：你的 AI 工具会随着你的使用习惯变得越来越懂你，而不是每个会话都从零开始。
/instinct-status # 查看已学到的直觉/evolve # 把直觉进化成可复用技能/instinct-export # 导出给团队其他成员2. AgentShield 安全扫描
很多人不知道，Claude Code 的配置文件（CLAUDE.md、MCP 配置、hooks）本身就是潜在的攻击面——可能存在 prompt injection、secrets 泄露、权限过高等风险。
ECC 内置了一个叫 AgentShield 的安全审计器，1282 个测试用例，102 条静态分析规则：
# 快速扫描（无需安装）npx ecc-agentshield scan# 开启红队/蓝队对抗模式（3个 Opus Agent）npx ecc-agentshield scan --opus --stream--opus 模式会启动三个 Claude Opus 4.6 Agent：攻击者找漏洞，防御者评估保护，审计员综合出优先级风险报告。这不是规则匹配，是对抗式推理。
3. Token 消耗优化
ECC 给出了一套具体可操作的成本控制建议，加到 ~/.claude/settings.json：
{"model":"sonnet","env":{"MAX_THINKING_TOKENS":"10000","CLAUDE_AUTOCOMPACT_PCT_OVERRIDE":"50"}}MAX_THINKING_TOKENS | |
AUTOCOMPACT_PCT |
另一个重要提醒：不要同时开太多 MCP。每个 MCP 工具描述都要消耗 token，10 个 MCP 可能把你 200k 的上下文窗口压缩到 70k。
普通开发者现在该不该跟进？
该关注，但不需要全部安装。
ECC 的整体体量很大（63 Agent、249 Skill），全部引入反而会让你的 AI 工具上下文变得臃肿。真正适合现在就用的部分：
✅ 立刻可以用的：
• rules/目录——把common和你的语言规则装上，立竿见影• Token 优化配置——5 分钟搞定，省钱效果明显 • AGENTS.md模板——参考examples/目录给自己项目写一个
⏳ 值得了解但不急于落地的：
• Continuous Learning v2——需要一段时间积累 instinct 才有效果 • 跨工具适配——如果你只用 Claude Code，暂时不需要
⚠️ 要小心的地方：
• 安装方式不要叠加（插件安装和手动安装二选一） • MCP 数量控制在 10 个以内 • 不要把所有 rules 目录都复制进去，按需选择
更大的意义：AI 原生工程的范式正在成形
ECC 这个项目让我觉得重要的，不只是它解决了多工具协同的问题。
它代表了一种正在成形的新范式：把 AI 工具的使用方式本身工程化。
以前"怎么用好 AI 编程工具"是个人经验，靠口口相传。现在开始有人把这些经验写成结构化文档、Schema、可安装的规则集、可版本管理的配置——这是一个从"个人技巧"到"工程基础设施"的跃迁。
就像 ESLint 规范了代码风格，Prettier 规范了格式，ECC 在尝试规范"如何与 AI 协作写代码"这件事本身。
这个方向，值得每个认真对待 AI 辅助开发的工程师跟踪。
怎么开始
# 最简单的起点：只装规则git clone https://github.com/affaan-m/ECC.git && cd ECCmkdir -p ~/.claude/rules/ecccp -r rules/common ~/.claude/rules/ecc/cp -r rules/typescript ~/.claude/rules/ecc/ # 换成你用的语言# 插件安装（Claude Code）/plugin marketplace add https://github.com/affaan-m/ECC/plugin install ecc@ecc仓库地址：github.com/affaan-m/ECC作者 X：@affaanmustafa
你现在用什么 AI 编程工具组合？有没有遇到"多工具不协同"的问题？欢迎评论区聊聊——如果有需求，后面可以出一篇 ECC 实战安装详细教程。
觉得有用的话，点个"在看"让更多开发者看到这个项目。点击下方名片关注我的公众号，获取最新的技术动态。
Hermes Agent 实用手册：从原理、社区认知到落地玩法全解析
