功能描述

多模型编排系统，基于 oh-my-codex 框架。支持 deep-interview、ralplan、team、ralph、debug、frontend 等工作流模式。

使用说明 (SKILL.md)

Multi-Model Orchestrator

Name: Multi Model Orchestrator
Author: lpq6

基于 oh-my-codex 的多模型编排系统。集成 superpowers-systematic-debugging（调试纪律）和 frontend-design（UI 品质）。

工作流模式

模式选择指南

场景	模式	说明
需求不明确	`$deep-interview`	先澄清再行动
需要规划	`$ralplan`	Planner/Architect/Critic 共识
大任务并行	`$team N`	N 个 Agent 并行执行
小任务持续	`$ralph`	单 Agent 持久完成
遇到 bug/测试失败	`$debug`	四阶段系统化调试（多模型交叉验证）
做前端/UI	`$frontend`	多模型协作，UI 品质把关
全自动	`$autopilot`	ralplan → ralph → code-review 循环
代码审查	`$code-review`	多模型交叉审查（含 UI 审查）

触发词映射

"帮我编排" / "多模型并行" → 自动选择 $team 或 $ralph
"澄清需求" / "我不确定" → $deep-interview
"规划一下" / "制定计划" → $ralplan
"并行执行" / "同时做" → $team
"做完它" / "持续执行" → $ralph
"有 bug" / "测试失败" / "报错了" / "调试" → $debug
"做个页面" / "前端" / "UI" / "组件" / "landing page" → $frontend
"审查代码" / "code review" → $code-review
"全自动" / "autopilot" → $autopilot

执行流程

$deep-interview（需求澄清）

1. 收集用户初始需求
2. 识别模糊点和边界条件
3. 生成澄清问题列表
4. 等待用户确认
5. 输出明确的需求文档

$ralplan（共识规划）

1. Planner: 制定实现计划
2. Architect: 从架构角度审查
3. Critic: 识别风险和改进点
4. 达成共识，输出最终计划

$team（并行执行）

1. 将计划拆分为独立子任务
2. 分配给不同模型的 Agent
3. 并行执行（sessions_spawn）
4. 收集结果并汇总
5. 验证质量

$ralph（持久完成）

1. 单 Agent 接收任务
2. 持续执行直到完成
3. 遇到问题自动修复（遵循 $debug 纪律）
4. 输出最终结果

$debug（系统化调试）🆕

集成自 superpowers-systematic-debugging。多模型交叉验证，杜绝"猜-试"循环。

阶段 1: 根本原因调查（Agent A - mimo/mimo-v2.5-pro）
├── 读错误信息、堆栈跟踪、行号、错误码
├── 稳定复现：步骤、频率、环境
├── 检查最近变更：git diff、配置、依赖
├── 追踪数据流：坏值从哪来？谁传入的？
└── 输出: 根本原因报告

阶段 2: 模式分析（Agent B - sub2api-openai/gpt-5.5）
├── 找代码库中类似正常工作的例子
├── 对比参考实现，逐行阅读
├── 识别差异，列出每个不同点
├── 理解依赖和假设
└── 输出: 差异分析

阶段 3: 假设与测试（Agent A + B 交叉验证）
├── 形成假设："X 是根本原因，因为 Y"
├── 最小化测试：一次只改一个变量
├── 验证：有效→阶段4，无效→新假设
└── 输出: 验证结果

阶段 4: 实现修复
├── 创建失败的测试用例（先写后修）
├── 实现单一修复，不捆绑重构
├── 验证：测试通过？其他测试坏了吗？
├── 如果 3+ 修复失败 → 停止，质疑架构
└── 输出: 修复代码 + 测试

铁律：

未经根本原因调查，不许修复
3+ 修复失败 → 停止并质疑架构，不要继续猜
"快速修复" + "以后再调查" = 违反流程

红旗（立即停止，回到阶段 1）：

"先试试改 X 看看行不行"
"大概是 X，让我修那个"
"我没有完全理解但这可能行"
每个修复在不同地方揭示新问题

$frontend（前端/UI 品质）🆕

集成自 frontend-design。多模型协作，UI 品质把关。

步骤 1: 需求收集
├── Purpose: 界面做什么？
├── Audience: 开发者？终端用户？内部工具？
├── Constraint: 框架已选定？静态？SSR？
└── Aesthetic: 技术风？内容风？交易风？

步骤 2: 架构规划（$ralplan）
├── Planner: 页面结构 + 组件拆分
├── Architect: 框架选型 + 性能预算
└── Critic: 可访问性 + 移动端风险

步骤 3: 并行实现（$team）
├── Agent 1: 结构/布局（HTML/模板）
├── Agent 2: 样式/主题（CSS/Tailwind）
├── Agent 3: 交互/状态（JS/TS）
└── Agent 4: 动效/细节（微交互）

步骤 4: UI 审查（$code-review + frontend-design）
├── 检查 AI 通用美学红线（见下）
├── 移动端 + 触控 + 键盘导航
├── 深色 + 浅色双主题
├── Core Web Vitals + 包大小
└── 输出: UI 审查报告（P0-P3 分级）

AI 通用美学红线（禁止出货）：

Card-grid-of-nothing（圆角卡片网格泛滥）
紫粉渐变 CTA / hero
无空间理由的毛玻璃
Lucide/Heroicons 图标撒满每个列表项
三栏"Features"：图标 + 标题 + 12 字描述
居中 hero + "Build [noun] [adverb]" + 两个按钮
渐变文字 h1（from-indigo-500 to-pink-500）
"Trusted by" 灰色 logo 行
默认 indigo 强调色
非 AI 功能的 "AI shimmer" 加载态
常规操作的彩纸/气球动效
应内联的 toast 通知
首次加载的 newsletter/Cookie 弹窗

硬性默认值（直接出货，用户可覆盖）：

Mobile-first 布局
深色 + 浅色双主题同时设计
触控目标 >= 44x44px
prefers-reduced-motion 降级
Focus-visible 样式（禁止 outline: none）
WCAG AA 对比度
真实框架（Astro 6 / SvelteKit 2 / Vite 8 / Next 16 / Tailwind v4）

$code-review（代码审查，增强版）

1. 模型 A（gpt-5.5）: 逻辑正确性 + 架构
2. 模型 B（gpt-5.3-codex）: 性能 + 安全
3. 模型 C（mimo-v2.5-pro）: 可维护性 + 测试覆盖
4. 如果涉及 UI → 自动附加 frontend-design 审查
5. 汇总交叉审查结果

$autopilot（全自动，增强版）

ralplan（共识规划）
  → ralph（持久执行，遇 bug 自动 $debug）
    → code-review（交叉审查，含 UI 审查）
      → 修复反馈循环

模型路由

根据任务类型自动选择最优模型：

架构/推理 → sub2api-openai/gpt-5.5
代码生成 → sub2api-openai/gpt-5.3-codex
快速执行 → mimo/mimo-v2.5-pro
代码审查 → sub2api-openai/gpt-5.5
简单任务 → sub2api-openai/gpt-5.4-mini
中文任务 → local-qwen/gpt-4o
图像生成 → sub2api-openai/gpt-image-2
调试根因分析 → sub2api-openai/gpt-5.5（推理能力强）
调试修复实现 → sub2api-openai/gpt-5.3-codex（代码生成强）
UI 结构/布局 → sub2api-openai/gpt-5.5
UI 样式/主题 → sub2api-openai/gpt-5.3-codex
UI 交互/动效 → mimo/mimo-v2.5-pro

子任务模板

通用模板

你是一个专注于 [角色] 的 AI 助手。

## 任务
[具体任务描述]

## 上下文
[相关代码/文件/背景信息]

## 约束
- [具体约束条件]

## 预期输出
[明确的交付物描述]

调试子任务模板

你是 [根因分析师 / 修复实现者]。

## Bug 描述
[症状、错误信息、复现步骤]

## 已知信息
[堆栈跟踪、相关代码、最近变更]

## 任务
阶段 [1/2/3/4]: [具体阶段任务]

## 约束
- 未经根因调查不许提修复方案
- 一次只改一个变量
- 3+ 修复失败必须停止并质疑架构

## 预期输出
- 根因分析报告 / 差异分析 / 假设验证结果 / 修复代码+测试

前端子任务模板

你是前端 [结构工程师 / 样式工程师 / 交互工程师 / UI 审查员]。

## 任务
[具体前端任务]

## 设计约束
- Mobile-first，触控目标 >= 44px
- 深色 + 浅色双主题
- WCAG AA 对比度
- prefers-reduced-motion 降级
- 禁止 AI 通用美学红线（card-grid-of-nothing、紫粉渐变等）
- 真实框架，当前版本

## 预期输出
[组件代码 / 样式文件 / 审查报告]

集成说明

本技能集成两个专项技能的核心方法论：

来源	集成内容	应用模式
superpowers-systematic-debugging	四阶段调试流程、铁律、红旗识别	`$debug` 模式 + `$ralph`/$autopilot` 中的自动调试
frontend-design	UI 品质标准、AI 美学红线、双主题、移动优先	`$frontend` 模式 + `$code-review` 中的 UI 审查

详细参考：

调试完整流程: ~/.openclaw/skills/superpowers-systematic-debugging/SKILL.md
UI 品质标准: ~/.openclaw/skills/frontend-design/SKILL.md

安全使用建议

Install only if you are comfortable with multi-model routing and autonomous coding workflows. Before using it on sensitive repositories, restrict which models/providers can receive context, require approval for package installs and code mutations, and set clear iteration, cost, and file-scope limits.

功能分析

Type: OpenClaw Skill Name: multi-model-orchestrator Version: 2.0.0 The multi-model-orchestrator is a comprehensive framework for managing AI agent workflows, including debugging, frontend design, and parallel task execution. While it references non-existent model versions (e.g., GPT-5.5 in agents/team.json) and third-party API routing strings (sub2api-openai), these appear to be internal naming conventions or placeholders for an orchestration layer. The instructions in SKILL.md and the workflow files are focused on improving code quality and systematic debugging (e.g., the 'Iron Laws' of debugging) rather than performing unauthorized actions or data exfiltration.

能力评估

ℹ Purpose & Capability

The stated purpose is coherent with the artifacts: SKILL.md describes a multi-model orchestration system with planning, debugging, frontend, team, review, and autopilot workflows. This is purpose-aligned but inherently high-authority.

⚠ Instruction Scope

The workflows include autonomous/persistent execution and automatic repair paths, including '持续执行直到完成', '自动修复', and '依赖缺失 → 自动安装', without clearly requiring user approval for environment-changing actions.

✓ Install Mechanism

No install spec or executable code files are provided; the package is instruction-only and the static scan had nothing executable to analyze.

⚠ Credentials

For a coding orchestrator, code edits and model routing are expected, but automatic dependency installation and broad passing of code/context to multiple agents/providers are not clearly scoped or bounded.

⚠ Persistence & Privilege

The skill defines '$ralph' as persistent completion and '$autopilot' as a full automatic plan-execute-review-fix loop, but the artifacts do not define iteration limits, approval checkpoints, or rollback controls for those modes.

版本历史

v2.0.0

Version 2.0.0 introduces major enhancements and integrations focused on debugging discipline, frontend UI quality, and richer multi-model workflows. - Added $debug 模式 with a systematic four-stage debugging methodology and "铁律" ground rules, integrating superpowers-systematic-debugging. - Introduced $frontend 模式 for multi-model frontend/UI workflows, enforcing strict UI quality standards and avoiding common AI design pitfalls via integration with frontend-design. - Expanded workflow modes and detailed their usage scenarios, triggers, and step-by-step execution flows in documentation. - Enhanced $code-review and $autopilot modes with cross-model review and frontend-specific checks. - Implemented intelligent model routing for task specialization across architecture, code generation, UI, and debugging. - Provided standardized templates for all task types, including debugging and frontend/UI sub-tasks.

元数据

Slug multi-model-orchestrator

版本 2.0.0

许可证 MIT-0

累计安装 0

当前安装数 0

历史版本数 1

常见问题