Communitygithub.com

claude-devfleet

Orchestriere Multi-Agent-Codierungsaufgaben mit Claude DevFleet — plane Projekte, entsende parallele Agenten in isolierten Worktrees, überwache den Fortschritt und lies strukturierte Berichte aus. Verwende dies, wenn du parallele Codierungsagenten in isolierten Worktrees einsetzen und deren Berichte verfolgen möchtest.

Was ist claude-devfleet?

Diese Skill orchestriert mehrere Claude Code Agenten, die parallel an Codierungsaufgaben arbeiten, wobei jeder Agent in einem isolierten Git-Worktree mit vollem Toolzugriff läuft. Sie eignet sich ideal für groß angelegte Projekte, die in unabhängige Aufgaben zerlegt werden können, wie das gleichzeitige Erstellen einer REST-API mit Authentifizierung und Tests. Die Skill verwendet einen Plan-zu-Dispatch-Workflow: Ein Benutzer gibt eine Beschreibung ein, `plan_project` zerlegt sie in eine Kette von Missionen (ein gerichteter azyklischer Graph), der Benutzer genehmigt, dann werden Agenten gestartet, ihre Abhängigkeiten automatisch aufgelöst und die Ergebnisse nach Abschluss gemeldet. Sie wird über den MCP-Transport mit einem separat installierten DevFleet-Server verbunden (der standardmäßig auf Port 18801 läuft) und unterstützt bis zu 3 gleichzeitige Agenten, die über die Umgebungsvariable `DEVFLEET_MAX_AGENTS` konfigurierbar sind.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/claude-devfleet

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Claude DevFleet Multi-Agent-Orchestrierung

Verwendung

Verwende diese Skill, wenn du mehrere Claude Code Agenten entsenden musst, die parallel an Codierungsaufgaben arbeiten. Jeder Agent läuft in einem isolierten Git-Worktree mit voller Toolausstattung.

Einrichtung

Der DevFleet-Server ist ein separates Projekt und nicht in ECC enthalten. Installiere und starte es zuerst von seinem Repository: https://github.com/LEC-AI/claude-devfleet

Verbinde dann die laufende Instanz über MCP:

claude mcp add devfleet --transport http http://localhost:18801/mcp

Überprüfe vor der ersten Verwendung, dass der Prozess, der auf Port 18801 lauscht, die von dir installierte DevFleet-Binärdatei ist (siehe SECURITY.md zu lokalen MCP-Servern).

Funktionsweise

Benutzer → "Erstelle eine REST-API mit Authentifizierung und Tests"
  ↓
plan_project(prompt) → project_id + Missions-DAG
  ↓
Plan dem Benutzer anzeigen → Genehmigung einholen
  ↓
dispatch_mission(M1) → Agent 1 startet im Worktree
  ↓
M1 abgeschlossen → automatisch mergen → automatisch M2 starten (depends_on M1)
  ↓
M2 abgeschlossen → automatisch mergen
  ↓
get_report(M2) → files_changed, what_done, errors, next_steps
  ↓
Rückmeldung an den Benutzer

Werkzeuge

WerkzeugZweck
plan_project(prompt)KI zerlegt eine Beschreibung in ein Projekt mit verketteten Missionen
create_project(name, path?, description?)Manuelles Erstellen eines Projekts, gibt project_id zurück
create_mission(project_id, title, prompt, depends_on?, auto_dispatch?)Mission hinzufügen. depends_on ist eine Liste von Missions-ID-Strings (z.B. ["abc-123"]). Setze auto_dispatch=true, um automatischen Start bei erfüllten Abhängigkeiten zu ermöglichen.
dispatch_mission(mission_id, model?, max_turns?)Starte einen Agenten für eine Mission
cancel_mission(mission_id)Stoppe einen laufenden Agenten
wait_for_mission(mission_id, timeout_seconds?)Blockiert, bis eine Mission abgeschlossen ist (siehe Hinweis unten)
get_mission_status(mission_id)Überprüfe den Missionsfortschritt ohne zu blockieren
get_report(mission_id)Lese den strukturierten Bericht (geänderte Dateien, getestet, Fehler, nächste Schritte)
get_dashboard()Systemübersicht: laufende Agenten, Statistiken, aktuelle Aktivität
list_projects()Alle Projekte durchsuchen
list_missions(project_id, status?)Missionen in einem Projekt auflisten

Hinweis zu wait_for_mission: Dies blockiert die Unterhaltung für bis zu timeout_seconds (Standard 600). Für länger laufende Missionen bevorzuge stattdessen das Polling mit get_mission_status alle 30–60 Sekunden, damit der Benutzer Fortschrittsaktualisierungen sieht.

Arbeitsablauf: Planen → Entsenden → Überwachen → Berichten

  1. Planen: Rufe plan_project(prompt="...") auf → gibt project_id + Liste von Missionen mit depends_on-Ketten und auto_dispatch=true zurück.
  2. Plan anzeigen: Präsentiere dem Benutzer Missionstitel, Typen und Abhängigkeitskette.
  3. Entsenden: Rufe dispatch_mission(mission_id=<erste_mission_id>) auf der Wurzelmission (leeres depends_on) auf. Die restlichen Missionen werden automatisch gestartet, sobald ihre Abhängigkeiten abgeschlossen sind (weil plan_project bei ihnen auto_dispatch=true setzt).
  4. Überwachen: Rufe get_mission_status(mission_id=...) oder get_dashboard() auf, um den Fortschritt zu prüfen.
  5. Berichten: Rufe get_report(mission_id=...) auf, wenn Missionen abgeschlossen sind. Teile die Ergebnisse mit dem Benutzer.

Gleichzeitigkeit

DevFleet führt standardmäßig bis zu 3 gleichzeitige Agenten aus (konfigurierbar über DEVFLEET_MAX_AGENTS). Wenn alle Slots belegt sind, werden Missionen mit auto_dispatch=true im Missions-Watcher in die Warteschlange gestellt und automatisch gestartet, sobald Slots frei werden. Überprüfe get_dashboard() auf die aktuelle Slot-Auslastung.

Beispiele

Vollautomatisch: Planen und starten

  1. plan_project(prompt="...") → zeigt Plan mit Missionen und Abhängigkeiten.
  2. Starte die erste Mission (diejenige mit leerem depends_on).
  3. Die restlichen Missionen werden automatisch gestartet, sobald Abhängigkeiten aufgelöst sind (sie haben auto_dispatch=true).
  4. Berichte mit Projekt-ID und Missionsanzahl, damit der Benutzer weiß, was gestartet wurde.
  5. Rufe regelmäßig get_mission_status oder get_dashboard() auf, bis alle Missionen einen Endstatus erreicht haben (completed, failed oder cancelled).
  6. get_report(mission_id=...) für jede abgeschlossene Mission — fasse Erfolge zusammen und weise auf Fehler mit Fehlern und nächsten Schritten hin.

Manuell: Schritt-für-Schritt-Kontrolle

  1. create_project(name="Mein Projekt") → gibt project_id zurück.
  2. create_mission(project_id=project_id, title="...", prompt="...", auto_dispatch=true) für die erste (Wurzel-)Mission → root_mission_id erfassen. create_mission(project_id=project_id, title="...", prompt="...", auto_dispatch=true, depends_on=["<root_mission_id>"]) für jede nachfolgende Aufgabe.
  3. dispatch_mission(mission_id=...) auf der ersten Mission, um die Kette zu starten.
  4. get_report(mission_id=...) wenn fertig.

Sequentiell mit Überprüfung

  1. create_project(name="...") → project_id erhalten.
  2. create_mission(project_id=project_id, title="Funktion implementieren", prompt="...") → impl_mission_id erhalten.
  3. dispatch_mission(mission_id=impl_mission_id), dann pollen mit get_mission_status bis abgeschlossen.
  4. get_report(mission_id=impl_mission_id), um Ergebnisse zu überprüfen.
  5. create_mission(project_id=project_id, title="Überprüfung", prompt="...", depends_on=[impl_mission_id], auto_dispatch=true) — startet automatisch, da die Abhängigkeit bereits erfüllt ist.

Richtlinien

  • Bestätige den Plan immer mit dem Benutzer, bevor du Missionen startest, es sei denn, er hat gesagt, dass es losgehen soll.
  • Gib bei der Statusmeldung die Missions-Titel und -IDs an.
  • Wenn eine Mission fehlschlägt, lies ihren Bericht, bevor du es erneut versuchst.
  • Überprüfe get_dashboard() auf verfügbare Agenten-Slots, bevor du massenhaft startest.
  • Missionsabhängigkeiten bilden einen DAG — erstelle keine zirkulären Abhängigkeiten.
  • Jeder Agent läuft in einem isolierten Git-Worktree und führt bei Abschluss automatisch einen Merge durch. Bei einem Merge-Konflikt bleiben die Änderungen im Agenten-Worktree-Branch für die manuelle Auflösung.
  • Setze beim manuellen Erstellen von Missionen immer auto_dispatch=true, wenn du möchtest, dass sie automatisch starten, sobald Abhängigkeiten erfüllt sind. Ohne dieses Flag bleiben Missionen im Status draft.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Verwandte Skills