Novera-AI-agent

AI 编程四智能体流水线 —— 一套可直接复制使用的多智能体开发提示词。 核心主张：不审过程，只卡终局。 人不再逐行看代码，人只做两件事—— 把需求写成机器能验证的规格，然后信任一套焊死的自动化质量关卡。

这条流水线怎么转

模糊需求 → Specifier(需求规格官) → Coder(编码官) → Refactorer(重构官) → Architect(架构守门官) → 自动合并
              唯一需要人看的环节        只管让测试变绿      只改结构不改行为      唯一有一票否决权

任何一环失败都不卡在人手里，而是带着具体数值和原因自动路由回对应的上游 Agent。

"钢铁笼子"质量关卡

人不读代码，但机器把每一道关卡焊死。示例阈值（按项目风险等级自行调整）：

每一项都是二元判据：过了就是过了，没过 Architect 无权放行。

失败路由表（谁挂了打回给谁）

怎么用

1. 打开 prompts/four-agent-pipeline.md。
2. 把第三节四个 Agent 的系统提示词分别配置给你的四个智能体实例 （可以是同一个模型的四个会话，也可以是不同模型）。
3. 把第四节"钢铁笼子"清单里的工具接入你的 CI，阈值按项目风险等级调整。
4. 丢给 Specifier 一句自然语言需求，之后人只看两样东西： 规格确认时的验收标准，和每次合并时的验收标准 diff。

仓库结构

Novera-AI-agent/
├── README.md                        # 本文件
├── prompts/
│   └── four-agent-pipeline.md       # 四智能体完整提示词文档（核心交付物）
├── LICENSE                          # MIT
└── .gitignore

License

MIT — 可自由复制、修改、商用，保留版权声明即可。

English Summary

Novera-AI-agent is a four-agent AI coding pipeline prompt set. Instead of reviewing AI-written code line by line, you review only the acceptance spec — automated quality gates ("the steel cage") do the rest, and failures are routed back upstream with measured values and reasons.

• Specifier compiles vague requirements into Gherkin acceptance criteria (Given/When/Then), edge cases, and a Definition of Done. The only output a human reviews.
• Coder writes the minimal implementation that turns every acceptance and unit test green — no over-engineering, no scope creep.
• Refactorer improves structure without changing behavior, and uses mutation testing to prove the test suite actually catches defects (no "fake green" suites).
• Architect is the only role with veto power: it checks hard metrics — coverage, cyclomatic complexity, duplication, mutation score, dependency direction, security scan — emits PASS/FAIL per gate, and routes failures back to the right upstream agent.

Full prompts: prompts/four-agent-pipeline.md. Works with any multi-agent LLM orchestration setup — Claude Code subagents, CrewAI, MetaGPT-style pipelines, or four separate chat sessions with the same model.