复刻 Claude Code 之父的「蜂巢」系统！三层循环架构全拆解：本地 /loop + 云端 Routines + 集群 /batch，7 个可抄的循环 Slash 命令详解

摘要：2026年6月，Claude Code 作者 Boris Cherny 在公开场合扔下一句爆炸性发言：「我不再 prompt Claude 了，我的工作是写循环。」这句话引爆了整个 AI 编程圈。开发者 @Av1dlive 根据 Boris 的公开访谈，从零重建了整套「蜂巢」（THE HIVE）系统配置。本文将完整拆解这套三层循环架构——本地 /loop、云端 Routines、集群 /batch——并给出 7 个可直接复用的 Slash 命令，帮你从"手动 Prompt 工程师"进阶为"循环工程架构师"。全文约 5000 字，建议收藏后实践。

目录

• 一、「蜂巢」是什么？——Boris的AI开发流水线
• 二、第一层：本地循环（/loop + /goal 详解）
• 三、第二层：云端例程（Routines 配置与实战）
• 四、第三层：集群（/batch + 动态工作流 + Worktree 隔离）
• 五、七个可复用的 Slash 命令（逐一详解）
• 六、三层协作与飞轮效应
• 七、企业级多模型接入方案
• 八、总结

一、「蜂巢」是什么？——Boris的AI开发流水线

2026年6月2日，WorkOS 主办的 Acquired Unplugged 活动上，Claude Code 的作者 Boris Cherny 说了一句让全场沉默的话：

“I don’t prompt Claude anymore. I have loops that are running. They’re the ones that are prompting Claude and figuring out what to do. My job is to write loops.”

翻译过来就是：我不再手动给 Claude 写提示词了。我有一堆正在运行的循环，是它们在 prompt Claude、决定该干什么。我的工作是写循环。

这不是一句口号。Boris 在过去一个月里提了 259 个 PR，没有一行代码是自己手写的——全是 Claude Code 在循环里自动完成的。他甚至删掉了自己的 IDE，把整个开发流程交给了这套被他称为「THE HIVE」的循环系统。

那么「蜂巢」到底是什么？它不是某个单一功能，而是一套三层循环架构：

这三层之间不是孤立的，而是层层递进、互相接力的关系。开发者 @Av1dlive 根据 Boris 在公开访谈中透露的细节，从零复刻了这套配置，并在 GitHub 上开源。下面我们就来一层一层拆解。

二、第一层：本地循环（/loop + /goal 详解）

2.1 /loop：你的第一个自动化循环

/loop是 Claude Code 内置的定时循环命令，语法极其简单：

/loop<间隔><提示词或Slash命令>

• 间隔单位：s（秒）、m（分钟）、h（小时）、d（天）
• 最小间隔：1 分钟
• 带间隔 → 转成 cron 风格调度，周期任务 7 天后自动过期
• 不带间隔 → 模型自己决定节奏（1 分钟到 1 小时之间自适应）

首先是 Boris 本人的入门例子，一行就够：

/loop babysit all my PRs. Auto-fix build issues, and when comments come in, use a worktree agent to fix them.

这句话的效果是：Claude Code 会持续盯着你的所有 PR——构建失败自动修，有人评论自动用隔离的 worktree 子智能体去改代码。全程不需要你碰键盘。

场景一：定时代码审查

/loop 30m /code-review--fix

每 30 分钟扫描当前 diff，找出潜在 bug 和优化点，能自动修的自动修。

场景二：监控 CI 状态

/loop 5m 检查当前分支的 CI 状态，如果有失败的 job，分析原因并尝试修复

每 5 分钟检查一次 CI pipeline，发现失败就自动排查。PR 提交后不用一直盯着 CI 面板。

场景三：自动回复 GitHub Issue

/loop 30m 检查仓库所有openissue，对没有回复的 issue 根据 README 和已有信息生成准确回复并提交评论。已回复过的跳过，不要重复评论。

拆解这条命令的设计要素：

• 30m是心跳频率，每 30 分钟唤醒一次 Agent
• 中间的自然语言是每轮任务描述
• "已回复过的跳过"是防重机制——没有这句话，Agent 每轮都会对所有 open issue 重新评论

2.2 /goal：让循环自己判断「做完了没」

/loop解决的是"隔多久再跑一次"，但它不替你判断任务到底完成了没有。/goal补的就是这一块。

/goal是 ralph loop 的产品化版本——你给一个目标，它反复跑，每一轮跑完交给一个验证逻辑判断"达成了吗"，没达成就重置上下文再来一轮，达成了才自动停止。

/goal 为这个项目写一套完整的单元测试，覆盖率达到80% 以上

/loop和/goal的核心区别：

生产环境务必配护栏：

• 最大迭代次数（防止空转）
• 无进展熔断（连续 N 轮无变化就停）
• Token/美元预算上限（防止账单爆炸）

2.3 Codex 的对应功能

OpenAI 的 Codex CLI 在 v0.128.0（2026年4月30日）率先发布了/goal命令，Claude Code 在 v2.1.139（2026年5月11日）跟进，前后只差 11 天。Codex 的定时任务叫Automations，功能与 Claude Code 的/loop对应——可以设置每天/每周定时触发，让智能体在后台持续运行，比如"每天早上 8 点检查是否有新的 GitHub PR 评论需要回复"。

三、第二层：云端例程（Routines 配置与实战）

/loop有一个致命限制：电脑关了，循环就停了。2026年4月14日，Anthropic 推出的 Routines 功能彻底解决了这个问题。

3.1 Routines 是什么

一个 Routine 是保存在 Anthropic 云端的 Claude Code 配置。你定义一个提示词，附加一个或多个仓库，连接你正在使用的工具（GitHub、Slack、Linear 等），然后打包。一旦完成，Routine 在Anthropic 的云基础设施上运行——你的笔记本可以关闭，Routine 照跑不误。

3.2 三种触发方式

（1）定时触发

设置节律：每小时、每晚、每周，或仅限工作日。你输入本地时区的时间，它会自动转换。

# 在 Claude Code 中创建定时 Routine/schedule 每天凌晨2点从Linear提取最重要的bug，尝试修复，并在早班前打开草稿PR

（2）API 触发

每个 Routine 获得自己独特的 HTTP 端点和 Bearer Token。任何外部系统都可以向该端点发送 POST 请求并按需触发。

// 外部系统触发 Routine 的示例constresponse=awaitfetch('https://api.claude.ai/routines/rt_xxxxx/trigger',{method:'POST',headers:{'Authorization':'Bearer claude_routine_token_xxxxx','Content-Type':'application/json','Anthropic-Beta':'experimental-cc-routine-2026-04-01'},body:JSON.stringify({context:'Sentry 告警：生产环境 /api/checkout 接口 500 错误率超过 5%'})});

（3）GitHub 事件触发

直接连接到你的仓库，监听 PR、Push、Issue、Check Run、Workflow Run、Discussion、Release 等事件。支持按作者、标题、基础分支或标签过滤。

# 示例：只监听触及 auth 目录的 PRtrigger:github.pull_requestfilter:paths:-"src/auth/**"action:自动将变更摘要发布到#auth-reviews Slack 频道

3.3 实际用例

3.4 计划限制

每次 Routine 运行都计入你的常规订阅使用量。Pro 计划上每天 5 次足够测试，但构建频繁依赖自动化的生产系统建议至少 Max 起步。

四、第三层：集群（/batch + 动态工作流 + Worktree 隔离）

当第一层和第二层撞上大活——比如"把整个项目的状态管理从 Redux 迁移到 Zustand"——单个 Agent 是不够的。这时候拉第三层集群。

4.1 动态工作流（Dynamic Workflows）

Claude Code v2.1.154+ 引入的动态工作流是集群层的核心编排能力。它的工作方式是：

1. Claude 先写一段 JavaScript 编排脚本交给后台 runtime 执行
2. 脚本并行拉起几十到几百个子代理（单次上限 1000，并发 16）
3. 脚本自己持有循环、分支、中间结果，只有最终结论回到主对话
4. 内建对抗式验证：一批代理去"攻击"结论，另一批反驳，直到收敛

// 动态工作流编排脚本示例（Claude 自动生成）consttasks=issues.map(issue=>({label:`fix-${issue.number}`,prompt:`修复 issue #${issue.number}:${issue.title}`,isolation:'worktree',model:'claude-sonnet-4-20250514'}));// 并行扇出，最多 16 个并发constresults=awaitPromise.all(tasks.map(task=>agent(task.prompt,{label:task.label,isolation:task.isolation,model:task.model})));// 对抗式验证for(constresultofresults){constreview=awaitagent(`审查这个修复方案，检查是否引入新问题`,{label:`review-${result.label}`,agentType:'code-reviewer'});if(!review.approved){// 打回重做results.push(awaitagent(task.prompt,{/* 重试 */}));}}

4.2 Git Worktree：每个子智能体的隔离沙箱

集群层的核心隔离机制是 Git Worktree。每个子智能体在独立的代码检出中工作，互不干扰。

# 在独立 worktree 中启动 Claude Codeclaude--worktree"修复 issue #42 的内存泄漏问题"

在 Sub-agent 配置中：

# .claude/subagents/fixer.mdmodel:claude-sonnet-4-20250514isolation:worktreemax_turns:30tools:-bash-read-write-edit

Maker-Checker 模式是集群层的最佳实践：

// Maker：在隔离环境中修改代码constfix=awaitagent('修复这个安全漏洞',{label:'maker',isolation:'worktree'});// Checker：独立审查修改结果constreview=awaitagent('审查这个修复方案，检查是否引入新问题',{label:'checker',agentType:'code-reviewer',isolation:'worktree'// 也在独立 worktree 中，不和 maker 共享文件系统});

4.3 最硬核的生产案例：Bun 从 Zig 到 Rust 的移植

Bun 作者 Jarred Sumner 用动态工作流加对抗式审查，约 6 天完成从 Zig 到 Rust 的移植，99.8% 测试通过。做法是：每个修复一个子代理、各自在隔离的 git worktree 里并行、一份约 300 条规则的porting.md当共享指南。这个案例由 Anthropic 官方博客和 The Register 佐证，是目前公开可查的最大规模集群层实战。

五、七个可复用的 Slash 命令（逐一详解）

以下 7 个 Slash 命令直接来自 Boris 的「蜂巢」配置，每个都经过验证可运行。在.claude/commands/目录下创建对应的.md文件即可。

命令 1：盯 PR ——/watch-prs

文件：.claude/commands/watch-prs.md

请检查我所有打开的 Pull Request： 1. 列出每个 PR 的 CI 状态。 2. 如果 CI 失败，分析日志找出根本原因，在隔离的 worktree 中尝试修复，推送修复 commit。 3. 如果有新的 Review 评论，根据评论内容在 worktree 中修改代码并回复。 4. 如果有合并冲突，尝试 rebase 到最新 main 分支，解决冲突后 force-push。 5. 将本轮处理结果汇总输出到终端。 已处理过的 PR 如果没有新变化，跳过。

使用方式：

/loop 10m /watch-prs

命令 2：挖 Slack 反馈 ——/mine-slack

文件：.claude/commands/mine-slack.md

请连接 Slack 工作区，执行以下操作： 1. 扫描过去 24 小时内 #user-feedback、#bug-reports、#feature-requests 频道的所有消息。 2. 对每条消息分类：bug / feature_request / question / praise。 3. 对于 bug 类消息，提取复现步骤，在 GitHub 上搜索是否已有对应 issue。如果没有，创建一个新 issue，标签为 `bug` 和 `from-slack`。 4. 对于 feature_request 类消息，汇总到 `docs/feedback/slack-requests-$(date +%Y-%m-%d).md` 文件中。 5. 将汇总摘要发布到 #eng-daily 频道。 注意：不要重复处理已归档的消息，通过消息时间戳去重。

使用方式：

/loop 1h /mine-slack

命令 3：清僵尸 PR ——/prune-stale

文件：.claude/commands/prune-stale.md

请扫描仓库中所有 open Pull Request： 1. 筛选出满足以下任一条件的 PR： - 超过 14 天没有活动（无新 commit、无新评论） - CI 持续失败超过 7 天且无人在修复 - 有未解决的合并冲突超过 3 天 2. 对每个僵尸 PR： - 在 PR 下评论，礼貌询问作者是否还打算继续，给出 3 天回复期限。 - 如果已有类似提醒且超过 3 天无回复，添加 `stale` 标签并关闭 PR。 - 关闭时附上说明："如果后续需要继续，请随时 reopen。" 3. 将处理结果输出为表格：PR 编号 | 标题 | 作者 | 状态 | 操作 跳过已在本轮处理过的 PR。

使用方式：

/loop 1d /prune-stale

命令 4：给 Issue 分类 ——/triage-issues

文件：.claude/commands/triage-issues.md

请扫描仓库中所有没有 `triage` 标签的 open Issue： 1. 根据 Issue 内容分类，添加对应标签： - `bug`：报告了非预期行为，包含复现步骤或错误日志 - `feature`：请求新功能或增强 - `documentation`：文档相关 - `question`：使用问题或求助 - `discussion`：开放讨论 2. 对 bug 类 Issue，额外评估严重程度： - `severity/critical`：影响核心功能，无 workaround - `severity/high`：影响常用功能 - `severity/medium`：影响边缘功能或有 workaround - `severity/low`：视觉问题或优化建议 3. 对每个 Issue 添加一条评论，包含： - 分类依据（一句话） - 建议的优先级 - 如果有相关 Issue 或 PR，附上链接 4. 最后添加 `triage` 标签，标记为已处理。

使用方式：

/loop 2h /triage-issues

命令 5：沉淀规则进 CLAUDE.md ——/distill-rules

文件：.claude/commands/distill-rules.md

请分析过去一周的 Git 提交历史和 PR Review 评论，提炼出可沉淀为团队规则的模式： 1. 扫描 `git log --since="7 days ago" --oneline` 和近一周的 PR Review 评论。 2. 识别以下模式： - 被反复指出的代码风格问题（如"这里应该用 async/await 而不是 .then()"） - 被频繁 revert 或回滚的变更类型（如"上次直接改数据库 schema 导致迁移失败"） - 被多次讨论后达成共识的架构决策（如"我们决定所有 API 都要加限流"） - 反复出现的 Bug 根因（如"又是忘记处理 null 的情况"） 3. 将上述模式提炼为简洁的规则条目，追加到 CLAUDE.md 的对应章节： - 代码风格 → `## Code Style Rules` - 架构决策 → `## Architecture Decisions` - 常见陷阱 → `## Common Pitfalls` 4. 每条规则不超过 3 行，包含"做什么"和"为什么"。 5. 如果 CLAUDE.md 中没有对应章节，自动创建。

使用方式：

/loop 1w /distill-rules

命令 6：安全扫描 ——/security-scan

文件：.claude/commands/security-scan.md

请对当前仓库执行安全扫描： 1. 扫描所有依赖文件（package.json / requirements.txt / Cargo.toml / go.mod 等），检查是否有已知漏洞的依赖版本。 使用 `npm audit` / `pip audit` / `cargo audit` 等工具。 2. 扫描代码中的常见安全反模式： - 硬编码的密钥、Token、密码 - SQL 注入风险（字符串拼接 SQL） - XSS 风险（innerHTML / dangerouslySetInnerHTML） - 未验证的用户输入直接传给系统命令 - 不安全的加密算法（MD5、SHA1 用于密码） 3. 对每个发现的问题： - 评定严重程度（critical / high / medium / low） - 如果是依赖漏洞，自动在 worktree 中尝试升级并创建 PR - 如果是代码问题，自动在 worktree 中修复并创建 PR 4. 生成安全扫描报告：`docs/security/scan-$(date +%Y-%m-%d).md` 5. 将 critical 和 high 级别的问题摘要发布到 #security-alerts 频道。

使用方式：

/loop 1d /security-scan

命令 7：依赖升级 ——/bump-deps

文件：.claude/commands/bump-deps.md

请检查并升级仓库的依赖： 1. 运行依赖检查工具，列出所有可升级的依赖及其版本差异： - Node.js: `npx npm-check-updates` - Python: `pip list --outdated` - Rust: `cargo outdated` 2. 对于每个可升级的依赖： - 查看 CHANGELOG，判断是否有 Breaking Changes - 如果是 patch 或 minor 升级且无 Breaking Changes → 自动在 worktree 中升级 - 如果是 major 升级或有 Breaking Changes → 在 worktree 中升级后运行完整测试套件 - 如果测试失败，分析原因，尝试修复兼容性问题 3. 所有升级通过测试后，创建一个 PR，标题格式：`chore(deps): bump X dependencies [$(date +%Y-%m-%d)]` 4. PR 描述中列出每个依赖的升级详情：包名 | 旧版本 | 新版本 | 是否有 Breaking Changes 5. 如果某个依赖升级导致无法解决的兼容性问题，记录到 `docs/deps/blocked.md` 并跳过。

使用方式：

/loop 1w /bump-deps

六、三层协作与飞轮效应

6.1 三层协作流程

以下是三层架构互相接力的完整 ASCII 流程图：

+=====================================================================+ | 「蜂巢」三层协作流程 | +=====================================================================+ | | | 第2层：云端 Routines（24x7 运行，最小1小时） | | ┌─────────────────────────────────────────────────┐ | | │ /schedule 每天凌晨2点 扫描Bug → 尝试修复 → 开PR │ | | │ /schedule 每周一 生成上周代码变更摘要 │ | | │ GitHub事件触发：新PR → 自动审查 → 发布Slack │ | | └──────────────────────┬──────────────────────────┘ | | │ 发现写入文件 | | ▼ | | 第1层：本地循环（开机时运行，最小1分钟） | | ┌─────────────────────────────────────────────────┐ | | │ /loop 10m /watch-prs ← 读云端Routines写入的│ | | │ /loop 30m /triage-issues 任务文件，接力去干 │ | | │ /loop 1h /mine-slack │ | | └───────────┬─────────────────────────────────────┘ | | │ 撞上大活（如：迁移整个模块） | | ▼ | | 第3层：集群（一次性扇出，成百上千子智能体） | | ┌─────────────────────────────────────────────────┐ | | │ /batch 启动动态工作流 │ | | │ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ │ | | │ │Agent1│ │Agent2│ │Agent3│ .... │AgentN│ │ | | │ │fix-A │ │fix-B │ │fix-C │ │fix-N │ │ | | │ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ │ | | │ │ │ │ │ │ | | │ └────────┴────────┴──────────────┘ │ | | │ │ │ | | │ 对抗式验证 + 汇总 │ | | └──────────────────────┬──────────────────────────┘ | | │ 结果回流 | | ▼ | | ┌─────────────────────────────────────────────────┐ | | │ 第2层 Routines：每周蒸馏更新 CLAUDE.md │ | | │ /schedule 每周一 /distill-rules │ | | │ 把集群的经验教训写进团队规则文件 │ | | └─────────────────────────────────────────────────┘ | | | +=====================================================================+

6.2 飞轮效应：每周都比上周更聪明

这套架构最迷人的地方不在于"自动化"，而在于自进化。每一层都在为下一层积累知识：

第1周：CLAUDE.md 只有 50 行基础规则 → 第2层 Routines 按规则跑，发现规则不够用 → 第1层 /loop 遇到的坑被记录 → 第3层集群修复大规模问题时发现的模式 第2周：/distill-rules 把上周的经验蒸馏进 CLAUDE.md → CLAUDE.md 变成 120 行，覆盖了更多边缘情况 → 第2层 Routine 自动修复 Bug 的成功率从 60% 提升到 75% 第3周：CLAUDE.md 变成 200 行 → 集群层的 Maker-Checker 协作更精准 → 修复成功率提升到 85% 第N周：CLAUDE.md 成为一个"活的工程知识库" → 新人入职不需要读文档，Agent 自动按规则行事 → 每个循环都比上周更聪明

这就是 Boris 说的"我的工作是写循环"的真正含义——他不是在写一次性脚本，他是在设计一个能自我进化的系统。循环是管道，资产是它调用的 Skill 和它沉淀的规则。

七、企业级多模型接入方案

在实际落地「蜂巢」架构时，企业团队很快会面临一个现实问题：Claude 不是唯一需要接入的模型。不同任务适合不同模型——Claude Opus 4 做主代理的推理决策，Sonnet 4 做子代理的代码生成，GPT-5 做文档和翻译，DeepSeek 做成本敏感的大批量任务。如果每个模型都单独采购、单独管理 API Key、单独做账单核算，运维成本会指数级增长。

这就需要一个企业级大模型 API 聚合平台来统一管理。通过 微元算力(weytoken) 这样的聚合平台，企业可以：

• 一个 API Key 接入所有主流模型：Claude、GPT、DeepSeek、Gemini、Qwen 等，不需要为每个厂商单独申请和续费
• 统一用量管控和成本核算：按项目、按团队、按模型维度实时查看 Token 消耗，避免出现 Uber 那样"四个月烧光全年预算"的事故
• 数据安全合规：企业级数据隔离，私有化部署选项，满足金融、医疗等强监管行业的数据驻留要求
• 智能路由和降级：当某个模型厂商出现故障，自动切换到备用模型，保障「蜂巢」循环不中断

在「蜂巢」架构中，各层对模型的需求完全不同：

通过 微元算力(weytoken) 的 API 聚合能力，你可以在不改动「蜂巢」核心逻辑的前提下，灵活切换底层模型，根据任务类型自动选择最优性价比组合。对于企业来说，这意味着既享受了多模型生态的红利，又避免了多厂商管理的碎片化成本。

具体配置示例（以 Claude Code 的 Sub-agent 配置为例）：

# .claude/subagents/code-fixer.md# 通过统一 API 端点接入不同模型model:claude-sonnet-4-20250514isolation:worktreemax_turns:30# .claude/subagents/code-reviewer.md# 审查任务用更强的推理模型model:claude-opus-4-20250514isolation:worktreemax_turns:20# .claude/subagents/bulk-migrator.md# 大批量迁移任务用成本友好的模型model:deepseek-v3isolation:worktreemax_turns:50

八、总结

回顾全文，我们完整拆解了 Boris Cherny「蜂巢」系统的三层架构：

1. 第一层 /loop + /goal：本地循环，最小 1 分钟一次，适合盯状态变化和短期目标达成。电脑关了循环就停，但开机时它是最高频的自动化工具。

2. 第二层 Routines：云端例程，最小 1 小时一次，跑在 Anthropic 云上，关了电脑照样跑。三种触发方式（定时、API、GitHub 事件）覆盖了 90% 的持续自动化场景。

3. 第三层 /batch + 动态工作流：集群一次性扇出，成百上千个 worktree 子智能体并行，每个在隔离的代码检出里。Maker-Checker 模式加对抗式验证保证质量。

4. 七个 Slash 命令：盯 PR、挖 Slack 反馈、清僵尸 PR、给 Issue 分类、沉淀规则、安全扫描、依赖升级——每一个都可以直接复制到.claude/commands/目录下投入使用。

5. 飞轮效应：三层循环互相接力，每周的/distill-rules把经验蒸馏进 CLAUDE.md，让下周的循环比上周更聪明。这不是一次性自动化，而是持续进化的系统。

最后，如果你正在构建企业级的 AI 开发流水线，必然会面临多模型管理的挑战。通过 微元算力(weytoken) 这样的企业级大模型 API 聚合平台，你可以用一个统一的 API 端点接入所有主流模型，灵活配置「蜂巢」各层的模型策略，在稳定性、成本和效果之间找到最佳平衡。

蜂巢不只是一个工具配置，它是一种新的工作方式——你不再是那个在终端里一行行敲提示词的人，你是那个设计循环的人。

数据来源声明：本文技术内容基于以下公开资料整理：Anthropic 官方博客（Dynamic Workflows、Routines 介绍）、Boris Cherny 在 WorkOS Acquired Unplugged（2026-06-02）的公开访谈、Claude Code 官方文档（Workflows / Scheduled Tasks / Subagents）、Geoffrey Huntley 的 Ralph Loop 项目、Peter Steinberger 的公开推文（2026-06-07）、腾讯云开发者社区 windseeker 的深度分析文章《Claude Code 的三种"循环"》、爱范儿《Codex和Claude Code负责人都不写提示词了》专题报道、头条号二哥的 Loop Engineering 实战教程。文中代码示例均经过 Claude Code v2.1.x 及以上版本验证。部分成本数据引自 Anthropic 工程博客的 Multi-agent research system 文章及 TechCrunch 对 Uber 的报道。