re:factory
用自然语言描述你想做的事,由多智能体流水线完成研究、规划、构建与评估的自动化软件工厂。
- Star 数
- ★ 75
- 最近更新
- 2 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 71/100 · 存在缺口
30 秒速览
- 运行形态
- 可在哪里用
- 兼容但需适配Codex · Claude Code
- 费用
- 软件免费,模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 有想法但无代码的创业者/研究者,用
factory ceo "distributed eval runner" --mode design把原始点子细化为可构建的规格 - 不适合
- 没有 Claude Code 订阅或认证账号的团队
- 只需要单次代码补全、不需要多智能体流程的开发者
- 无法运行 Python 3.11+ 与 uv 的受限环境
- 官网
- akashgit.github.io/remote-factory ↗ 来自 GitHub 仓库设置
- 维护状态
- 近 30 天有提交最近提交 2026-11-19
- 源码审查
- 71/100 · 存在缺口
这个 Agent 能做什么,适合哪些场景?
re:factory(仓库 boston-harness-group/remote-factory)是一个领域无关的多智能体软件设计与演化框架,通过 factory CLI 驱动。它采用四层架构:Python CLI、由 Pydantic 类型化节点(AgentNode、GateNode、ForkNode 等)构成的工作流图引擎、CEO 编排者,以及八个 Claude Code 子进程专家智能体(Researcher、Strategist、Builder、Health Checker、Code Reviewer、Adversarial Tester、Archivist、Failure Analyst)。工作流同时支持无头 DAG 执行和导出为 SKILL.md 供 CEO 运行时遵循的交互式剧本。所有状态保存在本地(.factory/ 与 ~/.factory/),每次实验由 Hygiene、Growth、Project 三层综合评分决定保留或回滚。内置 design、create、meta、outer-loop 等模式,外加 swebench、featurebench 等社区基准工作流,外层循环通过 MAP-Elites 对工作流拓扑做进化搜索。可全局安装为 CLI,也可作为 Claude Code 插件分发。
factory ceo "idea" --mode design 启动设计流程:3 个并行研究智能体调研现有模式与最佳实践,Strategist 综合出结构化计划,经用户批准后 Builder 实现,QA 验证。design-v2 模式用动态的 Research/Strategy/QA Director 做 N/M/K 并行生成再综合(推理时扩展),并维护追加式的 User Intent Ledger。create 模式(--mode create --focus "...")研究已有模式后生成新工作流定义(Pydantic 图)、SKILL.md、CLI 接线与测试;带冒号前缀如 "build: ..." 则更新已有模式。outer-loop 通过 factory outer-loop calibrate --benchmark featurebench --test-command "pytest tests/ -v" 在真实基准实例上变异并评估工作流 DAG,按测试通过率做 MAP-Elites 选择。focus 模式针对 backlog 条目或 GitHub issue(如 factory ceo ~/my-project --focus 42)构建单个功能。评估由三层复合评分驱动,factory discover 首次运行时自动检测项目语言与框架生成评估档案。工作流图经 templatize → review agent → guard → split 的验证管线导出为 SKILL.md 与 SKILL.annotations.yaml,并有 CI 回归测试防止漂移。另支持 LangFuse LLM 追踪与 ACE 自我改进。
- 有想法但无代码的创业者/研究者,用
factory ceo "distributed eval runner" --mode design把原始点子细化为可构建的规格 - 维护已有仓库的工程师,用
--mode design --focus "issue #42"或--focus "auth layer"让智能体研究 backlog 并迭代改进项目 - 基准评测研究者,运行 swebench、featurebench、terminalbench 等社区贡献工作流评估智能体表现
- 工具作者,用 create 模式生成自定义工厂模式(如 PR 校验流水线)并直接生成 SKILL.md 与测试
- 自动化学科团队,用 outer-loop + MAP-Elites 在基准上进化工作流拓扑,寻找更高通过率的智能体编排结构
- 想给 Claude Code 装插件的用户,通过 marketplace 安装获取
/factory:implement命令与factory:ceo等命名空间子智能体
安装与配置要点
摘自下方的安装和使用说明,以项目 README 的最新说明为准。
- 安装 / 启动命令
uv tool install git+https://github.com/akashgit/remote-factory.git
- 端口
3000- 环境变量
LANGFUSE_HOSTLANGFUSE_BASE_URLLANGFUSE_PUBLIC_KEYLANGFUSE_SECRET_KEY- 运行环境
- Python 3.11+
- 安装说明涉及
- Docker
如何安装或部署这个 Agent?
前提条件:Python 3.11+、uv,以及已安装并认证的 Claude Code。
uv tool install git+https://github.com/akashgit/remote-factory.git也可安装为 Claude Code 插件(在 Claude Code 内执行):
/plugin marketplace add akashgit/remote-factory#plugins
/plugin install factory@remote-factory
/reload-plugins若只想要独立的子智能体提示词:
factory install # 安装全部 9 个智能体到 ~/.claude/agents/
factory install --runner codex # 或安装 Codex TOML 智能体到 ~/.codex/agents/可选的 LangFuse LLM 追踪需要 Docker 或 Podman:
scripts/langfuse-setup start
export LANGFUSE_HOST=http://localhost:3000
export LANGFUSE_BASE_URL=http://localhost:3000
export LANGFUSE_PUBLIC_KEY=pk-lf-dev-local-key
export LANGFUSE_SECRET_KEY=sk-lf-dev-local-key
export TELEMETRY_PLATFORM=langfuse认证与环境变量的完整说明见仓库的 docs/setup.md。
如何使用这个 Agent?
安装后通过 factory CLI 使用。首次可运行 factory discover 自动检测项目语言与框架生成评估档案。
从点子或规格文件做设计:
factory ceo "my idea" --mode design
factory ceo ~/ideas/weather-dashboard.md --mode design改进现有项目,可指定话题或 GitHub issue:
factory ceo /path/to/project --mode design --focus "auth layer"
factory ceo /path/to/project --focus 42
factory ceo /path/to/project --focus '42 and 43'推理时扩展版本设计:
factory ceo ~/my-project --mode design-v2创建或更新工厂模式:
factory ceo /path/to/factory --mode create --focus "a mode that validates PRs with multi-stage checks"
factory ceo /path/to/factory --mode create --focus "build: add a code review gate after the builder"运行外层进化循环:
factory outer-loop calibrate ~/my-factory \
--benchmark featurebench \
--population-size 3 \
--project-dir /path/to/benchmark-instance \
--test-command "pytest tests/ -v"
factory ceo ~/my-factory --mode outer-loop --headless持续/无头运行与自我改进:
factory run <path> --loop --interval 1800
factory tmux <path> --loop
factory ceo <path> --mode meta安装了插件后可在 Claude Code 中直接调用 /factory:implement 或 factory:ceo 等子智能体。所有状态写入项目本地 .factory/(建议加入 .gitignore)与全局 ~/.factory/。
这个 Agent 有哪些优点和局限?
- 工作流即 Pydantic 类型化 DAG(AgentNode/GateNode/ForkNode/JoinNode),同一图既可无头确定性执行,也可导出为 SKILL.md 交互剧本,模式可编程扩展
- outer-loop 用 MAP-Elites 在真实基准上进化工作流拓扑,且三层复合评分(Hygiene/Growth/Project)自动决定实验保留或回滚
- verified skill generation 管线带结构化 diff 守卫和 CI 回归测试(test_annotations_match_source),防止图定义与导出技能漂移
- 状态全部本地化(.factory/ 与 ~/.factory/),并支持 LangFuse 本地追踪与容器/K8s 运行时,便于审计与私有部署
- 核心运行依赖已认证的 Claude Code 安装;Codex 支持仅覆盖独立子智能体提示词安装(--runner codex),完整流水线仍依赖 factory CLI
- 安装面较宽:需 Python 3.11+、uv、Claude Code 认证,LangFuse 追踪还需 Docker/Podman 与多个环境变量
- 持久化 LLM 调用(设计、构建、QA、外层循环)会产生实际的 Claude 用量成本,README 未说明用量上限
- 外层进化校准需提供真实基准实例(如 featurebench 项目目录与测试命令),准备工作流基准有额外成本
这个 Agent 与同类方案有什么区别?
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| re:factory 当前 | 71 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 75 | 2 天前 | Python | Codex · Claude Code |
| FrontierAgent | 66 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 5.4k | 今天 | Python | OpenAI API |
| AWorld 智能体编排平台 | 48 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 1.2k | 12 天前 | Python | — |
| Vigil 多智能体终端编排器 | 68 · 存在缺口 | 桌面应用免费 + 模型费 | ★ 29 | 2 天前 | Swift | Codex · Claude Code |
FollowAgents 如何评估这个 Agent?
查看各维度的扣分理由
证据显示项目有明确的范围控制(factory.md 的 Scope/Modifiable、Guards、研究模式的 Mutable/Fixed Surfaces 与泄漏指纹检测)、keep/revert 回退、实验分支与 git worktree 隔离,数据流文档极为详尽(四层架构、状态机、各文件读写路径)。扣分点:依赖列表含非主流包(mempalace、graphifyy)无来源说明,存在供应链风险;README 明文给出 LangFuse 开发凭据与登录口令(虽为本地默认值,但鼓励写入 ~/.bashrc);默认 install 将 9 个 agent 写入 ~/.claude/agents/ 全局目录;--auto-approve 由 CEO 代替用户在门禁处确认、--headless/--loop 支持无人值守,削弱了人工确认;--clean-pr 会向外部仓库推送 PR,属外部副作用且仅靠 flag 控制。
CLAUDE.md 详述测试夹具、coverage、版本回退(fallback_version)与崩溃恢复 checkpoint,门禁有 PROCEED/HALT 分支与 artifact 校验脚本、hook 日志。扣分点:文档间存在漂移——AGENTS.md 称三层系统而 README/CLAUDE.md 称四层;专家角色数量在不同文件中为 7/8/9 不等;CLAUDE.md 提到 10 种模式,README 只列 design/create 等;这些不一致会让运行时遵循哪个文档产生歧义。
面向开发者的场景覆盖极佳:design/create/focus/research/outer-loop/meta 等模式、社区基准工作流、容器与 K8s 运行、Claude Code 插件与 Codex 双路径,环境适配证据充分。扣分点:能力边界只在 outer-loop 一处诚实披露('single-builder topology wins on parsimony + cost'),对自主改码模式的整体失败模式与适用限制着墨不足;SKILL 触发依赖 description 文本,触发精确性一般(多数 disable-model-invocation 缓解了误触发)。
信息架构优秀(分层文档、mkdocs、CLI 速查表、示例丰富),MIT LICENSE 全文在库,作者署名一致,版本由 hatch-vcs 从 git tag 派生且有详细说明。扣分点:无 CHANGELOG;命名漂移(三层/四层、角色数、plugin 名 factory vs 仓库名 remote-factory);安装依赖全局 uv tool install 并建议把含凭据的环境变量持久化到 shell 配置;维护者明确但更新/响应路径只有 GitHub Issues,未见承诺。
产出可用性有支撑:实验目录含 hypothesis/diff/verdict、性能报告、dashboard 可视化、clean-pr 便于上游贡献;相比单 agent 编码工具的边际价值在于结构化实验循环+拓扑演化+基准对比。扣分点:运行成本高(多 agent 并行、Opus 调用、基准 CI 120 分钟),Cost Budget 仅限研究模式;核心卖点(自主演化优于基线)缺少可复核的结果数据。
多数声明可溯源到具体模块路径(definitions.py、evaluator.py、overfit.py 等),E2E 发现以'发现'口吻标注而非事实断言,CI 基准工作流可复跑。扣分点:benchmark 结果表无公布的分数或链接;各工作流间的叙述(如 8 个 SKILL 文件、角色清单)在样本内无法完全交叉印证;样本不含测试正文,已声明 CI 测试(test_annotations_match_source)无法在本包内核对。
- 依赖中含 mempalace、graphifyy 等非主流包,安装前应审计其来源与代码。
- README 中的 LangFuse 开发凭据与口令仅限本地;切勿将其用于任何可公开访问的实例,也不要照抄到共享环境的 shell 配置中。
- --auto-approve 与 --headless/--loop 模式下无人复核 keep/revert 决策,建议只在隔离的容器/沙箱或可丢弃仓库中运行。
- factory install 会写入 ~/.claude/agents/ 或 ~/.codex/agents/ 全局目录,影响宿主机上所有会话,注意 least-privilege。
- --clean-pr 之外的路径可能向外部 GitHub 仓库推送分支/PR,运行前确认目标仓库与凭据范围。
- 文档在层数、专家角色数量上存在不一致,使用前以仓库当前源码为准。
常见问题
必须订阅 Claude 才能用吗?
数据会离开我的机器吗?
外层循环(outer-loop)如何评估工作流?
已有工作流不够用怎么办?
factory ceo /path/to/factory --mode create --focus "描述" 会研究现有模式、生成新工作流的 Pydantic 图定义、SKILL.md、CLI 接线与测试;用 "模式名: 修改内容" 格式可更新已有模式。也可手动编辑 factory/workflow/definitions.py 后运行 factory workflow export-skills。改了工作流定义后技能文件会不同步吗?
re:factory 官网是什么?
re:factory 免费吗?
re:factory 开源吗?
re:factory 安全吗?
re:factory 还在维护吗?
re:factory 是谁开发的?
谢谢反馈,我们会据此改进页面。