AI 编程工具用久了，你会发现一个问题： Claude Code 、 Codex 、 Cursor 这些工具本身很强，但没人教它们怎么高效工作。每次新开一个项目，都要重复配置 rules 、调 system prompt 、处理上下文管理。

这就是 ECC 出现的原因。它不是一个新工具，而是一套Agent Harness 性能优化系统——把你的 Claude Code / Codex / Cursor 从"能用"调到"好用"。

Anthropic Hackathon 冠军项目，由单人维护者 affaan-m 用 10 个月日常高强度使用打磨出来。目前 ⭐19 万星， 246 个 skills ， 61 个专业 subagents ， 76 个 legacy 命令兼容层。支持 Claude Code 、 Codex 、 Cursor 、 OpenCode 、 Gemini 、 Zed 、 GitHub Copilot 等几乎所有主流 AI 编程工具。

它到底是什么？

先看文件结构。这不是一个"配置文件合集"，而是一个完整的工程系统：

ECC/
├── agents/          # 61 个专业 subagents（代码审查、构建修复、安全审计...）
├── skills/          # 246 个工作流定义（TDD、安全审查、持续学习...）
├── rules/           # 编码规范（TypeScript / Python / Go / Swift / PHP / ArkTS）
├── hooks/           # 触发器自动化（会话记忆、上下文压缩、模式提取）
├── commands/        # 斜杠命令兼容层
├── scripts/         # 跨平台 Node.js 脚本
├── mcp-configs/     # MCP 服务器配置（GitHub、Supabase、Vercel...）
└── contexts/        # 动态 system prompt 注入

每个模块解决一个具体问题。不是堆功能，是每个组件都有明确的职责边界。

核心能力拆解

一、 246 个 Skills ：把经验变成可复用的工作流

这是 ECC 最值钱的部分。 Skills 不是 prompt templates ，是结构化的工作流定义。

举几个有代表性的：

Skill	功能	适用场景
tdd-workflow	强制 RED-GREEN-REFACTOR 循环	需要高质量测试覆盖的项目
search-first	先调研再编码，禁止凭空写代码	不熟悉的 API / 框架
continuous-learning-v2	自动从会话中提取模式并保存	团队知识沉淀
security-review	安全检查清单 + AgentShield 集成	上线前审计
cost-aware-llm-pipeline	LLM 成本优化 + 模型路由	控制 API 开销
iterative-retrieval	渐进式上下文细化	子 Agent 协作场景

比如 search-first 这个 skill ，解决的问题很简单：AI 经常在不了解 API 的情况下瞎写代码。装了之后， Agent 会先查文档、读官方示例，然后再动手。就这么一个约束，能减少大量"写得快但全是 bug"的情况。

二、 61 个专业 Subagents ：术业有专攻

不是让一个 Claude Code 实例干所有事。 ECC 内置了 61 个 specialization agents ：

•架构决策：architect.md — 系统设计决策

•代码审查：code-reviewer.md、security-reviewer.md、python-reviewer.md、typescript-reviewer.md 等按语言细分

•构建修复：build-error-resolver.md + 各语言专属（ Go 、 Rust 、 Java 、 Kotlin 、 PyTorch/CUDA ）

•测试：tdd-guide.md、e2e-runner.md

•运维：loop-operator.md（自动循环执行）、harness-optimizer.md（配置调优）

特别提一下 pytorch-build-resolver — 专门解决 PyTorch/CUDA 训练报错。搞 ML 的都知道， CUDA 版本不匹配、 cuDNN 报错、 GPU OOM 这些错误有多折磨人。这个 agent 把常见的训练错误模式都整理成了排查流程。

三、 Hooks 系统：让 Agent 自己记住上下文

这是区别于普通配置的关键。 ECC 的 hooks 在会话生命周期中自动触发：

•SessionStart：加载上次会话的上下文，不用每次都重复"我的项目是干什么的"

•PreCompact：上下文压缩前自动保存关键状态

•SessionEnd：会话结束时提取模式、保存进度

•PostToolUse：工具调用后自动执行验证

你可以通过环境变量控制 hooks 的严格程度：

export ECC_HOOK_PROFILE=minimal    # 最低，只加载核心
export ECC_HOOK_PROFILE=standard   # 默认
export ECC_HOOK_PROFILE=strict     # 最严，全量检查

export ECC_DISABLED_HOOKS="pre:bash:tmux-reminder,post:edit:typecheck"

四、 AgentShield ：安全扫描不靠自觉

内置的安全审计工具， 1282 个测试用例， 102 条静态分析规则。扫描 CLAUDE.md 、 settings.json 、 MCP 配置、 hooks 、 agents 定义，覆盖 5 个类别：

•密钥泄露检测（ 14 种模式）

•权限审计

•Hook 注入分析

•MCP 服务器风险画像

•Agent 配置审查

最狠的是 --opus 模式：启动三个 Claude Opus 实例，分别扮演攻击者、防御者和审计员，做对抗性推理。不是简单的模式匹配，是真正的红蓝对抗。

npx ecc-agentshield scan

npx ecc-agentshield scan --fix

npx ecc-agentshield scan --opus --stream

实操： 5 分钟装好

方式一： Plugin 安装（推荐）

/plugin marketplace add https://github.com/affaan-m/ECC

/plugin install ecc@ecc

装完后规则目录需要手动复制（这是 Claude Code 插件系统的限制）：

git clone https://github.com/affaan-m/ECC.git
cd ECC

mkdir -p ~/.claude/rules/ecc
cp -r rules/common ~/.claude/rules/ecc/
cp -r rules/python ~/.claude/rules/ecc/     # 用 Python 就复制这个
cp -r rules/typescript ~/.claude/rules/ecc/ # 用 TS 就复制这个

方式二：手动安装（完全可控）

./install.sh --profile minimal --target claude

minimal profile 故意排除了 hooks-runtime ，适合只需要 rules 和 skills 的用户。想加 hooks 再说：

./install.sh --target claude --modules hooks-runtime

⚠️ WARNING

别叠装！ 最常见的错误是先用 `/plugin install`，再跑 `./install.sh --profile full`。这样会导致 skills 和 hooks 重复加载，行为错乱。选一条路，走完。

方式三：先问再装

不确定需要哪些组件？ ECC 内置了顾问模式：

npx ecc consult "security reviews" --target claude
npx ecc consult "mlops training model deployment" --target claude

它会返回匹配的 components 、推荐 profile 、预览和安装命令。

跨工具支持

ECC 不只是 Claude Code 的插件。它通过 AGENTS.md 和 CLAUDE.md 兼容层，支持：

•Claude Code（主力平台，最完整）

•OpenAI Codex（ CLI + App ）

•Cursor

•OpenCode（通过 plugin system ， 20+ 事件类型）

•Gemini CLI

•Zed

•GitHub Copilot

对于 Codex ， ECC 提供了 /codex-setup 命令，自动生成 codex.md。对于 OpenCode ，有完整的 plugin 支持， 12 个 agents + 24 个 commands + 16 个 skills 都可以通过 OpenCode 的事件系统加载。

Token 优化： ECC 的隐藏价值

用 AI 编程工具，最大的成本是 token 。 ECC 在这方面做了不少优化：

•Model selection：根据任务复杂度自动选择模型（简单任务用小模型，复杂任务用大模型）

•System prompt slimming：自动精简 system prompt ，去掉不必要的上下文

•Background processes：后台进程管理，减少重复加载

•Session compact：智能上下文压缩，保留关键信息

根据作者的数据，正常项目中 token 消耗能降 30-50%。对于重度用户（每月几十万 token ），这是实打实的省钱。

和同类项目对比

说到 Agent 配置管理，有几个常被提到的项目：

维度	ECC	Superpowers	GStack
Stars	19 万	18.9 万	9.7 万
定位	Harness 性能优化系统	模块化技能块构建	Claude Code 全角色配置
Skills 数量	246	按需组装	23 个工具角色
跨工具支持	7+ 平台	Claude Code 为主	Claude Code 为主
Hooks 系统	✅ 完整生命周期	❌	❌
安全扫描	✅ AgentShield	❌	❌
持续学习	✅ 自动提取模式	❌	❌
维护者	单人	社区	单人（ Garry Tan ）
安装复杂度	中（需选 profile ）	低（复制即用）	低（复制即用）

Superpowers 更像一个"技能库方法论"，强调模块化组合。 GStack 是 Garry Tan 的个人配置， 23 个工具扮演 CEO/设计师/工程经理等角色，适合快速起步。 ECC 则是三者中工程化程度最高的——hooks 、持续学习、安全扫描、 token 优化，这些都是实打实的工程能力，不是 prompt 堆砌。

ℹ️ INFO

适合什么样的用户？

• 重度使用 Claude Code / Codex 的开发者

• 需要跨项目共享配置和规则的团队

• 在意 token 成本、需要模型路由的 API 用户

• 希望 Agent 能"越用越聪明"的长期用户

不适合： 偶尔用一下 AI 编程工具、只需要补全功能的轻量用户。

翻车点和避坑

ECC 不是银弹，用之前要知道几个坑：

1. 安装叠装是最常见的错误

前面说了， plugin install + manual install 不能混用。混用后 symptoms ： skills 重复加载、 hooks 双重触发、 context 膨胀。解法：跑 node scripts/uninstall.js --dry-run 预览卸载，然后重装一条路。

2. Hooks 会增加每次会话的启动时间

SessionStart hook 会加载上次会话的上下文。如果你的项目很大、历史记录很长，启动可能多花几秒。可以通过 ECC_SESSION_START_MAX_CHARS=4000 限制加载量，或者 ECC_SESSION_START_CONTEXT=off 完全关闭。

3. Rules 不是越多越好

把 12 种语言的 rules 全复制进去，每个会话都会加载大量上下文，直接撑爆 token 预算。只复制你实际用的语言。 TypeScript 项目就复制 rules/typescript/ + rules/common/，别把 Java/Go/Rust 都带上。

4. Multi-* 命令需要额外运行时

/multi-plan、/multi-execute 等多 Agent 命令不包含在基础安装中。需要额外安装 ccg-workflow 运行时：

npx ccg-workflow

不装的话，这些命令不会正常运行。

5. v2.0 Rust 控制平面还是 alpha

ecc2/ 目录里的 Rust 原型能 build ，暴露了 dashboard、start、sessions、status 等命令，但还没到 general release 级别。生产环境建议用 v1.9 的 Node.js 版本。

最后

ECC 的本质是：把 10 个月踩过的坑，打包成一套可安装的工程系统。

19 万星不是营销出来的——Anthropic Hackathon 冠军、 7 个平台兼容、 246 个 skills 、 1282 个安全测试、单人维护者每周发布。这些数字背后是一个人在真实项目里日积月累打磨出来的东西。

如果你的日常工作重度依赖 Claude Code / Codex / Cursor ， ECC 值得花 5 分钟装一下。哪怕只复制 rules/common/ + 一个语言规则包，编码规范的一致性就能上一个台阶。想深入的话， hooks + 持续学习 + AgentShield 这套组合拳，是目前开源社区里最完整的 Agent 工程化方案。

ℹ️ INFO

📎 参考来源
本文基于 [affaan-m/ECC](https://github.com/affaan-m/ECC) 项目 README 及官方文档整理。