用途
end-to-end-orchestrator 是一个完整开发工作流编排器，用于将「我想要功能 X」这类需求，通过自动化的技能协调，转化为可上线的生产级代码。它把多个多 AI 技能串联成一条五阶段流水线，并为每个阶段设置质量门。
主要能力
- 五阶段流水线：研究（可选）→ 规划 → 实现 → 测试 → 验证，输出为生产就绪的代码。
- 质量门控制：研究需质量≥95/100，规划需≥90/100，实现需测试通过且覆盖率≥80%，测试需覆盖率≥95%并通过独立验证，验证需质量分≥90/100且所有层通过。
- 并行执行优化：从计划中识别并行分组，对独立任务并行执行，相比顺序执行可节省 20-40% 时间。
- 失败恢复：每个阶段失败时提供重试、回滚到检查点、更换方案等恢复策略，并设有死循环防护（最多 3 次重试）。
- 人工升级协议：当任一阶段失败 3 次、规划质量两次重试后仍低于 80、检测到实现死循环、验证分数两次重试后仍低于 80、预算超支或检测到循环依赖等情况时，升级至人工处理。
- 跨技能状态共享：通过 .multi-ai-context/ 目录统一存放研究结果、计划、实现状态、测试状态、验证报告、流水线状态和失败历史等文件。
- 进度追踪：以 pipeline-state.json 实时记录当前阶段、各阶段状态、任务完成比例、预计完成时间和当前质量估算。
使用方式
使用前需安装全部五个多 AI 技能：multi-ai-research、multi-ai-planning、multi-ai-implementation、multi-ai-testing、multi-ai-verification。可选安装 agent-memory-system（用于从过往工作学习）、hooks-manager（用于自动化），以及 Gemini CLI、Codex CLI（用于三 AI 研究）。
流程示例：
阶段 1（研究，可选）：判断目标是否熟悉，不熟悉则调用 multi-ai-research，产出研究结果与模式、最佳实践。质量门为研究完整、识别至少 2 个模式、提取至少 3 条最佳实践、质量分≥95/100。
阶段 2（规划）：调用 multi-ai-planning，产出 plan.json、PLAN.md、COORDINATION.md，质量需≥90/100，得分不足时应用修复并重试（最多 2 次，仍不足则升级人工）。
阶段 3（实现）：读取 plan.json，按 6 步执行，采用测试驱动开发、增量提交（每次提交 <200 行）、多智能体协调并行任务、持续测试。质量门为所有任务实现、测试通过、覆盖率≥80%、无回归。
阶段 4（测试，独立验证）：调用 multi-ai-testing 独立验证工作流，检查测试是否匹配规格、生成额外边界用例、防过拟合。质量门为测试质量分≥90/100、覆盖率≥95%、独立验证通过、无测试作弊、边界用例覆盖。
阶段 5（验证，多层 QA）：调用 multi-ai-verification，执行五层验证（规则层、功能层、视觉层、集成层、质量评分层），全部通过方可上线。
适用场景
- 实现完整功能（非快速修复）
- 希望使用自动化工作流（而非手动串联技能）
- 要求生产级质量（所有质量门必须通过）
- 需要优化时间（尽可能并行执行）
- 需要失败恢复（自动重试/回滚）
限制
- 不适用于 30 分钟以内的快速修复。
- 不适用于需求不确定的探索性工作。
- 不适用于希望逐步手动控制每个阶段的场景。
- 必须预先安装全部五个多 AI 技能。
- 工具在资料中未提供具体的价格、收费或平台支持信息，暂未提供。