概述
SPARC(Specification、Pseudocode、Architecture、Refinement、Completion)是一套系统化的开发方法论,并与 Claude Flow 的多智能体编排能力集成。它提供 17 种专用模式,覆盖从初期研究到部署、监控的完整软件开发流程。
核心理念
SPARC 强调以下要点:
- 系统化方法:从规格到完成的结构化阶段
- 测试驱动开发:先写测试再实现
- 并行执行:多个智能体协同,以获得 2.8 到 4.4 倍的提速
- 记忆集成:智能体与会话之间持久共享知识
- 质量优先:全面的评审、测试与验证
- 模块化设计:清晰的关注点分离和接口
关键原则包括:规格先于代码、设计先于实现、测试先于功能、审查一切、持续维护文档。
开发阶段
- 规格:定义需求、约束与成功标准,进行需求分析、用户故事映射、约束识别和成功指标定义。主要模式:researcher、analyzer、memory-manager。
- 架构:设计系统结构与组件接口,进行系统架构设计、组件接口定义、数据库模式规划、API 约定说明和基础设施规划。主要模式:architect、designer、orchestrator。
- 精炼(TDD 实现):先写失败的测试,再实现最小可用代码,让测试通过,重构以保证质量,如此迭代。主要模式:tdd、coder、tester。
- 评审:评估代码质量、扫描安全漏洞、做性能剖析、校验最佳实践、审查文档。主要模式:reviewer、optimizer、debugger。
- 完成:系统集成、部署自动化、监控设置、文档定稿、知识沉淀。主要模式:workflow-manager、documenter、memory-manager。
可用模式(共 17 种)
核心编排模式
- orchestrator:多智能体任务编排,借助 TodoWrite、Task 与 Memory 进行协调,包含任务分解、资源分配、进度跟踪与结果汇总。
- swarm-coordinator:面向复杂多智能体工作流的集群管理,包含拓扑优化(mesh、hierarchical、ring、star)、生命周期管理、动态扩缩、容错恢复和性能监控。
- workflow-manager:流程自动化与工作流编排,包含工作流定义与执行、事件触发、串行与并行管道、状态管理、错误处理与重试。
- batch-executor:并行任务执行,包含并发文件操作、批处理优化、资源池化、负载均衡和进度汇总。
开发模式
- coder:自主代码生成与批量文件操作,可做功能实现、重构、修复缺陷、API 开发与算法实现;质量要求包括符合 ES2022+、TypeScript 类型安全、全面错误处理、性能与安全最佳实践。
- architect:系统设计并借助 Memory 协调,覆盖微服务、事件驱动、领域驱动设计(DDD)、六边形架构、CQRS 与事件溯源等。
- tdd:测试驱动开发,遵循红-绿-重构循环,涵盖测试套件设计、覆盖率优化(目标 90% 以上)和持续测试;测试策略包括单元测试(Jest、Mocha、Vitest)、集成测试、端到端测试(Playwright、Cypress)、性能测试和安全测试。
- reviewer:批量文件分析式代码评审,检查正确性与逻辑、设计模式遵循、错误处理、测试覆盖、可维护性、安全性以及性能瓶颈。
分析与研究模式
- researcher:并行使用 WebSearch 与 WebFetch 做深度研究,并借助 Memory 协调;包括信息收集、来源可信度评估、趋势分析、竞品研究和技术评估。
- analyzer:代码与数据分析、模式识别,包括静态分析、依赖分析、性能剖析、安全扫描。
- optimizer:性能优化与瓶颈处理,包括算法优化、数据库查询调优、缓存策略、包体积缩减和内存泄漏检测。
创意与支持模式
- designer:以无障碍为重点的 UI/UX 设计,包括界面设计、体验优化、WCAG 2.1 合规、设计系统与响应式布局。
- innovator:创意问题解决,包括头脑风暴、替代方案生成、技术评估、概念验证与可行性分析。
- documenter:文档生成,包括 API 文档(OpenAPI、Swagger)、架构图、用户指南、代码注释与 JSDoc、README 和变更日志。
- debugger:系统化调试,包括缺陷复现、根因分析、修复实施、回归预防与调试日志优化。
- tester:TDD 之外的全面测试,包括测试套件扩展、边界情况识别、性能测试、负载测试与混沌工程。
- memory-manager:知识管理与上下文保持,包括跨会话记忆持久化、知识图谱构建、上下文恢复、模式提取与决策追踪。
使用方式
方式一:MCP 工具(在 Claude Code 中优先采用)
mcp__claude-flow__sparc_mode {
mode: "<mode-name>",
task_description: "<task description>",
options: { /* 各模式专属选项 */ }
}
初始化集群:
mcp__claude-flow__swarm_init {
topology: "hierarchical", // 或 mesh、ring、star
strategy: "auto", // 或 balanced、specialized、adaptive
maxAgents: 8
}
派生智能体:
mcp__claude-flow__agent_spawn {
type: "<agent-type>",
capabilities: ["<capability1>", "<capability2>"]
}
方式二:NPX 命令行(备选)
npx claude-flow sparc run <mode> "task description"
npx claude-flow@alpha sparc run <mode> "task description"
npx claude-flow sparc modes
npx claude-flow sparc help <mode>
npx claude-flow sparc run <mode> "task" --parallel --monitor
npx claude-flow sparc tdd "feature description"
npx claude-flow sparc batch <mode1,mode2,mode3> "task"
npx claude-flow sparc pipeline "task description"
方式三:本地安装
./claude-flow sparc run <mode> "task description"
编排模式
- 层级协调:适合有明确委派层级的复杂项目,设立协调者,再派生 architect、coder、tester、reviewer 等专职智能体。
- 网状协调:适合同伴间通信的协作任务,例如使用 mesh 拓扑并设 balanced 策略。
- 顺序流水线:按规格、设计、编码、测试、评审的顺序执行。
- 并行执行:适合可以并发的独立任务,例如前后端与数据库并行,测试依赖前后端。
- 自适应策略:适合需求变化的工作负载,按负载自动调整智能体数量。
TDD 工作流
完整 TDD 流程包括:初始化集群;用 researcher 做研究与规划;用 architect 设计可测试架构;用 tdd 模式实现并达到目标覆盖率;用 reviewer 评审;用 optimizer 优化性能。红-绿-重构循环分别对应 tester 写失败测试、coder 写最小实现、coder 在保持测试通过的前提下重构。
最佳实践
- 记忆集成:使用 Memory 跨智能体协调,例如存储架构决策,包括命名空间、键、值与 TTL。
- 并行操作:将相关操作放在同一条消息中批量执行,而不是分散到多条消息。
- 钩子集成:
npx claude-flow@alpha hooks pre-task --description "implement auth"
npx claude-flow@alpha hooks post-edit --file "auth.js"
npx claude-flow@alpha hooks post-task --task-id "task-123"
- 测试覆盖:保持 90% 以上的最低覆盖率。
- 文档:在开发的同时编写文档,包括 API 文档、架构决策记录(ADR)、代码注释、README 和变更日志。
- 文件组织:不要保存到根目录,而是放在 src、tests、docs、config、scripts、examples 等目录中。
适用场景
SPARC 适合需要系统化流程和多智能体协作的软件开发项目,例如全栈应用开发、需求研究与架构设计、以 TDD 推动的功能实现、代码评审与安全性能检查、文档生成与部署监控等。
限制
资料未提供该技能的收费、价格、平台兼容性细节,也未提供除 Claude Flow、Claude Code 之外的运行环境要求,因此这些信息暂未提供。