新闻详情

新闻详情

首页 / 资讯中心 / 详情

OpenRig Culture.md 文化文件教程:用一句话规范 Agent 团队的协作风格

发布时间:2026/11/15 17:44:38来源:尧图网络
OpenRig Culture.md 文化文件教程:用一句话规范 Agent 团队的协作风格
OpenRig Culture.md 文化文件教程用一句话规范 Agent 团队的协作风格【免费下载链接】openrigMulti-agent harness that runs Claude Code and Codex together as one system项目地址: https://gitcode.com/GitHub_Trending/op/openrig在 OpenRig 中一份叫 culture.md 的文化文件就能让整个 Agent 团队说到一个调上。它是多智能体协作系统 OpenRig 里最简单的团队协作规范工具一个 Markdown 文件、一行 YAML 配置就能告诉 Claude Code 和 Codex 组成的 Agent 团队——怎么沟通、什么算做完、出了问题怎么升级。本教程带你从零写好自己的第一份 Culture.md。 什么是 Culture.mdAgent 团队的团队公约OpenRig 把一组 AI 编码 Agent比如 Claude Code Codex组织成一支团队rig。每个 Agent 启动时系统会把一系列上下文文件读进它的上下文窗口文化文件就是其中最高价值、也最常被新手跳过的一份没有文化文件 → Agent 只能靠猜团队怎么协作结果往往各说各话有了文化文件 → 所有成员第一天就读到同一份团队操作手册官方文档的原话是哪怕一个很短的文化文件也能显著提升团队的一致性。详细机制见 agent-startup-guide.md。 一键接入 culture_file只需一行 YAML接入步骤非常轻核心就是在 rig 规格文件里加一行culture_file字段# demo/rig.yaml示例摘录 version: 0.2 name: demo-rig culture_file: culture.md指向一个安全的相对路径不能是绝对路径、不能用..跳转上级目录该文件对整个 rig 内所有Agent 生效不需要逐个配置字段语义与安全约束见 rig-spec.md 中的culture_file说明仓库自带的演示 rig 就是标准范例可以直接对照 demo/rig.yaml 与 demo/culture.md 两份文件学习写法。✍️ Culture.md 里写什么看官方演示版OpenRig 演示 rig 的文化文件只有 3 条原则短小精悍# Demo Rig Culture ## Principles - Quality over speed - Honest status reporting - Post-command handoff on every action这正是官方推荐的起步姿势——原则优于规则。官方默认文化文件 CULTURE-default.md 则给出了 4 个可照抄的模板主题主题要解决的问题务实求真Pragmatic truth-seeking要求 Agent 如实汇报、证据说话、不假装附和原则优于规则Principles over rules只把真正高风险的边界写成硬规则交付可用的好产品Ship good, working product流程服务于产品别让流程反客为主严谨程度匹配风险Match rigor to stakes高风险处彻底低风险处果断写自己的文化文件时建议围绕这 4 个维度各写 12 句话沟通规范成员之间用rig send/ chatroom 通信而不是裸发 tmux 命令协作流程工作如何在 pod小组之间流转、谁向谁汇报质量标准什么状态才算done升级规则什么情况下必须停下来找人类决策 文化文件是怎么喂给 Agent 的OpenRig 用分层启动模型加载上下文文化层固定排在第 4 层位于 rig 层之后、pod 层之前1. Agent 层 — 角色定位role.md 2. Profile 层 — 档案级变体 3. Rig 层 — 全队共享的项目上下文 4. Culture 层 — 文化文件culture_file 指向的文件⭐ 5. Pod 层 — 小组协作 SOP 6. Member 层 — 单个成员的特殊覆盖 7. Operator 层 — 系统运行时注入官方给新手的最优建议大多数 rig 只需要 3 层——角色Agent 层 文化Culture 层 系统注入Operator 层。文化层通过guidance_merge机制在 harness 启动前合入CLAUDE.md/AGENTS.mdAgent 一开机就能看到它。✅ 新手常见误区与优化清单把文化文件写成配置堆文化层写团队协作哲学成员级的特殊指令应放到 member 的 startup 块里不要都挤进文化文件。项目文档塞进文化文件项目背景属于 rig 层或 pod 层启动文件文化文件只放协作规范。规则越写越多硬规则只留给真正的高风险边界如未授权不 push其余都用原则表达给 Agent 判断空间。写完不迭代Agent 协作出问题时就回头修文化文件——它是活文档改一行、下个 rig 启动即生效。 上手清单5 步完成复制 demo/culture.md 作为起点按沟通 / 流程 / 质量 / 升级四段改写团队自己的原则在 rig.yaml 中加一行culture_file: culture.md对照 demo/rig.yaml参考 rig-spec.md 确认路径是合法相对路径启动 rig确认 Agent 的初始上下文里已包含文化内容 记住一句话让 Agent 猜不如让文化文件说。写好 culture.md你的 Agent 团队从第一天起就是一个有规矩的团队。【免费下载链接】openrigMulti-agent harness that runs Claude Code and Codex together as one system项目地址: https://gitcode.com/GitHub_Trending/op/openrig创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉