convez.ai
SkillDesenvolvimento WebAvançado
zlphoenix

Gerador de Projetos Fullstack com Skill Pipeline

zlphoenix/fullstack-project-generator

Pipeline de scaffolding fullstack com estado persistente e métricas

Ver no GitHub
InicialPluginScore · de 0 a 100

Skill para Claude Agent que instrumentaliza o desenvolvimento de projetos fullstack complexos através de uma pipeline ordenada (requisitos → arquitetura → scaffold → sprints → QA → deploy). Oferece scaffolding multiplatforma (Next.js, Spring Boot, Kotlin/Compose, SwiftUI) com gerenciamento de estado persistente entre sessões, contratos de API centralizados e coleta de métricas de desenvolvimento.

Instalação

$npx convez-ai zlphoenix/fullstack-project-generator

1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.

Métricas

Estrelas
1
Forks
0
Acompanhando
0
Saúde
42%
Último commit
há 1 mês
Versão
—
Issues abertas
0
Contribuidores
2

Casos de uso

  • Orquestrar desenvolvimento colaborativo de aplicações fullstack complexas entre múltiplos agentes
  • Manter consistência arquitetural e de contrato de API em projetos de longa duração
  • Gerar scaffolds prontos para múltiplas plataformas (Web, Backend, Mobile iOS/Android) em paralelo
  • Coletar e analisar métricas de produtividade e qualidade do desenvolvimento assistido por IA

Veredito

Solução ambiciosa e bem estruturada para orquestração de desenvolvimento fullstack com IA, com foco em state management, pipelines declarativas e observabilidade. Requer investimento em onboarding e disciplina processual, mas oferece valor real para equipes que desenvolvem projetos complexos com agentes Claude em longo prazo.

README

A tradução para o português deste README ainda está na fila.

fullstack-project-generator

一套引导 AI Agent(Claude Code / Codex 等)协同开发长期维护的复杂全栈项目的 Skill 集合。 用规范、契约、状态与度量弥补模型/Harness 的不足,让多人 + 多 Agent 的开发更快、更一致、更稳定。

telemetry tests docs


背景与目标

AI 辅助开发的瓶颈已从"模型会不会写代码"转移到"如何为模型提供恰当的上下文、约束与反馈回路"。在多人协同的长期项目中,靠口头约定无法保证一致,会出现决策冲突、合并冲突、节奏不齐、质量漂移。

本项目把这些"软约定"固化为可被工具加载/执行的一等产物:

  • 契约/规范先行 —— 先定 PRD、架构、API 契约,再并行开发,避免前后端不同步与决策冲突。
  • 单一职责 Skill 流水线 —— 每个阶段一个 Skill,输入输出清晰,可并行、可接续。
  • 跨会话状态 —— project-state MCP 持久化阶段/Sprint/Story,跨人跨会话不丢上下文。
  • 集中式度量 —— 使用即产生数据,统一收集,用客观指标验证"规范是否真的有效"。

设计依据:docs/10-AI辅助开发最佳实践研究报告.md(基于 Anthropic / OpenAI / GitHub / DORA 等公开实践的研究报告)。


能力总览

线性流水线,每个 Skill 完成后把阶段写入状态服务,下一个 Skill 据此接续:

project-requirements → project-architecture → project-scaffold
   → sprint-plan → sprint-develop → project-qa → project-deploy
Skill作用输出
project-requirements引导式需求访谈docs/PRD.md(MoSCoW + User Story + Given/When/Then)
project-architecture架构设计 + 契约生成docs/architecture.md + api/openapi.yaml
project-scaffold多平台脚手架各平台可运行骨架
sprint-planSprint 迭代计划docs/sprint-N.md
sprint-develop功能实现(1 Story × 1 平台/次)功能代码 + 测试
project-qa测试金字塔各平台测试文件
project-deploy容器化 + CI/CDdocker/ + .github/workflows/ci.yml

支持平台: Backend(Spring Boot/Java;TypeScript+Bun 规范规划中)、iOS(SwiftUI)、Android(Compose)、Web(Next.js)。


快速开始

前置依赖

  • bash + curl(SKILL 与遥测客户端 emit.sh 所需)
  • bun ≥ 1.1(仅遥测收集器/报表后端需要;客户端埋点只需 curl)
  • python3:仅 M1 期间 project-scaffold / project-architecture 的脚手架脚本需要(M2 移植为 Bun 后即去除,见 ADR-014)

安装(同时配置 Claude Code 与 Codex)

git clone <repo-url> fullstack-project-generator
cd fullstack-project-generator

# 先预览将要做的更改(默认项目级,软链 Skill + 部署项目公共文件,不覆盖同名)
bash scripts/install.sh --project-dir <你的项目路径> --tools claude,codex --dry-run

# 确认无误后正式安装(按需替换遥测地址与角色)
bash scripts/install.sh --project-dir <你的项目路径> --tools claude,codex \
  --role dev --telemetry-endpoint https://telemetry.your-team.com

安装器会:把各 Skill 软链到 ~/.claude/skills 与 ~/.codex/skills、生成可 source 的遥测环境文件、并打印需要并入各工具配置的 MCP 配置块。详见 分发与部署指南。

验证

(cd telemetry && bun test)                  # 期望:全部 pass

使用方法

在 Claude Code 或 Codex 中,按自然语言触发对应 Skill:

你:我想做一个图书商城 App,要 Web 和后台
→ 触发 project-requirements,访谈后生成 docs/PRD.md

你:帮我设计架构并生成 API
→ 触发 project-architecture,生成 architecture.md + openapi.yaml

你:初始化项目 → project-scaffold
你:规划第一个 Sprint → sprint-plan
你:实现用户登录(后台)→ sprint-develop(1 Story × 1 平台)
你:写测试 → project-qa
你:配置 Docker 部署 → project-deploy

各 Skill 从项目产物(PRD/sprint 文档/PROGRESS.md/git)派生当前进展,并在关键时机发送遥测事件(best-effort,未配置则跳过)。


度量与改进

这套 Skill 分发后,成员(研发/产品/测试/运维/PM)使用即产生度量数据,由团队自托管的收集器统一汇聚,用于运营报表与持续改进:

cd telemetry
bun run collector                                  # 启动中心收集器
bun run report --format md                         # 生成报表(返工率/交付时长/AC 通过率…)

核心指标与"AI 生产力悖论"警示见 度量指南。遥测架构见 telemetry/README.md。

度量用于发现瓶颈与验证规范有效性,不作个人绩效考核;只采流程元数据,不采代码/PII。


目录结构

skills/<name>/        各阶段 Skill(SKILL.md + templates/ + references/ + scripts/)
project-template/     部署进用户项目的公共文件:目标项目 AGENTS.md + PROGRESS.md + references/(方法论/平台指南/API 设计)
scripts/              install.sh(跨工具安装/分发,软链 Skill + 部署项目公共文件)
telemetry/            集中式遥测:emit.sh + collector(Bun) + report(Bun)
docs/                 治理/研究/规划/度量/分发文档(编号+中文名,见 docs/AGENTS.md)
AGENTS.md             面向所有 AI 工具的单一事实源
CLAUDE.md             Claude Code 专属补充

本项目自身遵循 AI Agent 项目规范:决策见 docs/00-决策记录.md,里程碑见 docs/01-里程碑与验收标准.md;skills/、scripts/、telemetry/、docs/ 各有 AGENTS.md。


贡献

欢迎贡献新 Skill、平台指南、模板与改进。请先读 CONTRIBUTING.md(含 Skill 编写规范、评估先行、提交前校验)。

路线图

当前为 M1(基座):跨工具落地 + 集中式遥测 + 文档分发。后续里程碑见 docs/20-改进计划.md:

  • M2:运行时强制(hooks/CI 门禁、契约一致性校验)、长程 Harness 工件、修复脚手架缺陷。
  • M3:TypeScript+Bun 后端栈、多项目/多环境隔离、运行时可观测/HA。

许可

见仓库 LICENSE(如适用)。

Ver o original no GitHub

Bom para

Relacionados