ccb-unified

name	ccb-unified
description	统一 CCB + Subagent 集成平台 v1.0。通过 Gateway API 调度 9 个 AI Provider，结合 Claude Code Subagent 系统，实现分布式 AI 协作。支持异步调用、并行执行、智能路由、记忆系统。包含 9 个子 skills：async, parallel, research, workflow, memory, benchmark, discussion, stem, macro。整合了原有的 ccb, ask, all-plan, stem-modeling, macro-research-ccb skills。
triggers	["ccb unified","ccb subagent","distributed ai","分布式协作","多ai协作","集成ccb"]

CCB Unified - 统一 CCB + Subagent 集成平台 v1.0

架构概览

┌─────────────────────────────────────────────────────────────────────┐
│                     CCB Unified Platform                            │
│                                                                     │
│  ┌───────────────────────────────────────────────────────────────┐  │
│  │              Claude Code (Orchestrator)                        │  │
│  │              • 任务规划                                         │  │
│  │              • Subagent 调度                                    │  │
│  │              • 结果整合                                         │  │
│  └───────────────────────┬───────────────────────────────────────┘  │
│                          │                                          │
│       ┌──────────────────┼──────────────────┐                       │
│       │                  │                  │                       │
│       ▼                  ▼                  ▼                       │
│  ┌─────────┐      ┌─────────┐      ┌─────────┐                     │
│  │ Explore │      │  Plan   │      │  Bash   │                     │
│  │Subagent │      │Subagent │      │Subagent │                     │
│  └────┬────┘      └────┬────┘      └────┬────┘                     │
│       │                │                │                           │
│       │      ┌─────────▼─────────┐      │                           │
│       │      │  Gateway API       │      │                           │
│       │      │ localhost:8765     │      │                           │
│       └──────►                    ◄──────┘                           │
│              └─────────┬─────────┘                                  │
│                        │                                            │
│    ┌────┬────┬────┬───┼───┬────┬────┬────┬────┐                    │
│    ▼    ▼    ▼    ▼   ▼   ▼    ▼    ▼    ▼    ▼                    │
│  Kimi Qwen DeepS Cdex Gemi iFlo OpCd Clau Droid                    │
│   🚀   🚀   ⚡   🐢   🐢   ⚡   ⚡   ⚡    ⚡                          │
└─────────────────────────────────────────────────────────────────────┘

核心能力：

• 异步非阻塞 - 通过 Gateway API 实现
• Subagent 并行 - Claude Code 的 Task tool
• 智能路由 - 根据任务类型选择最佳 Provider
• 记忆系统 - 双系统记忆 + 启发式检索
• 模块化 - 6 个子 skills 处理不同场景

---

子 Skills 架构

ccb-unified/
├── SKILL.md (本文件 - 主入口)
├── subskills/
│   ├── async.md           # 异步调用管理
│   ├── parallel.md        # 并行多 AI 协作
│   ├── research.md        # 深度研究（Subagent + CCB）
│   ├── workflow.md        # 工作流自动化
│   ├── memory.md          # 记忆系统操作
│   ├── benchmark.md       # 性能基准测试
│   ├── discussion.md      # 多 AI 协作讨论（整合 all-plan）
│   ├── stem.md            # STEM 学术建模（整合 stem-modeling）
│   └── macro.md           # 宏观研究（整合 macro-research-ccb）
├── references/
│   └── patterns.md        # 多 AI 协作编排模式
├── templates/
│   ├── consensus-decision.md
│   ├── parallel-review.md
│   └── research-delegation.md
└── examples/
    ├── async_example.sh
    ├── parallel_example.sh
    ├── research_example.sh
    ├── discussion_example.sh
    ├── stem_example.sh
    └── macro_example.sh

Legacy Orchestration Assets

The legacy claude-skills/ccb outer-layer assets now live here:

• references/patterns.md for orchestration patterns such as fan-out, sequential pipelines, and consensus voting
• templates/consensus-decision.md for structured architecture or tooling decisions
• templates/parallel-review.md for multi-provider code review
• templates/research-delegation.md for specialist-routed research workflows

Use these reference assets when the user needs a reusable collaboration pattern rather than a single ad-hoc prompt.

---

使用场景决策树

用户请求
    │
    ├─ 需要深度探索代码库？
    │  └─> 使用 /ccb-research（Explore Subagent + CCB）
    │
    ├─ 需要多个 AI 同时工作？
    │  └─> 使用 /ccb-parallel（异步并行）
    │
    ├─ 需要长时间任务不阻塞？
    │  └─> 使用 /ccb-async（异步提交）
    │
    ├─ 需要实现自动化流程？
    │  └─> 使用 /ccb-workflow（Bash Subagent + CCB）
    │
    ├─ 需要搜索历史记忆？
    │  └─> 使用 /ccb-memory（记忆检索）
    │
    └─ 需要对比 Provider 性能？
       └─> 使用 /ccb-benchmark（性能测试）

---

主入口：ccb-unified

快速开始

# 检查环境
/ccb-unified check

# 智能路由（自动选择最佳 Provider）
/ccb-unified "创建一个 React 计数器组件"

# 指定 Provider
/ccb-unified kimi "解释递归"

# 带 Agent 角色
/ccb-unified codex o3 -a reviewer "审查代码"

工作流程

1. 用户输入任务
2. Claude 分析任务类型
3. 决定是否需要 Subagent
4. 选择合适的子 skill
5. 执行并返回结果

---

---

子 Skills 详解

基础调用类 (3个)

Skill 1: ccb-async (异步调用管理)

文件: subskills/async.md

用途

处理需要长时间运行的任务，避免阻塞主会话。

触发条件

• 任务预计耗时 > 30 秒
• 需要同时提交多个独立任务
• 用户明确要求异步执行

使用方法

# 异步提交
/ccb-async submit kimi "详细分析这个架构设计"
# → 返回 request_id

# 批量提交
/ccb-async batch "问题1" "问题2" "问题3"

# 查询状态
/ccb-async status <request_id>

# 获取结果
/ccb-async get <request_id>

# 列出所有待处理
/ccb-async pending

实现原理

# 通过 Gateway API 异步提交
curl -X POST http://localhost:8765/api/v1/submit \
  -H "Content-Type: application/json" \
  -d '{
    "provider": "kimi",
    "message": "任务内容",
    "agent_role": "sisyphus"
  }'

---

Skill 2: ccb-parallel (并行多 AI 协作)

文件: subskills/parallel.md

用途

同时向多个 AI Provider 提问，获得多角度答案。

触发条件

• 需要多个 AI 的不同观点
• 需要快速获得多种方案
• 对比不同 AI 的能力

使用方法

# 并行提问（默认 3 个快速 Provider）
/ccb-parallel "如何优化 React 性能？"

# 指定 Provider 组
/ccb-parallel -g @fast "快速问题"        # Kimi, Qwen
/ccb-parallel -g @coding "代码问题"      # Qwen, DeepSeek, Codex
/ccb-parallel -g @chinese "中文问题"     # Kimi, Qwen, DeepSeek

# 自定义 Provider
/ccb-parallel -p "kimi,qwen,gemini" "前端设计问题"

# 生成对比报告
/ccb-parallel --report "分布式系统设计"

实现原理

# 1. 并行提交到 Gateway
ID1=$(ccb-submit kimi "$QUESTION")
ID2=$(ccb-submit qwen "$QUESTION")
ID3=$(ccb-submit deepseek "$QUESTION")

# 2. 等待所有完成（30秒）
sleep 30

# 3. 收集结果
R1=$(ccb-query get $ID1)
R2=$(ccb-query get $ID2)
R3=$(ccb-query get $ID3)

# 4. 生成对比报告
cat <<EOF > comparison_report.md
# AI 对比报告
## Kimi: $R1
## Qwen: $R2
## DeepSeek: $R3
EOF

---

高级功能类 (3个)

Skill 3: ccb-research (深度研究)

文件: subskills/research.md

用途

结合 Explore Subagent 和 CCB，进行深度代码库研究和多 AI 分析。

触发条件

• 需要探索大型代码库
• 需要多轮 AI 交互
• 需要专业分析（架构、安全、性能）

使用方法

# 代码库架构分析
/ccb-research architecture "分析这个项目的架构"

# 安全审查
/ccb-research security "找出所有潜在安全问题"

# 性能优化建议
/ccb-research performance "识别性能瓶颈"

# 自定义研究
/ccb-research custom \
  --explore "找出所有 API 端点" \
  --analyze-with "kimi,codex" \
  --output "api_analysis.md"

工作流程

1. 启动 Explore Subagent（快速探索代码库）
   ↓
2. Subagent 收集关键文件和模式
   ↓
3. 将发现提交给 CCB Providers（并行分析）
   ↓
4. Kimi: 中文总结
   Qwen: 数据结构分析
   Codex: 代码审查
   Gemini: 架构建议
   ↓
5. Claude 整合所有结果
   ↓
6. 生成综合报告

实现（使用 Task tool + Gateway API）

# Step 1: 启动 Explore Subagent
Task(
    subagent_type="Explore",
    prompt="探索项目结构，识别关键 API 端点文件",
    description="探索代码库"
)

# Step 2: 获取 Subagent 结果后，并行提交给 CCB
exploration_result = [subagent 返回的内容]

# Step 3: 并行提交给多个 AI 分析
ccb-submit kimi "总结这些 API: $exploration_result"
ccb-submit qwen "分析数据结构: $exploration_result"
ccb-submit codex o3 "审查代码质量: $exploration_result"
ccb-submit gemini 3p "建议架构优化: $exploration_result"

# Step 4: 收集结果并整合
# ...

---

Skill 4: ccb-workflow (工作流自动化)

文件: subskills/workflow.md

用途

使用 Bash Subagent + CCB 实现复杂的自动化工作流。

触发条件

• 需要执行多步骤操作
• 需要 shell 命令 + AI 决策结合
• 需要自动化处理流程

使用方法

# 自动代码审查流程
/ccb-workflow code-review \
  --files "src/**/*.py" \
  --reviewers "codex,kimi" \
  --output "review_report.md"

# 自动化测试 + 分析
/ccb-workflow test-analyze \
  --run-tests "pytest tests/" \
  --analyze-failures "deepseek" \
  --suggest-fixes "kimi"

# 自定义工作流
/ccb-workflow custom \
  --steps "step1.sh,step2.sh" \
  --ai-checkpoints "kimi,qwen"

示例：自动代码审查工作流

#!/bin/bash
# Bash Subagent 执行

# Step 1: 收集待审查文件
FILES=$(find src -name "*.py" -newer .last_review)

# Step 2: 提交给 Codex 审查
for file in $FILES; do
    CODE=$(cat "$file")
    ccb-submit codex o3 -a reviewer "审查: $file\n\n$CODE"
done

# Step 3: 等待所有审查完成
sleep 60

# Step 4: 收集审查结果
# ...

# Step 5: 用 Kimi 生成中文总结
ccb-submit kimi "总结审查结果并给出优先级建议"

---

Skill 5: ccb-memory (记忆系统)

文件: subskills/memory.md

用途

管理 CCB 的双系统记忆，进行启发式检索。

使用方法

# 启发式搜索（三维评分）
/ccb-memory search "如何实现认证"

# 保存重要对话
/ccb-memory save --importance 0.9

# 夜间合并
/ccb-memory consolidate

# 记忆统计
/ccb-memory stats

# 注入历史上下文
/ccb-memory inject 2026-02-05

启发式检索原理

final_score = α × Relevance + β × Importance + γ × Recency

Relevance  - FTS5 BM25 关键词匹配
Importance - 用户标记的重要性 (0.0-1.0)
Recency    - 基于艾宾浩斯曲线的时间衰减

默认权重：α=0.4, β=0.3, γ=0.3

---

专业领域类 (3个)

Skill 6: ccb-benchmark (性能基准测试)

文件: subskills/benchmark.md

用途

对比不同 Provider 的性能、质量、成本。

使用方法

# 响应速度测试
/ccb-benchmark speed "简单问题"

# 代码质量对比
/ccb-benchmark code "实现快速排序"

# 推理能力对比
/ccb-benchmark reasoning "证明哥德巴赫猜想"

# 成本分析
/ccb-benchmark cost --days 7

# 生成对比报告
/ccb-benchmark report --all

测试维度

维度	指标	测试方法
速度	响应时间	同一问题发送给所有 Provider
质量	准确性、完整性	标准问题集评分
成本	Token 费用	统计 API 费用
稳定性	失败率	100 次请求成功率

---

Skill 7: ccb-discussion (多 AI 协作讨论)

文件: subskills/discussion.md

用途

让多个 AI Provider 参与任务讨论，从不同角度分析问题，Claude 汇总形成完整计划。整合了原 all-plan skill。

触发条件

• 需要多 AI 的不同观点
• 架构设计、技术选型决策
• 代码审查、方案对比
• 复杂问题的多角度分析

讨论模式

模式	参与 AI	时间	适用场景
快速	3个快速AI	15-30s	日常决策
完整	7个AI	60-120s	重要决策
专项	3-5个专家AI	30-60s	特定领域

使用示例

# 快速讨论
讨论主题: "如何优化数据库查询性能"
模式: 快速（Kimi, Qwen, DeepSeek）

# 完整讨论
讨论主题: "设计分布式任务调度系统"
模式: 完整（7个AI参与）

# 代码专项讨论
代码讨论: "审查并发代码设计"
参与: Codex, DeepSeek, Qwen

工作流程

1. Claude 并行发送讨论请求 → Gateway API
2. 各 AI 独立分析并回复
3. Claude 汇总（提取共识 + 标记分歧）
4. 形成执行计划并分配角色

原 all-plan skill 用户：直接使用此 skill，功能完全兼容并增强。

---

Skill 8: ccb-stem (STEM 学术建模)

文件: subskills/stem.md

用途

使用 8 模型分布式架构进行 STEM 学术研究、数学推导、工程文档创建。整合了原 stem-modeling skill。

8 模型分工

AI	角色	核心职责
🟢 Claude	编排 & 逻辑	中央协调
🔵 Gemini	SOTA 研究	实时搜索
🟣 Codex	代码实现	最佳代码
🟠 OpenCode	中文写作	案例研究
🔷 iFlow	Mermaid 图表	流程图
🔴 Kimi	代码审计	全面审查
🟡 Qwen	数学推导	LaTeX 公式
⚫ DeepSeek	深度推理	逻辑分析

执行模式

串行执行: Gemini → Qwen → OpenCode → Codex → iFlow → Kimi → DeepSeek → Claude

时间: 约 10-15 分钟
质量: 最高

使用示例

研究主题: "随机森林算法的数学原理与实现"
模式: auto-pilot

输出:
- SOTA 文献综述（Gemini）
- 数学推导（Qwen）
- 代码实现（Codex）
- 流程图（iFlow）
- 中文案例（OpenCode）
- 代码审计（Kimi）
- 深度推理（DeepSeek）
- 最终整合（Claude）

原 stem-modeling skill 用户：直接使用此 skill，调用方式从旧 CLI（gask, qask）升级为统一的 ccb-submit。

---

Skill 9: ccb-macro (宏观研究)

文件: subskills/macro.md

用途

8 AI 串行协作进行中国 A 股市场日常宏观研究，管理 1000万模拟投资组合。整合了原 macro-research-ccb skill。

8 AI 研究团队

AI	角色	研究领域	搜索
Gemini	基本面研究员	宏观经济、央行	25次
Codex	技术面研究员	K线、指标	25次
OpenCode	估值研究员	PE/PB估值	25次
iFlow	资金流研究员	主力资金	25次
Kimi	行业研究员	板块轮动	25次
Qwen	国际宏观研究员	美股、汇率	25次
DeepSeek	政策研究员	监管政策	25次
Claude	舆情+报告	北向资金	25次

总计: 200 次联网搜索

串行执行（强制）

Gemini → Codex → OpenCode → iFlow → Kimi → Qwen → DeepSeek → Claude

每个完成后才启动下一个
每 30 秒轮询检查状态
总时间: 约 12 分钟

报告结构

1. 📊 投资决策摘要（最前面！）
   - 核心要点、预期差、买入机会、卖出关注
2. 💰 模拟投资组合（1000万）
   - 持仓、调仓、表现追踪
3. 🤖 多 Agent 共识
   - 8研究员观点、3投资经理、风控官
4. 📈 市场回顾
5. 🏭 行业深度
6. 🌍 国际宏观
7. ⏱️ 执行摘要（3分钟速读）

使用示例

今天是 2026-02-07，执行 CCB 分布式研究（串行模式）
初始资金：1000万人民币

自动执行：
1. 串行启动 8 个研究员
2. 每个完成后保存中间结果
3. Claude 整合生成完整报告
4. 给出投资建议和组合调整

原 macro-research-ccb skill 用户：直接使用此 skill，调用方式升级为 ccb-submit，增强了监控和追踪。

---

统一配置文件

~/.claude/skills/ccb-unified/config.json：

{
  "gateway": {
    "url": "http://localhost:8765",
    "timeout": 300
  },
  "providers": {
    "fast": ["kimi", "qwen"],
    "medium": ["deepseek", "iflow", "opencode"],
    "slow": ["codex", "gemini"],
    "coding": ["qwen", "deepseek", "codex", "kimi", "gemini"],
    "chinese": ["kimi", "qwen", "deepseek"]
  },
  "subagents": {
    "explore": {
      "timeout": 120,
      "thoroughness": "medium"
    },
    "bash": {
      "timeout": 60
    },
    "plan": {
      "timeout": 90
    }
  },
  "async": {
    "default_wait": 30,
    "poll_interval": 5,
    "max_retries": 3
  },
  "parallel": {
    "default_group": "@fast",
    "max_concurrent": 5,
    "wait_time": 30
  },
  "research": {
    "default_analyzers": ["kimi", "qwen", "codex"],
    "exploration_depth": "medium",
    "report_format": "markdown"
  }
}

---

智能路由规则

当用户没有指定 Provider 时，根据任务类型自动选择：

def auto_select_provider(task: str) -> str:
    """智能选择 Provider"""

    # 前端任务
    if any(kw in task for kw in ["React", "Vue", "CSS", "前端", "UI"]):
        return "gemini 3f"

    # 算法推理
    if any(kw in task for kw in ["算法", "证明", "数学", "推理"]):
        return "codex o3"

    # 代码审查
    if any(kw in task for kw in ["审查", "review", "安全"]):
        return "codex o3"

    # 中文任务
    if any(kw in task for kw in ["翻译", "中文", "总结"]):
        return "kimi"

    # 代码生成
    if any(kw in task for kw in ["实现", "代码", "Python", "编写"]):
        return "qwen"

    # 默认：快速响应
    return "kimi"

---

使用示例

示例 1: 深度代码库研究

# 用户请求："分析这个项目的架构并给出优化建议"

# Claude 决策：使用 ccb-research
/ccb-research architecture "分析项目架构"

# 内部流程：
# 1. 启动 Explore Subagent → 探索代码库
# 2. 并行提交给 4 个 AI:
#    - Kimi: 中文总结
#    - Qwen: 数据结构分析
#    - Codex: 代码质量审查
#    - Gemini: 架构优化建议
# 3. Claude 整合结果生成报告

示例 2: 并行多 AI 对比

# 用户请求："如何优化 React 性能？我想听听多个 AI 的建议"

# Claude 决策：使用 ccb-parallel
/ccb-parallel -g @coding "如何优化 React 性能？"

# 内部流程：
# 1. 并行提交给 Qwen, DeepSeek, Codex
# 2. 等待 30 秒
# 3. 生成对比报告

示例 3: 自动化工作流

# 用户请求："自动审查所有新修改的 Python 文件"

# Claude 决策：使用 ccb-workflow
/ccb-workflow code-review \
  --files "git diff --name-only HEAD~1 '*.py'" \
  --reviewers "codex,kimi" \
  --output "review_$(date +%Y%m%d).md"

# 内部流程：
# 1. Bash Subagent 执行 git diff
# 2. 对每个文件提交 Codex 审查（异步）
# 3. Kimi 生成中文总结
# 4. 保存报告

---

错误处理

Gateway 未运行

# 自动检测并提示
✖ Gateway 未运行

启动命令:
  cd ~/.local/share/codex-dual && python3 -m lib.gateway.gateway_server --port 8765

Provider 超时

# 自动降级到更快的 Provider
⏱️  Codex 超时，自动切换到 DeepSeek

Subagent 失败

# 回退到直接 Gateway 调用
⚠️  Explore Subagent 失败，使用直接搜索模式

---

性能优化

1. 异步优先

# ✅ 推荐：异步非阻塞
ccb-submit kimi "问题"

# ❌ 不推荐：同步阻塞（仅快速任务）
ccb-cli kimi "问题"

2. 批量并行

# ✅ 推荐：一次性提交多个
/ccb-parallel -p "kimi,qwen,deepseek" "问题"

# ❌ 不推荐：串行等待
ccb-cli kimi "问题"
ccb-cli qwen "问题"
ccb-cli deepseek "问题"

3. Subagent 缓存

# Explore Subagent 的结果可以复用
# 避免重复探索相同的代码库

---

监控和统计

Web UI

访问 http://localhost:8765/web 查看：

• 实时请求监控
• Provider 状态
• 成本分析
• 记忆统计
• Subagent 任务列表

CLI 统计

# Gateway 统计
curl http://localhost:8765/api/stats

# 成本分析
curl http://localhost:8765/api/costs/summary

# 记忆统计
ccb-mem stats-v2

# Subagent 任务
/tasks list

---

最佳实践

1. 保持 Gateway 运行 - 确保 http://localhost:8765 可访问
2. 异步优先 - 除非是简单快速任务，否则使用异步模式
3. 合理选择子 skill - 根据任务类型选择最合适的子 skill
4. 利用 Subagent - 复杂任务交给 Subagent 处理
5. 并行处理 - 多个独立任务同时提交
6. 记忆管理 - 定期运行 ccb-mem consolidate
7. 监控性能 - 定期查看 Web UI 和成本报告

---

版本历史

v1.0 (2026-02-06)

• ✅ 统一 CCB + Subagent 架构
• ✅ 6 个子 skills 模块化设计
• ✅ 智能路由和自动选择
• ✅ 完整的错误处理和降级策略
• ✅ 统一配置文件
• ✅ Web UI 和监控

---

相关文档

• Gateway API: ~/.local/share/codex-dual/docs/GATEWAY_API.md
• 记忆系统: ~/.local/share/codex-dual/docs/MEMORY_V2.md
• Subagent 文档: Claude Code 官方文档
• 原有 skills:
  • ~/.claude/skills/ccb/SKILL.md - 基础 CCB
  • ~/.claude/skills/ask/SKILL.md - 简单调用
  • ~/.claude/skills/stem-modeling/SKILL.md - STEM 研究
  • ~/.claude/skills/macro-research-ccb/SKILL.md - 宏观研究

---

CCB Unified Version: v1.0 Last Updated: 2026-02-06 Architecture: Gateway API + Subagent Integration