一位开发者分享了基于 “agent-designer” 开源框架的 AI 编程实践经验，成功实现了 Codex、Claude Code 和 Gemini 三大模型的跨 Agent 协作。针对传统 Prompt 工程中 Token 消耗大且上下文易丢失的痛点，该项目创新性地采用了 “Issues Driven Development”（IDD）工作流。该模式利用紧凑的 CSV 文件替代多文档管理，不仅大幅降低了 Token 成本，还通过 `.codex/skills/plan/scripts/validate_issues_csv.py` 实现了格式的快速验证。
技术架构上，项目并未依赖单一模型，而是通过 MCP 协议和自定义 SKILLs 脚本组建流水线。例如，通过 `mcp-tools-catalog` 解决 Codex 调用工具积极性不高的问题，利用 `agents-bootstrap` 注入项目框架，并利用 SQLite 技术防止长对话中的上下文溢出。测试显示，该框架能稳定支持长周期任务，如 Review Paper 撰写与 Web3 开发，甚至能在 Android Termux 环境下运行。这为开发者提供了一套可复制的 “Agent 编排” 范式，使 AI 能够像熟练工程师一样进行工单规划、代码编写与测试。
事件分析
该技术实践标志着 AI 编程工具从简单的对话交互向结构化工程管理的演进。传统的 AI 辅助编程往往受限于线性对话和上下文窗口，导致长周期项目容易丢失细节。该项目通过引入结构化数据（CSV 工单）和桥接脚本，实质上是构建了一个轻量级的 “Agent 操作系统” 内核，让 AI 能够像人类项目经理一样理解任务优先级和状态流转。
从产业角度看，这种利用 MCP 协议和自定义 SKILLs 组合不同模型能力（Claude 的规划、Gemini 的多模态、Codex 的执行）的策略，暗示了未来开发工具的趋势：不再是单一模型的竞争，而是工作流编排能力的竞争。Issues-Driven Development 的引入，为解决 Agent 幻觉与执行一致性问题提供了实用的工程范式。
从产业角度看，这种利用 MCP 协议和自定义 SKILLs 组合不同模型能力（Claude 的规划、Gemini 的多模态、Codex 的执行）的策略，暗示了未来开发工具的趋势：不再是单一模型的竞争，而是工作流编排能力的竞争。Issues-Driven Development 的引入，为解决 Agent 幻觉与执行一致性问题提供了实用的工程范式。
💡 核心观点：Issues-Driven Development 模式通过引入结构化数据，有效弥补了 AI Agent 在长周期项目中的记忆与一致性缺陷。
原文链接：Linux.do
AI周刊：大模型、智能体与产业动态追踪
程序员数学扫盲课
冲浪推荐：AI工具与技术精选导航
Claude Code 全体系指南：AI 编程智能体实战