HangYu8123/HarnessFlow

HarnessFlow – 携帯可能なAIコーディングワークフローパック

何であるか – Claude Code、Codex CLI、またはGitHub Copilotを、複数ステップで自己レビュー可能なコーディングアシスタントに変える、すぐにコピーできるMarkdownファイルのコレクションです。このリポジトリ自体には実行可能なコードは含まれません。代わりに、ターゲットAIツールがリポジトリから読み取る 指示テンプレート、エージェント定義、および ワークフローファイル を提供しています。

主なアイデア

リクエスト駆動 – request_template/ から埋められたテンプレート（例：code_request_template.md）を貼り付けるまで、何の処理も実行されません。
並列分析 – 3つのサブエージェント（Focus、Broad、Free）がコードベースを読み取り、その後「シニアエンジニア」が計画を統合します。
自己挑戦 – コードが書かれる前に、計画をストレステストする「悪魔の弁護士」ステップがあります。
QAと承認 – QAエンジニアが変更内容を検証でき、承認ゲートを追加することも可能です。
永続的なリポジトリメモリ – 結果は repo_info/ に保存され、後続のリクエストは再計算ではなく、コンテキストから開始できます。
3つのワークフローモード – general（徹底的）、fast（トークン効率的）、skill（コミュニティ検証済みスキルを使用）。

対応プラットフォーム

プラットフォーム	セットアップスクリプトが作成するエントリポイント
Claude Code CLI	リポジトリルートの `CLAUDE.md`
Codex CLI / VS Code での Codex	リポジトリルートの `AGENTS.md`
VS Code + GitHub Copilot	`.github/copilot-instructions.md`
その他のLLMベースのアシスタント（例：Aider）	ワークフローファイルへの手動参照

インストール方法

リポジトリをどこかにクローンし、その内容を対象リポジトリの .github/HarnessFlow/ にコピーします（READMEには repo_info/ やベンチマークアーティファクトなどの内部ファイルを除外する rsync コマンドが記載されています）。
適切なセットアップスクリプトを実行します：
```
# ClaudeまたはCodex CLI用
bash .github/HarnessFlow/cli_setup.sh

# VS Code + Copilot用
bash .github/HarnessFlow/setup.sh
```
スクリプトはルーターファイル（CLAUDE.md、AGENTS.md、.github/copilot-instructions.md）を生成し、空の repo_info/ ファイルを作成します。

使い始め

リポジトリメモリの初期化 – request_template/initialize_request_template.md をコピーし、プレースホルダを埋め、AIアシスタントに貼り付けます。これにより repo_info/ にコードベースの概要が格納されます。
タスクの提出 – 適切なテンプレート（例：code_request_template.md、debug_request_template.md、pr_request_template.md）を選択し、タスクの説明を編集して、ファイル全体を貼り付けます。mode: ヘッダーでワークフローファミリー（fast がデフォルト）を選択できます（必要に応じて general や skill に切り替え可能）。

実行可能なリクエスト – 9種類のリクエストタイプ、それぞれに独自のワークフローファイルがあります：

新しい機能の実装
既存コードのリファクタリング
エラーのデバッグ
質問への回答 / ドキュメント生成
正しさのチェック / テスト実行
スクリプトやコマンドの実行と結果の検証
大きな変更をスタックされたPRに分割
リポジトリメモリのブートストラップまたは再初期化
条件が満たされるまでタスクをループ実行

ベンチマーク（リポジトリで報告されたもの）

Ponytailベンチマーク（5タスクのコード生成スイート） – HarnessFlow-Fastは、裸のモデルと比較して生成コード行数を34–76％削減しながら、100％の正しさを維持（45/45成功）。fastworkflowベースラインより優れており、コード量が1.6–3.4倍多く、正しさも低いです。
Fast vs. General – 1,000行のOpenCV+scikit-learnプロジェクトとSWE-benchのバグ修正において、fastワークフローはgeneralと同等の成功結果を達成しながら、トークン予算の39–50％しか使用せず、最もコンパクトなコード（860行 vs. 1,173行）を生成しました。
詳細なログと手法は experiment/、experiment_swe/、experiment_ponytail/ に保存されています（ソースリポジトリではgit無視）。

リポジトリ構造（概要）

.github/HarnessFlow/
├─ AGENTS.md / CLAUDE.md          # 生成されたルーター
├─ copilot-instructions.md        # VS Code Copilotルーター
├─ cli_setup.sh / setup.sh       # インストールスクリプト
├─ sync_agent_definitions.py     # ネイティブエージェントファイルの再生成
├─ _lib/                         # 共有契約、セーフティルール、ユーティリティ
├─ philosophy/                   # エージェントの行動ガイド
├─ workflow/                     # 3つのファミリー：general、fast、skill
├─ agents/                       # エージェント定義のソース（MD/TOML）
├─ request_template/             # ユーザー向けテンプレート
├─ skills/                       # コミュニティ投票によるスキル定義（skillモードで使用）
└─ repo_info/                    # 生成されたメモリファイル（git無視）

なぜ重要か – 指示ロジックを単純なMarkdownに外部化することで、リポジトリローカルの指示ファイルを読み取れるAIコーディングアシスタントであれば、HarnessFlowはすべてのツールと互換性があります。別途ランタイムやパッケージのインストールを必要とせず、計画 → 自己挑戦 → QA → メモリの繰り返し可能な、検証可能なパイプラインを提供します。

上記のすべての情報はリポジトリのREADMEから直接取得したものであり、追加機能は推測されていません。

HangYu8123/HarnessFlow

HarnessFlow – 携帯可能なAIコーディングワークフロー パック

関連

HarnessFlow – 携帯可能なAIコーディングワークフローパック