2025年初的 Anthropic × Cerebral Valley 黑客松上，一个名叫 Affaan Mustafa 的开发者带着一个项目参赛——它拿下了冠军，然后开源。
一年后，这个项目的 GitHub Star 数突破了 14万，Fork 超过 2.1 万，贡献者超过 170 人，覆盖 12 种语言生态。更重要的是，它不再只是 Claude Code 的配置包——它正在定义 AI 编程助手的新范式。
它叫 Everything Claude Code（简称 ECC）。
GitHub：https://github.com/affaan-m/everything-claude-code
不只是配置，是一套系统
很多人第一眼把 ECC 理解为"Claude Code 的增强配置包"。这个理解不算错，但低估了它的野心。
ECC 的官方定位是：AI Agent Harness 性能优化系统。
换句话说，它解决的问题不是"怎么让 Claude Code 更好用"，而是：当你用 AI 编程助手来构建真实产品时，会遇到哪些系统性问题，以及如何用工程手段系统性地解决这些问题。
这些问题包括但不限于：
- Token 消耗太快，上下文动不动就爆了
- AI 没有记忆，每次对话都是从零开始
- 多 Agent 协作时，上下文相互覆盖、任务失控
- 生成的代码质量不稳定，缺乏验证机制
- 不同语言、不同框架的代码规范难以统一
ECC 对每个问题都给出了具体的工具和机制。
核心模块解析
38 个 Agents：专项任务专家
ECC 内置了 38 个专项 Agent，覆盖多种语言和任务类型：
- 代码审查类：typescript-reviewer、java-reviewer、python-reviewer、kotlin-reviewer
- 构建解决类：java-build-resolver、kotlin-build-resolver、python-build-resolver、typescript-build-resolver
- 运维操作类：brand-voice、social-graph-ranker、connections-optimizer、customer-billing-ops、google-workspace-ops
- 视频与媒体：manim-video（技术视频生成）、remotion-video-creation
- 前端工具：nextjs-turbopack、bun-runtime
每个 Agent 都有明确的职责边界，经过真实项目的反复验证。
156 个 Skills：从写作到深度学习全覆盖
Skills 是 ECC 的核心能力单元。每个 Skill 是一个可复用的工作流组件，在不同项目中可以反复调用。
代表性 Skills：
- pytorch-patterns：深度学习专项工作流，覆盖模型构建、训练调参、推理部署
- documentation-lookup：API 文档研究工具，在写代码时自动查阅参考文档
- content-hash-cache-pattern：成本感知的 LLM 调用流水线，避免重复 API 请求
- article-writing / market-research / investor-materials：内容创作和商业分析 Skills
- mcp-server-patterns：MCP 协议集成指南
这些 Skills 并不是简单的提示词模板，而是包含执行逻辑、错误处理、验证环节的完整工作流。
记忆系统：让 AI 学会"记住"
这是 ECC 最受欢迎的功能之一——持久化记忆。
默认情况下，每次启动 Claude Code，AI 对话都是全新的。但 ECC 通过 Hook 机制实现了上下文持久化：
- SessionStart Hook：每次会话开始时，自动加载历史关键信息
- SessionStop Hook：每次会话结束时，自动保存重要上下文到文件
- 持续学习：从每次会话中自动提取模式，转化为可复用的 Skills
简单来说：ECC 让 AI 编程助手学会了"记笔记"，而不是每次都从零摸索。
Token 优化：省钱的学问
ECC 内置了一套 Token 优化策略，包括：
- 模型路由（NanoClaw v2）：根据任务类型自动选择性价比最高的模型
- 系统提示词精简：在保证效果的前提下压缩 prompt 体积
- 背景进程管理：避免不必要的长上下文占用 Token 预算
配合 DeepSeek、GLM、MiniMax 等国产模型的免费 Token 额度，这套优化策略可以让个人开发者几乎不花钱地跑完整的 AI 开发工作流。
验证循环：代码质量有保障
ECC 引入了完整的验证机制：
- Checkpoint 评估：在关键节点设置检查点，避免错误累积
- pass@k 指标：批量生成多个结果，按通过率评估提示词质量
- AgentShield 集成：内置安全扫描，1282 条安全规则，覆盖 102 类风险
多 Agent 编排：上下文问题的解法
当一个项目需要多个 AI Agent 协作时，最大的问题是上下文相互覆盖——Agent A 的工作被 Agent B 覆盖，协作链条断裂。
ECC 的解法是：
- 子 Agent 隔离：每个 Agent 在独立上下文中运行
- 迭代检索模式（Iterative Retrieval）：主 Agent 协调调度，结果汇总写入共享存储
- 5 层守卫机制：防止观察者循环（observer loop）导致的无限递归
实用功能一览
Dashboard GUI
ECC 内置了 Tkinter 桌面应用形式的图形控制台，支持：
- 深色/浅色主题切换
- 字体自定义
- 项目 Logo 展示
- 所有 Agent 和 Skill 的可视化状态监控
启动方式：python ecc_dashboard.py 或 npm run dashboard
安全扫描
集成 AgentShield，一行命令完成代码安全审查：
/security-scan
覆盖 XSS、SQL 注入、路径遍历、敏感信息泄露等常见风险，共 102 条规则、1282 个测试用例。
新 Harness 支持
ECC 已经不只是 Claude Code 的工具包了，它同时支持：
- Claude Code（官方 CLI 编程助手）
- OpenAI Codex（CLI + App）
- Cursor
- OpenCode
- Gemini（Google AI 编程助手）
这意味着同一套 ECC 配置可以在多个 AI 编程工具之间无缝切换。
ECC 2.0 Alpha：Rust 重写的新版本
ECC 2.0 正在开发中，用 Rust 重写了核心控制层（ecc2/），目前已在仓库中可用。Alpha 版本支持命令：
dashboard：启动图形界面start / stop / resume：会话管理sessions：查看历史会话status：当前运行状态daemon：守护进程模式
虽然还是 Alpha，但 Rust 重写意味着未来版本的性能和可靠性会有质的提升。
安装和使用
最简单的方式：选择性安装
ECC 提供了细粒度的安装架构，可以只安装需要的组件：
# 克隆仓库
git clone https://github.com/affaan-m/everything-claude-code.git
cd everything-claude-code
# 选择性安装（比如只安装 agents 和 skills）
node install-apply.js --agents --skills
npm 包方式
npm install -g ecc-universal
npx ecc-setup
Claude Desktop 集成（MCP）
通过 MCP 协议接入 Claude Desktop：
- 找到 Claude Desktop 配置目录（macOS：~/Library/Application Support/Claude/services）
- 编辑或创建
services.json - 添加 ECC MCP 服务器地址
Claude Code 直接使用
对于已安装 Claude Code 的用户，可以直接引用 ECC 的 Agents、Skills 和 Hooks 来增强本地 Claude Code 的能力。
数字说话
| 指标 | 数据 |
|---|---|
| GitHub Stars | 14万+ |
| Forks | 2.1万+ |
| 贡献者 | 170+ |
| Agents | 38个 |
| Skills | 156个 |
| 遗留命令兼容 | 72个 |
| 编程语言覆盖 | 10+ |
| 语言生态 | 12种 |
| 内部测试 | 997条 |
| 安全规则 | 102条 |
| AgentShield 测试 | 1282条 |
为什么它值得关注
ECC 的爆火背后有一个更深层的趋势：AI 编程竞争正在从"模型能力"转向"工程体系"。
当 GPT-4 和 Claude 3.5 的编程能力差距越来越小时，决定开发效率的不再是谁用的模型更强，而是谁能更好地组织 AI 的工作方式——怎么记忆、怎么协作、怎么验证、怎么持续学习。
ECC 解决的就是这个问题。它不是让 AI 变得更强，而是让 AI 在团队作战中不失控、不重复、不浪费。
这就是 14 万颗星背后的真正逻辑。
GitHub 地址：https://github.com/affaan-m/everything-claude-code