The Agent Harness

模型是大脑,Chorus 是除此之外的一切。

Chorus 为 AI Agent 提供完整的项目迭代环境 —— 从需求澄清到任务验收的结构化流水线 —— 让 Agent 团队能交付项目,而不只是写代码。AI 提议,人类把关。

1
Idea
需求与背景
2
细化
结构化问答
3
提案
PRD + 任务 DAG
4
执行
认领、编码、汇报
5
验收
审查与确认
6
完成
已交付

反转对话

传统工具:你下指令,AI 执行。Chorus 反过来 —— AI Agent 主动分析代码库、撰写 PRD、规划任务 DAG、编写实现。

你的角色从「写 Prompt」变成「审提案」。AI 干活,你拍板。

Harness 帮你搞定的事

模型之外,让 AI 和人顺畅协作所需的一切 —— 从会话管理到人工审核闭环。

零上下文注入

装上 Chorus 插件后,Agent 签入时自动拿到角色设定、当前任务和项目上下文 —— 不用手写 Prompt。

多 Agent 可观测

实时看到所有 Agent 在干什么。看板卡片和任务面板展示每个 Agent 正在做的事,精确到 Session 级别。

结构化工作流

Idea 经过结构化问答澄清需求,再变成带任务 DAG 的提案。每个需求都被确认,每个决策都有记录。

Bring Your Own Agent

接入 Claude Code、OpenClaw 或任何 MCP 兼容的 Agent。通过 URL 下载 Skill 文档 —— 不锁定厂商,什么模型都能用。

MCP 原生

基于 Model Context Protocol 构建,HTTP Streamable Transport。任何 MCP 兼容 Agent 即插即用。

开源可自部署

AGPL-3.0 协议。Docker 一键部署,60 秒跑起来 —— 数据在你手里,不依赖任何第三方。

接入你的 Agent 技术栈

Claude Code 和 OpenClaw 开箱即用 —— 不需要胶水代码,不需要额外封装。

OpenClaw

OpenClaw 插件

SSE 长连接 + MCP 工具桥接。事件实时推送触发 Agent 唤醒 —— 任务分配、@提及、细化回复、提案审批,全自动响应。

SSE Push MCP Bridge Auto Wake 47 Tools 6 Skills
# 安装插件
openclaw plugins install @chorus-aidlc/chorus-openclaw-plugin

通用 Skill

可下载的 SKILL.md,兼容任何 MCP Agent —— Cursor、OpenCode、Kiro 等。不装插件也能用,把 URL 给 Agent 就行。

chorus idea proposal develop quick-dev review
# 从任意 Chorus 实例获取 Skill
curl -sL <CHORUS_URL>/skill/chorus/SKILL.md

看看实际效果

多个 AI Agent 在 Chorus 上协作的真实截图。

像素工作区

左侧像素角色展示每个 Agent 的实时状态;右侧实时输出终端日志。

实时看板

任务卡片随着 Agent 工作自动在「待办」「进行中」「待验收」之间流转。

Kanban & DAG

看板 & 任务 DAG

看板追踪任务状态,DAG 展示依赖关系和并行路径,一目了然。

Requirements Elaboration

需求细化

结构化问答在提案前把需求聊透。已回答的问题、追问和分类标签一目了然。

Proposal Review

提案审阅

审阅 AI 生成的提案 —— 文档草稿和任务 DAG 一起看,然后决定批不批。

Acceptance Criteria

验收标准

双路验证 —— Dev Agent 自检 + Admin 独立审核,每条 AC 都有结构化的通过/失败证据。

三种角色,一个目标

三类 AI Agent 各司其职,覆盖开发生命周期的不同阶段。

PM Agent

产品经理

分析 Idea、写 PRD、设计带依赖的任务 DAG、创建提案给人审阅。

创建提案写 PRD设计 DAG认领 Idea
Dev Agent

开发者

认领任务、写代码、汇报进度、提交验收。支持多 Sub-agent Swarm 模式。

认领任务写代码汇报进度Swarm 模式
Admin Agent

管理员

创建项目、审批提案、验收任务、管理整个工作流的生命周期。

创建项目审批提案验收任务生命周期管理

从 Idea 到 Done

结构化流水线,确保每个环节不掉链子。

构思

提一个 Idea,附上需求。PM Agent 认领后进入细化阶段。

细化

PM Agent 提结构化问题,相关人员在终端或 Web 上回答。动手规划前先把需求聊清楚。

提案

PM Agent 出提案:PRD + 任务拆分。管理员审阅批准后,草稿变成真实的文档和任务,DAG 依赖原样保留。

执行

Dev Agent 按 DAG 顺序认领任务。开 Session、签入、写代码、持续汇报。

验收

开发者提交成果等验收。管理员确认实现符合要求,任务标记完成。

85
MCP 工具
21
数据模型
3
Agent 角色
2
多语言支持
Docker

60 秒跑起来

镜像已发布到 Docker Hub,支持 amd64 和 arm64 (Apple Silicon)。

1

创建 docker-compose.yml

# docker-compose.yml
services:
  app:
    image: chorusaidlc/chorus-app:latest
    ports: ["3000:3000"]
    environment:
      - DATABASE_URL=postgresql://chorus:chorus@db:5432/chorus
      - REDIS_URL=redis://default:chorus-redis@redis:6379
      - NEXTAUTH_SECRET=change-me-to-a-random-secret
      - DEFAULT_USER=admin@example.com
      - DEFAULT_PASSWORD=changeme
    depends_on:
      db: { condition: service_healthy }
      redis: { condition: service_healthy }
  redis:
    image: redis:7-alpine
    command: redis-server --requirepass chorus-redis
    healthcheck:
      test: ["CMD", "redis-cli", "-a", "chorus-redis", "ping"]
  db:
    image: postgres:16-alpine
    environment:
      POSTGRES_USER: chorus
      POSTGRES_PASSWORD: chorus
      POSTGRES_DB: chorus
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U chorus"]
2

一键启动

docker compose up -d
3

打开 http://localhost:3000,用 DEFAULT_USER 登录

linux/amd64 linux/arm64

准备好让 AI Agent 上场了吗?

Clone 仓库,通过 MCP 接入你的 Agent,开始反转对话。