惊呆了！CC Workflow Studio让AI工作流开发变得如此简单

思考

最近一直在研究如何让AI自动化处理一些重复性的开发任务，比如代码审查、文档生成、测试用例编写这些。虽然Claude Code本身已经很好用了，但是每次都要重复输入一长串的指令，真的很麻烦。有没有办法把这些操作流程固化下来，像搭积木一样自由组合呢？直到我发现了CC Workflow Studio，简直是给我干惊呆了！
在使用claude的时候，我们经常能够看到claude给我的列出的todos，而cc workflow就能够帮我们自定义todos，按照我们约定的流程去执行。

效果演示

废话不多说，直接上图，这是我刚刚用CC Workflow Studio创建的一个代码审查工作流，自动分析代码问题、分类严重程度、生成详细报告，全程自动化，就问高不高级，快不快！

最后生成的代码审查报告是这样的，包含18个问题的详细分析，有严重程度分类、修复方案、验收标准

学习提要

本篇文章分享CC Workflow Studio的使用方法和实战案例，看完本篇文章，将学会以下操作技能（我也是自己边学习边写，如果有帮助的话希望动动发财的小手点个关注和收藏）

• CC Workflow Studio的安装和配置
• 工作流节点的类型和使用方法
• 如何创建一个完整的AI工作流
• MCP工具在工作流中的应用
• Sub-Agent的调用和参数传递
• 条件分支和用户交互的实现

CC Workflow Studio是Claude Code的官方扩展，需要先安装Claude Code。

安装Claude Code

这一步就不详细赘述了，官网本来就有详细的操作步骤，命令行执行下面的脚本即可

npm install -g @anthropic-ai/claude-code

安装完成后执行 claude --version 验证是否安装成功。

CC Workflow Studio简介

CC Workflow Studio是一个可视化的AI工作流编辑器，让我这种程序员不用写代码就能搭建复杂的AI自动化流程。它支持：

• 多种节点类型：MCP工具调用、Sub-Agent执行、条件分支、用户交互
• 可视化编排：拖拽式设计，流程一目了然
• 实时调试：边设计边测试，立即看到效果
• 工作流复用：保存后可以反复使用，大大提升效率

直接在trae或者vscode搜索就能够找到：

工作流节点类型详解

CC Workflow Studio提供了几种核心节点类型，每种都有特定的用途。

1. MCP工具节点

这个节点用于调用MCP（Model Context Protocol）服务的工具。我这次就用到了GitHub相关的MCP工具来获取代码仓库信息。
配置参数：

• mode：选择AI自动模式还是手动指定工具
• serverId：MCP服务器ID
• userIntent：用自然语言描述任务意图使用场景：需要调用外部服务时，比如GitHub、数据库、文件系统等。

执行一个子Agent，可以独立处理复杂的子任务。我设置了两个不同的代码审查Agent，一个处理严重问题，一个处理一般问题。
配置参数：

• subagent_type：Agent类型
• prompt：执行任务的具体指令使用场景：将复杂任务拆分成多个子任务并行处理。

根据前面的执行结果自动选择不同的执行路径。我的工作流中就根据代码审查的严重程度，自动路由到不同的处理Agent。
配置参数：

• conditions：分支条件表达式
• defaultBranch：默认分支使用场景：需要根据不同情况执行不同逻辑的时候。

执行一段提示词，通常用于数据处理和总结。我用它来把收集到的告警信息总结成文本。
配置参数：

• prompt：提示词内容使用场景：数据转换、格式化、总结等。

向用户提问，根据用户的回答来决定后续流程。我用它来让用户确认是否生成报告。
配置参数：

• question：问题内容
• options：选项列表
• multiSelect：是否多选使用场景：需要用户输入或确认的时候。

让我来详细介绍一下我是如何搭建这个代码审查工作流的。这个工作流的功能是：自动审查代码、分类问题严重程度、生成详细报告。

第一步：获取代码信息

首先需要获取GitHub上的代码信息，我用的是MCP工具节点。

这样配置后，系统会自动选择合适的GitHub工具来执行任务。

第二步：执行代码审查

使用Sub-Agent节点来执行代码审查任务。

这个Agent会深入分析代码，找出各种潜在问题。

第三步：条件分支路由

根据审查结果的严重程度，自动路由到不同的处理Agent。严重问题的Agent会进行更深入的分析，提供详细的修复方案。
这里的步骤和coze空间、dify类似，就不再详细赘述了。

第四步：信息汇总

使用Prompt节点将所有问题信息汇总成结构化文本。

第五步：用户确认

最后询问用户是否生成正式报告。

如果对这些工具不熟悉，直接使用ai对话生成工作流

工作流执行效果

来看看实际执行的效果，真的是太棒了！

整个工作流从开始到结束，全程自动化：

1. 自动查询GitHub代码信息
2. 执行代码审查，发现18个问题
3. 根据严重程度自动分类（6个严重、12个一般）
4. 调用不同的Agent进行深度分析
5. 生成详细的修复方案和验收标准
6. 输出完整的Markdown报告生成的报告包含：

• 问题统计和分布图表
• 每个问题的详细描述（CWE分类、CVSS评分）
• 具体的代码修复示例
• 优先级行动计划
• 测试验证步骤
• 参考资料链接就问好不好看，专业不专业！

每次要代码审查，都要手动输入一长串指令：

请帮我审查代码，找出安全问题，提供修复方案，生成报告...

而且每次都要重复这些操作，真的很麻烦。

使用CC Workflow Studio

保存工作流后，只需要输入一个命令 /my-workflow，就能自动执行整个流程，是不是很方便？
更重要的是：工作流可以分享给团队成员使用，大家都能享受到自动化的便利，开发效率直接翻倍！

工作流设计技巧

分享几个我在设计工作流时学到的技巧。

1. 任务拆分原则

把复杂任务拆分成多个小任务，每个节点只做一件事。比如我的代码审查工作流就拆成了：

• 信息获取
• 代码审查
• 问题分类
• 深度分析
• 报告生成这样设计的好处是每个节点都可以独立测试和优化。

不要试图在一个流程里处理所有情况，合理使用条件分支可以让工作流更清晰。我的工作流就是根据问题严重程度分成两条路径，严重问题走深度分析，一般问题走快速处理。

3. 善用用户交互

不是所有事情都要自动化，适当的时候让用户做决策。比如最后让用户确认是否生成报告，这样用户有更多控制权。

4. Sub-Agent的妙用

Sub-Agent是工作流中最强大的节点之一，可以把复杂任务交给专门的Agent处理。我设置了不同的代码审查Agent，每个Agent专注于特定类型的问题，分析更加深入。

踩过的坑 1. 节点连接问题

刚开始的时候节点总是连接不上，后来发现是因为节点ID不对。
解决方法：每个节点都有唯一的ID，连接的时候要用正确的ID，不能随便填。

2. 参数传递问题

Agent之间传递参数的时候总是报错。
解决方法：参数名要严格匹配，大小写都不能错。建议用代码编辑器写好JSON再粘贴进来。

3. MCP工具调用失败

GitHub MCP工具总是调用不成功。
解决方法：需要先配置好GitHub的认证信息，确保有访问权限。

扩展应用

既然可以搭建代码审查工作流，那么其他场景同样可以应用：

• 文档生成：自动从代码生成API文档
• 测试用例：根据代码自动生成测试用例
• 代码重构：分析代码并给出重构建议
• 性能优化：找出性能瓶颈并提供优化方案
• 安全扫描：扫描代码中的安全漏洞想想就很兴奋，以后开发效率要提升多少倍啊！

CC Workflow Studio真的是一个很强大的工具，让AI工作流开发变得像搭积木一样简单。以前需要写很多代码才能实现的功能，现在通过可视化界面拖拖拽拽就搞定了，是不是很逆天？
特别是对于重复性的任务，搭建一次工作流，之后就能无限复用，省下来的时间可以摸鱼...哦不，可以学习更多新东西！

我的想法

以前总觉得AI自动化离我很远，需要专业的算法工程师才能搞。现在有了CC Workflow Studio这样的工具，普通程序员也能快速搭建自己的AI工作流了。
我觉得未来这种低代码/无代码的AI开发工具会越来越多，开发者的重点将从"怎么实现"转向"设计什么"。也就是说，更重要的是想清楚要解决什么问题，至于怎么实现，交给AI工具就好了。
不过话说回来，工具再强大也只是工具，还是需要我们开发者有清晰的思路和设计能力。就像我这次设计代码审查工作流，如果不懂代码审查的要点，也是设计不出好的工作流的。

大伙怎么看

如果这篇文章对你有帮助，记得点个关注和收藏，后续我会分享更多AI开发工具的使用心得。