pullboard - 让多个编码智能体按规格协作的协调队列
pullboard 是一个面向长期软件构建的智能体协调队列:把需求写进 SPEC.md,让多个智能体在各自的工作树里认领任务、构建、互相验证,人类只做审批与判断。项目由 pullboard-dev 维护,MIT 许可,最新版本 v0.9.1。
pullboard 是一个面向长期软件构建的智能体协调队列。按项目自述的说法,它要解决的是「智能体擅长完成任务,却不擅长推进项目」这个问题:每开一个新会话,之前定下的决策就丢了,人于是变成了智能体之间的粘合剂。pullboard 的做法是把计划、规则、任务和验证记录都放进 git 仓库,让多个智能体围绕同一份规格分工协作,而人只负责那些只有人能做的判断。它适合已经在用编码智能体做真实项目、但被反复重述上下文和人工串联拖慢节奏的开发者与小团队。
维护者与状态
项目由 pullboard-dev 维护,仓库创建于 2026-10-07,最后提交时间为 2026-10-21。最新正式版本为 v0.9.1,发布于 2026-10-19。截至 2026-10-21,仓库星标数为 246。项目另有一个官网,用于介绍其方法论与使用方式。
主要能力
以下能力均据项目 README 自述整理,未经独立验证。
- 规格即合同:需求以一行一条的形式写在
SPEC.md中,每条带 id、状态(如 approved / draft)、优先级和对应的验证门槛(gate)。只有被批准的条目才算数,智能体认领任务时该条目的验收标准会被冻结。 - 规则文件 Doctrine:
DOCTORINE.md(README 中写作DOCTRINE.md)存放仓库的开发规则,每条规则配有执行者,从 git hook 到人工评审不等;项目自带一套标准规则,可以追加、覆盖或拒绝其中任何部分。 - 独立工作道(Lanes):每个智能体在自己的 git worktree 中工作,任务认领是原子的,条目之间可以设置依赖等待,避免多个智能体互相踩踏。
- 提交需通过验证:提交前必须通过门槛检查,随后由另一个智能体针对该确切 commit 进行复核,通过才接受,否则带理由驳回。
- Shouts 沟通机制:智能体之间通过 Shouts 提问与引用条目、代码,协调者能自行处理的就处理,只有需要人拍板的决策才上报。
- Activity 记录:每一次认领、提交、驳回和接受都按顺序留痕,README 称「没有任何事情发生在记录之外」。
- 看板 Pullboard View:运行
pullboard view可在单页查看本机所有项目,包括需要人处理的决策、时间线与可执行操作;提供本地 API v1 供自写脚本调用,view --export可导出静态可回放快照。 - 蓝图(Blueprints):据 README,0.8.29 版本引入,内置十种项目类型的规格规则与起始条目,覆盖 Web 应用、库、iOS 应用、数据管道等,可用
npx pullboard init --blueprint web-app从蓝图建板,也可用pullboard blueprint save把已批准的规则存成蓝图。
使用入口
仓库地址:pullboard-dev/pullboard;官网:pullboard.dev。
据项目说明,运行需要 git 与 Node 22.13 或更新版本。全局安装并跑一遍演示:
npm i -g pullboard pullboard tour
在空仓库或已有 git 仓库中初始化,会写入规格、规则与智能体指令,并安装 hooks 与看板:
pullboard init git add -A && git commit -m "chore(repo): set up pullboard"
README 也给出了手动流程:先在 SPEC.md 写规格,在 pullboard.json 配置门槛与工作道,然后用 pullboard add 建条目,用 pullboard worktree 开工作道,用 pullboard next 认领、pullboard submit 提交、pullboard verify 复核。另有 pullboard resume 在重启后把智能体带回原任务,pullboard run 允许较轻量的模型无人值守地构建简单条目。
许可与限制
项目采用 MIT 许可证。据 README,运行环境要求 git 与 Node 22.13 及以上;项目强调「住在你的 git 仓库里、无需账号、无依赖、从不调用模型」,模型由使用者自己的智能体提供,README 建议把 PULLBOARD_MODEL 设为实际使用的模型。README 还提到,项目自身用这套流程开发,近三分之一的条目会被退回,说明驳回与返工是流程的常态而非异常。需要留意的是,上述能力描述、版本特性与工作流细节均来自项目自述,实际效果需结合自身仓库与智能体配置评估。