methodology-v2

Multi-Agent Collaboration Development Methodology v5.21

---

📊 版本歷史

版本	日期	說明
v5.21	2026-03-23	Constitution 憲章系統 + 標準化專案模板 + Markdown Checklists + 新手上路/客製化/工作流程文檔
v5.22	2026-03-23	實務驗證：PolyTrade 專案完整開發記錄 (雙版本對比)、DEVELOPMENT_LOG.md、METHODOLOGY_USAGE.md
v5.23	2026-03-23	Anti-Shortcut Framework (6 模組)
v5.25	2026-03-23	TDAD Methodology (Mutation Testing, Hidden Tests, Impact Analysis)
v5.26	2026-03-23	AI Quality Gate + TDD + Multi-Agent + Security Scanner (突破 9.0)

---

v5.26 新模組 (突破 9.0)

模組	功能	Quality Gate
ai_quality_gate	AI Code Review	score >= 90
tdd_runner	自動化測試生成	coverage >= 80%
multi_agent_team	4 Agent 協作	4 steps completed
security_scanner	安全掃描	score >= 95

使用方法

# AI Quality Gate
from ai_quality_gate import AIQualityGate
gate = AIQualityGate()
result = gate.scan_directory('src')

# TDD Runner
from tdd_runner import TDDRunner
tdd = TDDRunner()
tdd.generate_test_cases('src')

# Multi-Agent Team
from multi_agent_team import MultiAgentTeam
team = MultiAgentTeam()
team.run_workflow('src')

# Security Scanner
from security_scanner import SecurityScanner
scanner = SecurityScanner()
scanner.scan_directory('src')

---

實務驗證案例 (v5.22)

PolyTrade 套利系統

項目	結果
開發日期	2026-03-23
開發時間	50 分鐘
程式碼行數	754 (新版) vs 2045 (舊版)
測試用例	7 個
通過率	100%

兩種開發方式對比

維度	舊版 (快速)	新版 (methodology-v2)
開發時間	30 min	50 min
文件量	4 頁	20+ 頁
狀態機	❌	✅ 4 states
回滾機制	❌	✅
單元測試	❌	✅
可維護性	低	高

methodology-v2 使用情況

模組	狀態
雙 Agent 協作	❌ 未使用
Agent Quality Guard	❌ 未使用
Reflection	❌ 未使用
錯誤分類 L1-L6	⚠️ 規格有，未實作
測試框架	✅ 使用
驗證 Gate	✅ 使用
Heartbeat	⚠️ 規格有

完整度：44%

Lessons Learned

1. 需要主動提議雙 Agent：不是用戶要求的時候就該開
2. 記錄開發日誌：每次開發都要有 timestamp
3. 使用 Agent Quality Guard：品質把關不可或缺
4. 小型專案也該有基礎文件：即使不完整也要有

產出文件

• DEVELOPMENT_LOG.md - 完整時間線
• METHODOLOGY_USAGE.md - 模組對照表
• METHODOLOGY_COMPARISON.md - 詳細對比報告
• 05-verify/VERIFICATION_REPORT.md - 驗證報告
  | v5.20 | 2026-03-22 | Fault Tolerance 強化：四層架構 (Retry→Fallback→Classification→Checkpoint)、Framework 對照表、上手指南 |
  | v5.19 | 2026-03-22 | Human Intervention 人類介入界面（狀態儀表板、介入請求、批准流程） |
  | v5.18 | 2026-03-22 | Recovery Controller 災難恢復控制中心 |
  | v5.17 | 2026-03-22 | State Persistence 狀態持久化系統（支援 SQLite/Redis/檔案系統） + Checkpoint Manager |
  | v5.16 | 2026-03-22 | Knowledge Sync 知識同步系統（對標 Agno 知識庫） |
  | v5.15 | 2026-03-22 | Workflow Graph 工作流圖結構視覺化（對標 LangGraph） |
  | v5.14 | 2026-03-22 | Async Executor 非同步執行器 |
  | v5.13 | 2026-03-22 | ASPICE 實踐：traceability_matrix, verification_gate, work_product |
  | v5.12 | 2026-03-22 | 正確性保障：Timeout、A/B雙重驗證、Kickoff檢查；錯誤處理：HITL機制、L1-L6分類、斷點設計；P2P協作 |
  | v5.12 | 2026-03-22 | 正確性保障：Timeout、A/B雙重驗證、Kickoff檢查；錯誤處理：HITL機制、L1-L6分類、斷點設計；P2P協作 |
  | v5.11 | 2026-03-22 | HITL (Human-in-the-Loop) 系統 |
  | v5.10 | 2026-03-22 | Unified Config 統一配置 |
  | v5.9 | 2026-03-22 | Hybrid A/B Workflow 混合分流工作流 |
  | v5.8 | 2026-03-20 | CrewAI 整合 |
  | v5.6 | 2026-03-21 | Three-Phase Executor, Fault Tolerant, Smart Orchestrator |
  | v5.4 | 2026-03-20 | 初始版本 |

---

概述

這是一個標準化的多 Agent 協作開發方法論，定義了錯誤分類、開發流程、協作模式、品質把關和監控警報。

整合了三個核心 Skill：

• ai-agent-toolkit：工具集
• multi-agent-toolkit：協作框架
• methodology-v2：方法論核心

---

核心原則

• 錯誤分類：L1-L6 六級分類（含 HITL）
• 開發流程：6 階段標準化
• 協作模式：Sequential / Parallel / Hierarchical / P2P
• 品質把關：Agent Quality Guard + Quality Gate
• 監控警報：健康評分 + 三級警報
• 工具整合：Model Router、Quality Guard、Monitor
• 正確性保障：Timeout、A/B雙重驗證、Kickoff檢查
• 企業級支援：ASPICE、Contract Testing、Traceability

---

使用方式

錯誤分類

from methodology import ErrorClassifier

classifier = ErrorClassifier()

# 分類錯誤
level = classifier.classify(error)
# 返回: L1, L2, L3, 或 L4

任務生命週期

from methodology import TaskLifecycle

lifecycle = TaskLifecycle()

# 執行任務
result = lifecycle.execute(task)
# 經過: 需求 → 規劃 → 執行 → 協調 → 品質 → 完成

Agent 協作

from methodology import Crew, Agent

crew = Crew(
    agents=[dev, reviewer, qa],
    process="sequential"  # 或 "parallel", "hierarchical"
)

result = crew.kickoff()

🚀 快速啟動 (Quick Start)

對標 CrewAI 的 minimal boilerplate，5 行啟動 Agent，3 行建立團隊：

from quick_start import create_agent, create_team, quick_start

# Level 1: 5 行啟動一個 Agent
agent = create_agent(name="DevBot", role="Developer", goal="Write code")

# Level 2: 3 行建立團隊
team = create_team("DevTeam", [agent])

# Level 3: 一行執行任務
from quick_start import run_task
result = run_task(team, "Build a login system")

預設模板

# 一行建立完整團隊
team = quick_start("full")  # 4 個 Agent: Architect + Dev + Reviewer + Tester

# 開發團隊模板
team = quick_start("dev")   # 2 個 Agent: Developer + Reviewer

# PM 團隊模板
team = quick_start("pm")    # 1 個 Agent: PM

互動式 CLI

python quick_start.py interactive  # 互動式選擇模板
python quick_start.py templates     # 查看可用模板
python quick_start.py quick         # 快速啟動完整團隊

---

方法論要點

L1-L4 錯誤分類

等級	類型	處理
L1	輸入錯誤	立即返回
L2	工具錯誤	重試 3 次
L3	執行錯誤	降級處理
L4	系統錯誤	熔斷 + 警報

開發流程

需求 → 優先級 → 開發 → 品質 → 文檔 → 發布

發布檢查清單

• 版本號更新
• CHANGELOG 記錄
• README 更新
• docs/ 同步
• 測試通過
• GitHub Release
• (可選) ClawHub

---

整合的專案

專案狀態

專案	版本	功能數	GitHub
Agent Quality Guard	v1.0.3	10+	✅
Model Router	v1.0.1	12+	✅
Agent Monitor v2	v2.1.0	12+	✅
Agent Monitor v3	v3.2.0	18+	✅
ai-agent-toolkit	v2.1.0	6+	⏳

架構

methodology-v2
    │
    ├── ai-agent-toolkit/     (工具集)
    │   ├── Model Router       (智慧路由)
    │   ├── Quality Guard      (品質把關)
    │   └── Monitor            (監控)
    │
    ├── multi-agent-toolkit/   (協作框架)
    │   ├── Planner            (規劃)
    │   ├── Executor           (執行)
    │   └── Communication      (通訊)
    │
    └── methodology.py         (核心)
        ├── ErrorClassifier    (錯誤分類)
        ├── ErrorHandler       (錯誤處理)
        ├── TaskLifecycle      (生命週期)
        ├── QualityGate        (品質把關)
        ├── Crew               (協作)
        └── Monitor            (監控)

---

使用的 Skills (單獨維護)

這三個核心 Skill 會單獨維護，methodology-v2 的專案運作會使用它們：

Skill	GitHub	用途
Model Router (v1.0.2)	johnnylugm-tech/model-router-v2	智慧模型路由 + M2.7
Agent Monitor	johnnylugm-tech/agent-dashboard-v3	監控儀表板
Agent Quality Guard	johnnylugm-tech/Agent-Quality-Guard	品質把關

---

整合的 Skills

Skill	用途	整合方式
dispatching-parallel-agents	任務分配	方法論引用
sessions_spawn	建立子 Agent	OpenClawAdapter
sessions_send	跨 Agent 溝通	OpenClawAdapter
verification-before-completion	交付前驗證	AutoQualityGate
requesting-code-review	程式碼審查	品質把關
agent-task-manager	任務管理	整合到 TaskSplitter
long-term-memory	長期記憶	可與 Storage 搭配
executing-plans	執行計劃	TaskLifecycle 引用
planning-with-files	規劃管理	任務規劃參考
finishing-a-development-branch	開發分支完成	發布流程參考

---

安裝

# 方式 1: 直接使用
pip install ai-agent-toolkit

# 方式 2: 開發模式
cd skills/methodology-v2
pip install -e .

---

範例

標準錯誤處理

from methodology import ErrorHandler

handler = ErrorHandler()

try:
    result = agent.execute(task)
except Exception as e:
    level = handler.classify(e)
    handler.handle(e, level)

品質把關

from methodology import QualityGate

gate = QualityGate()

if gate.check(result):
    return result
else:
    return gate.fix(result)

完整工作流

from methodology import ErrorClassifier, Crew, Monitor, QualityGate

# 1. 錯誤處理
classifier = ErrorClassifier()

# 2. Agent 協作
crew = Crew(agents, process="sequential")
result = crew.kickoff()

# 3. 品質把關
gate = QualityGate()
if not gate.check(result):
    result = gate.fix(result)

# 4. 監控
monitor = Monitor()
monitor.register_agent(agent)
health = monitor.get_health_score(agent.id)

Auto Quality Gate

自動運行 Agent Quality Guard 檢查並修復問題。

from auto_quality_gate import AutoQualityGate

# 預設：自動修復開啟
gate = AutoQualityGate()  # auto_fix=True

# 關閉自動修復（需手動執行）
gate = AutoQualityGate(auto_fix=False)

# 1. 掃描 (如果 auto_fix=True，會自動修復)
report = gate.scan("your_code.py")
print(f"Score: {report.score}/100")

# 2. 手動修復 (auto_fix=False 時使用)
result = gate.fix(report)
print(f"Fixed: {result['success']}/{result['total']}")

# 3. 生成報告
print(gate.generate_report("markdown"))

開關說明

設置	行為
auto_fix=True (預設)	掃描後自動修復可解決問題
auto_fix=False	僅掃描，需手動執行 gate.fix(report)

---

Agent Output Validator

結構化輸出驗證 + 自動修復，支援 JSON Schema / Pydantic / 自訂規則。

from agent_output_validator import AgentOutputValidator, create_output_schema

# 初始化
validator = AgentOutputValidator()

# 建立 JSON Schema
schema = create_output_schema(
    "user_info",
    {
        "id": {"type": "integer"},
        "name": {"type": "string"},
        "email": {"type": "string", "pattern": r"^[\w.-]+@[\w.-]+\.\w+$"},
        "role": {"type": "string", "enum": ["admin", "user", "guest"]},
    },
    required=["id", "email"]
)

# 驗證輸出
report = validator.validate(
    {"id": 123, "name": "John", "email": "john@example.com"},
    schema
)
print(f"Valid: {report.valid}")

# 自動修復
fixed, fix_report = validator.auto_fix(
    {"id": "not_an_int", "email": "invalid"},
    schema
)
print(f"Fixes applied: {fix_report.fix_applied}")

驗證類型

類型	說明
JSON Schema	標準 JSON Schema Draft-07
Pydantic	BaseModel 子類驗證
自訂規則	List[Dict] 定義的規則

自訂規則範例

rules = [
    {"field": "id", "check": "required"},
    {"field": "score", "check": "range", "min": 0, "max": 100},
    {"field": "email", "check": "pattern", "pattern": r"^[\w.-]+@[\w.-]+\.\w+$"},
    {"field": "status", "check": "enum", "values": ["active", "inactive"]},
]

整合 StructuredOutputEngine

from structured_output import StructuredOutputEngine

engine = StructuredOutputEngine()

# 驗證輸出（含自動修復）
result = engine.validate_output(
    output=data,
    schema="user_info",
    auto_fix=True
)

# 完整流程：Validator + QualityGate
result = engine.validate_and_fix_with_quality_gate(
    output=data,
    schema="user_info",
    quality_gate=quality_gate_instance,
    file_path="agent_output.py"
)

---

Smart Router

基於 Model Router 的智慧路由，根據任務自動選擇最適合的 LLM。

from smart_router import SmartRouter, TaskType, BudgetLevel

# 初始化 (預設 medium 預算)
router = SmartRouter()

# 或指定預算
router = SmartRouter(budget="low")   # 低成本
router = SmartRouter(budget="high")  # 高品質

# 路由任務
result = router.route("幫我寫一個 Python 函數")
print(f"Model: {result.model}")
print(f"Provider: {result.provider}")
print(f"Est. Cost: ${result.estimated_cost}")

# 強制使用模型
result = router.route(task, force_model="gpt-4")

# 列出可用模型
models = router.list_models()

任務類型

類型	關鍵詞
CODING	code, program, function, debug
REVIEW	review, critique, check
WRITING	write, draft, compose
ANALYSIS	analyze, compare, evaluate
TRANSLATION	translate, convert
CREATIVE	idea, brainstorm, creative

預算等級

等級	說明
LOW	低成本模型
MEDIUM	平衡成本與品質
HIGH	高品質模型

配置開關

from smart_router import SmartRouter

# 預設：自動路由開啟
router = SmartRouter()  # auto_route=True

# 關閉自動路由（使用預設模型）
router = SmartRouter(auto_route=False)

# 自定義配置
router = SmartRouter(config={
    "auto_route": False,
    "default_model": "claude-3-sonnet",
    "budget": "high",
    "fallback_model": "gpt-3.5-turbo"
})

預設配置

DEFAULT_CONFIG = {
    "auto_route": True,       # 自動路由（預設開）
    "default_model": "gemini-pro",  # 預設模型
    "budget": "medium",       # 預算等級
    "fallback_model": "gpt-3.5-turbo",  # 備用模型
}

設置	說明
auto_route=True (預設)	根據任務自動選擇模型
auto_route=False	使用 default_model 設定

命令列

# 掃描
python auto_quality_gate.py scan your_code.py

# 自動修復
python auto_quality_gate.py fix your_code.py

# 生成報告
python auto_quality_gate.py report

---

統一 Dashboard

方式 1: 命令列

# 輕量版 (v2)
python dashboard.py light
python dashboard.py v2

# 完整版 (v3，預設)
python dashboard.py full
python dashboard.py v3

# 從配置文件啟動
python dashboard.py --config config.json

# 訪問 http://localhost:8080

預設配置

DEFAULT_CONFIG = {
    "version": "full",     # 版本：light (v2) / full (v3)
    "port": 8080,
    "auto_start": True,
}

方式 2: Python API

from methodology import Dashboard

# 預設：完整版 (v3)
dashboard = Dashboard()

# 輕量版 (v2)
dashboard = Dashboard(mode="light")
dashboard = Dashboard(mode="v2")

# 完整版 (v3)
dashboard = Dashboard(mode="full")
dashboard = Dashboard(mode="v3")

# 自定義配置
dashboard = Dashboard(config={
    "version": "light",
    "port": 9000,
    "auto_start": True
})

功能：

• 📡 Model Router 指標（請求、成本、快取命中率）
• 🤖 Agent Monitor 指標（健康、任務、警報）
• 📈 趨勢圖表（ECharts）
• 🔄 統一介面封裝 v2/v3 功能

---

---

工作產品 (Work Products)

結構化追蹤 Agent 產出，確保每個產出都有明確的類型、擁有者和驗證狀態。

基本使用

from work_product import WorkProductRegistry, ProductType, register_product

# 初始化
registry = WorkProductRegistry()

# 快速註冊
product = register_product(
    name="用戶認證模組",
    product_type=ProductType.CODE,
    owner_agent_id="agent-dev-001",
    content="def authenticate(user, passwd): ...",
    metadata={"language": "python"}
)

# 驗證
product.verify("reviewer-001")

# 查詢
summary = registry.get_verification_summary()
print(f"驗證率: {summary['verification_rate']}")

產品類型

類型	說明
CODE	代碼產出
DOCUMENT	文檔資料
REPORT	報告分析
TEST_RESULT	測試結果
CONFIG	配置檔案
MODEL	模型檔案
DATA	資料檔案

驗證狀態

狀態	說明
UNVERIFIED	待驗證
VERIFIED	已驗證
FAILED	驗證失敗

查詢方式

# 依 Agent 查詢
registry.get_by_agent("agent-dev-001")

# 依類型查詢
registry.get_by_type(ProductType.CODE)

---

## 附錄：正確的模組使用方式

### Fault Tolerant

```python
from fault_tolerant import CircuitBreaker, FaultTolerantExecutor

# 初始化（需要 name 參數）
cb = CircuitBreaker(name="my-circuit")
executor = FaultTolerantExecutor(name="my-executor")

# 使用裝飾器
@with_fault_tolerance(max_retries=3, backoff=2.0)
async def my_function():
    pass

Governance

from governance.governance_agent import GovernanceAgent

agent = GovernanceAgent()

Error Classification

from methodology_base import ErrorClassifier, ErrorLevel

classifier = ErrorClassifier()
level = classifier.classify(ValueError("test"))
# 返回: ErrorLevel.L1, L2, L3, L4, L5, L6

取得未驗證產品

registry.get_unverified()

驗證摘要

registry.get_verification_summary()

詳細案例：請參考 `docs/cases/case33_work_products.md`

---

### Async Executor

對標 AutoGen 的 async/await 支援，提供 asyncio 原生的並發任務執行能力。

```python
from async_executor import AsyncExecutor, run_async, run_parallel

# 使用 executor
executor = AsyncExecutor(max_concurrency=5)

async def my_task(name):
    await asyncio.sleep(1)
    return f"{name} done"

# 創建任務
executor.create_task("task1", my_task("A"))
executor.create_task("task2", my_task("B"))

# 執行並取得結果
results = await executor.execute_all()

# 便捷函數
result = await run_async(agent.execute("task"), timeout=30.0)
results = await run_parallel(task1(), task2(), task3(), max_concurrency=10)

功能	說明
並發執行	控制最大並發數，避免資源耗盡
超時控制	支援任務級別的超時設定
錯誤處理	單一任務失敗不影響其他任務
結果收集	統一收集所有任務結果

詳細案例：請參考 docs/cases/case37_async_executor.md

---

Checkpoint Manager

狀態快照管理，支援 Agent 狀態的定期快照、恢復和查詢。

from checkpoint_manager import CheckpointManager, CheckpointStatus

# 初始化
cm = CheckpointManager(
    storage_path="./checkpoints",
    max_checkpoints=100
)

# 保存快照
ckpt_id = cm.save(
    agent_id="agent_001",
    task_id="task_001",
    state={"progress": 50, "data": {...}},
    checkpoint_type="auto",  # auto, manual, on_complete
    metadata={"step": 5}
)

# 恢復快照
state = cm.load(ckpt_id)

# 取得最新快照
latest = cm.get_latest("agent_001")

# 列出所有快照
checkpoints = cm.list_checkpoints("agent_001")

# 刪除快照
cm.delete(ckpt_id)

# 導出/導入
json_str = cm.export_checkpoint(ckpt_id)
new_id = cm.import_checkpoint(json_str)

功能	說明
雙重儲存	記憶體快速訪問 + 磁碟持久化
自動清理	超過上限自動刪除最舊快照
快照類型	auto, manual, on_complete
快照狀態	active, committed, obsolete
導出導入	JSON 格式跨系統共享

詳細案例：請參考 docs/cases/case39_checkpoint_manager.md

---

State Persistence (狀態持久化)

Session 狀態持久化系統，支援多種後端。

from state_persistence import StatePersistence, StorageBackend

# SQLite 後端（單機）
persistence = StatePersistence(backend=StorageBackend.SQLITE)

# Redis 後端（分散式）
persistence = StatePersistence(
    backend=StorageBackend.REDIS,
    config={"redis_host": "localhost", "redis_port": 6379}
)

# 儲存 Session
persistence.save_state(session_id, agent_id, state)

# 載入 Session
state = persistence.load_state(session_id)

# 併發鎖定
persistence.lock_session(session_id, owner="agent_002")
persistence.unlock_session(session_id, owner="agent_002")

詳細案例：請參考 docs/cases/case40_state_persistence.md

---

Human Intervention (人類介入界面)

人類介入系統，讓人類可以查看狀態、請求介入、批准行動。

from human_intervention import (
    HumanIntervention,
    InterventionType,
    InterventionStatus
)

# 初始化人類介入系統
hi = HumanIntervention()

# 請求介入
request_id = hi.request_intervention(
    agent_id="dev_agent_001",
    task_id="deploy_to_production",
    intervention_type=InterventionType.APPROVAL,
    reason="即將部署到生產環境，需要人類確認",
    current_state={"changes": ["user_auth.py"], "risk_level": "high"},
    suggested_actions=["確認部署", "檢查測試覆蓋率"],
    priority=5
)

# 批准請求
hi.approve_action(request_id, approver="johnny", comments="確認部署")

# 拒絕請求
hi.reject_action(request_id, rejector="johnny", reason="測試覆蓋率不足")

# 查看狀態儀表板
dashboard = hi.show_status(agent_id="dev_agent_001")
print(hi.export_dashboard_text(dashboard))

# 獲取待處理請求
pending = hi.get_pending_requests(priority=4)

# 獲取介入摘要
summary = hi.get_intervention_summary()

介入類型

類型	說明
APPROVAL	需要批准（高風險操作）
CORRECTION	需要修正（錯誤處理）
ESCALATION	需要升級（專家介入）
NOTIFICATION	僅通知

詳細案例：請參考 docs/cases/case42_human_intervention.md

---

Fault Tolerance（容錯與災難復原）

Methodology-v2 提供完整的 Fault Tolerance 方案，透過四層架構確保系統在遇到錯誤或故障時能繼續運作或優雅降級。

四層架構

層級	功能	說明
L1: Retry with Backoff	自動重試	網路瞬斷、API 限流時等一下再試
L2: Model Fallback	模型切換	主模型當機時自動切換備用模型
L3: Error Classification	錯誤分類	不同錯誤類型不同處理方式
L4: Checkpoint Recovery	快照恢復	系統崩潰後從快照恢復

四大核心工具

工具	模組	功能
CheckpointManager	checkpoint_manager.py	任務執行中定期快照，中斷後恢復
StatePersistence	state_persistence.py	跨 session 保持狀態（SQLite/Redis）
RecoveryController	recovery_controller.py	失敗自動分類 + 建立恢復計劃
HumanIntervention	human_intervention.py	危險操作前或連續失敗時需要人類審批

推薦組合

專案規模	組合
小型（單機）	CheckpointManager
中型（單機 + DB）	CheckpointManager + StatePersistence + RecoveryController
大型（分散式）	全部四個工具 + 通知系統（Slack/Email）

📖 詳細上手指南： docs/FAULT_TOLERANCE_GUIDE.md
📖 案例文檔：

• Checkpoint Manager
• State Persistence
• Recovery Controller
• Human Intervention

---

統一角色定義 (Agent Role)

對標 CrewAI 的 Role-based Agent 概念，實現統一的角色定義系統。

from agent_role import (
    AgentRole, 
    RoleType, 
    Permission, 
    Skill,
    RoleRegistry
)

# 建立角色
dev_role = AgentRole(
    role_id="role-dev-001",
    name="Developer",
    role_type=RoleType.DEVELOPER,
    goals="Write high-quality code",
    backstory="Experienced software engineer",
    permissions=[Permission.READ, Permission.WRITE, Permission.EXECUTE],
    skills=[Skill("coding", 5), Skill("debugging", 4)]
)

# 檢查權限
dev_role.has_permission(Permission.WRITE)  # True

# 使用角色註冊表
registry = RoleRegistry()
registry.register(dev_role)
role = registry.get("role-dev-001")

預設角色

角色	ID	權限
Developer	role-dev	read, write, execute
Code Reviewer	role-review	read, approve
Project Manager	role-pm	read, write, approve, delete

詳細案例：請參考 docs/cases/case34_agent_role.md

---

這個方法論幫助團隊標準化多 Agent 協作開發流程