shadcn/improve — 让最强的 AI 模型规划，让便宜的模型执行

原文来源：shadcn/improve on GitHub — shadcn 发布开源工具 improve，实现"强模型规划，弱模型执行"的 AI 编码工作流，用 Agent Skill 的方式审计代码库并为廉价模型生成可行计划。

shadcn 又出手了。

这次不是 UI 组件库（虽然他的 shadcn/ui 已经改变了整个 React 生态的面貌）。他这次推出的开源项目叫做 improve，解决的是 AI 编程中一个非常实际的问题：为什么每次都要用最强（也最贵）的模型？

核心思路

improve 的理念可以用一句话概括：用你最强的模型审计代码库并撰写实现计划，然后交给更便宜的模型去执行。

这个模式借鉴了软件工程中的经典分工：架构师做设计，工程师写代码。在 improve 中：

• 规划阶段：调用 Claude Opus 4.6、GPT-5 等高能力模型，全面分析代码库，理解现有架构和业务逻辑，然后生成详尽的实现计划（plans.md）
• 执行阶段：将计划交给 Claude Sonnet 4.6、GPT-4o 等成本更低的模型，按计划逐步实施。由于计划够详细，弱模型几乎不需要自己做决策，只需要机械地执行

这种分离带来的好处显而易见：规划阶段的模型调用次数少但质量要求高，执行阶段的模型调用次数多但成本要求低。 整体下来，token 消耗成本可能降低 50-80%，同时最终质量仍然由强模型把关。

技术实现

improve 以 Claude Code 的插件（plugin）形式工作。它本质上是一个 Agent Skill——一种可以被 AI 编程助手识别并自动使用的元技能。

当你把这个插件挂载到 Claude Code（或其他兼容的 AI 编码代理）中，工作流变成了：

1. 开发者提出需求：比如"给 API 增加速率限制"
2. improve 接管：启动规划模式，读取整个代码库的结构
3. 强模型审计：Claude Opus 分析现有代码，评估改动影响范围，生成详细的 plans.md
4. 开发者审核计划：确认计划可行后，approve
5. 执行者接手：Claude Sonnet（或 Codex 等更便宜的模型）按照计划逐项实现
6. 结果验证：计划完成后，强模型可以快速 review 最终结果

这个流程也考虑到了现实中的迭代需求——当执行过程中出现意外时，可以回到规划阶段重新评估。

为什么值得关注

成本优化是独立开发者最直接的受益点。如果你在日常开发中频繁使用 Claude Code 或 Copilot，每个月在 AI 编码上的开销可能不小。improve 的工作流可以让你把 80% 的 token 用在便宜的模型上，同时仍然享受顶级模型的架构审视力。

但更深层的价值在于质量。 很多 AI 编码工具的问题不是"写不出代码"，而是"不理解上下文就仓促动工"。improve 强迫工作流进入"先理解、再计划、最后动手"的模式——这和人写代码的最佳实践如出一辙。

从架构角度看，improve 体现了一种更成熟的 AI 代理设计模式：将认知密集型任务（理解、分析、规划）与执行密集型任务（实现、测试、重构）分离。 这种"异质计算"（Heterogeneous Computing）的思路在 AI 代理领域正在成为一种趋势。

使用方式

improve 的使用非常简洁。在项目目录中安装插件后，你只需要对 Claude Code 说：

/improve "为这个 API 添加速率限制，使用令牌桶算法"

Claude Code 会自动调起 improve 工作流：先切入规划模式，用最强模型分析你的现有代码，生成计划，然后执行。整个过程透明可见，你可以随时介入调整计划。

这个项目发布后迅速在 GitHub 上获得了不少关注。作为一个开源工具，它展示了 AI 编码工具发展的一个可能方向：不是寻找一个万能模型，而是让不同模型在各自最擅长的位置上工作。