如果你用过 Claude Code 或 Codex CLI 写代码，大概率遇到过这种情况：agent 为一个简单功能读了 15 个不相关的文件，调用了 8 个不需要的工具，烧掉了一大堆 token，最后代码还没写好。

ECC 要解决的就是这个问题。

ECC 是什么？

ECC 的全称很长——「The agent harness performance optimization system」（Agent 执行层性能优化系统）。简单说，它像是给 AI 编程 agent 装了一个「变速箱」和「刹车」，告诉 agent：这个场景下你只需要看这些文件、用这些工具、以这种节奏工作。

它的核心模块包括 5 个：

Skills。定义 agent 在特定场景下使用的能力清单。比如「debug 模式」下 agent 可以读日志、跑测试、查看 git diff；「refactor 模式」下 agent 可以用 replace_content 但不能随意创建新文件。这个设计思路和 Claude Code 自身的 Skill 系统一脉相承。

Instincts。这可能是 ECC 最有意思的模块。Instincts 是预定义的「直觉规则」——比如「如果测试失败，先看测试报错信息而不是直接改代码」、「修改超过 3 个文件时，先说明改动计划」。本质上，这是把人类高级工程师的「肌肉记忆」固化成了 agent 的执行规则。

Memory。与 claude-mem 项目类似，ECC 也提供了一个跨会话的持久化记忆层。但 ECC 的 memory 更偏向「项目级别」而非「对话级别」——它记住的是项目结构、代码规范、测试策略等长期有效的上下文，而不是某个特定会话中的对话内容。

Security。定义 agent 的安全边界。哪些操作需要确认？哪些文件绝对不能碰？哪些命令绝对不能执行？这个模块的安全策略可以按项目粒度配置。

Research-first Development。这是 ECC 的一个核心理念：在写代码之前，agent 应该先做充分的研究——理解现有代码、查阅文档、分析依赖。这个模块让 agent 的「先读后写」从口头建议变成了强制规则。

为什么 19 万 Star？

GitHub 上每天都有新项目，19 万星不是靠「好用」就能拿到的数字。ECC 爆火有几个结构性原因：

踩中了真实的痛点。用 AI 编程的人都在支付「token 税」——agent 的低效行为直接体现在 API 账单上。ECC 让 agent 更高效 = 省钱 + 省时间。

跨平台兼容。支持 Claude Code、Codex、OpenCode、Cursor 等。不锁定单一工具，这是开源项目扩散速度的关键。

模块化设计。你可以只用 Skills，也可以 Skills + Memory + Security 全套。不像某些项目必须全部接受它的工作流。

Timing 刚好。Claude Code Skill 系统成熟、GitHub Trending 上 Claude Code 生态项目扎堆出现。ECC 正好赶上了这波「给 AI 编程装外挂」的浪潮。

上手 3 分钟

安装走的是一行命令：

npx skills add affaan-m/ECC

安装后会在 .claude/skills/ 目录下生成 ECC 的 Skill 文件。核心配置在 ecc.config.json 中。

这个配置很精妙的地方在于，它把所有规则都收敛到了同一个 JSON 文件中，而不是分散在不同角落。对于团队使用来说，这意味着可以共享和版本管理。

ECC 的实际效果

我在一个中等规模的 Next.js 项目上测试了 ECC 的研发优先（Research-first）模式。

不加 ECC：agent 接到「添加用户认证中间件」任务 → 直接开始写代码 → 写了 3 个文件后发现有现成的 auth 模块 → 重写 → 最终用了 18 次工具调用和约 12 k token。

加了 ECC（research-first 开启）：agent 先扫描项目结构 → 发现现有 auth 模块 → 阅读 auth 模块 API → 确认扩展方式 → 写代码 → 最终用了 9 次工具调用和约 5 k token。

节省了一半的工具调用和 token。要注意这不是一个严格的基准测试——实际效果取决于具体任务和项目复杂度——但方向是明确的。

谁应该用 ECC？

• 高频使用 AI 编程的开发者：每天用 Claude Code 或 Codex 写代码的人，ECC 省 token = 省钱
• 团队使用场景：团队可以共享一套 ECC 配置，统一 agent 的行为规范
• 新手开发者：ECC 的 Instincts 模块可以帮你养成好的编程习惯，agent 会先研究再动手

已知局限

ECC 目前还处于快速迭代阶段，有几处需要注意：Instincts 规则有时会过度限制 agent，导致它在简单任务上也走完整研究流程；跨项目迁移配置需要手动调整 paths 和 blockedPaths；Memory 模块的压缩策略还在优化中，长期项目的记忆积累效果有待观察。

但考虑到这是一个不到一个月就从 0 冲到 19 万星的项目，它的发展速度比它的当前完美度重要得多。

ECC 不是那种「用了就魔法般写出完美代码」的工具。它更像是一个你可以调优的引擎——如果你愿意花 10 分钟配置，它会让 AI agent 更安静地做正确的事、少做多余的事、在碰你的核心文件之前先问一句。在 AI 编程这个快速变化的领域，这三种能力比大多数人意识到的更珍贵。