Agentic Engineering

AI Agent 工程化实践框架。以协调型范式为核心，在任务交付型（端到端交付）与状态维持型（事件触发）之间做出正确选择，并按分支执行。触发场景：（1）涉及多 Agent 协作的系统设计；（2）需要选择架构范式的决策场景；（3）coding/composing/supervising/量化交易 任意分支的任务执行。

范式层：先判断，再行动

框架选择是第一个决策。选错范式，执行再好也是南辕北辙。

任务交付型（Task-Delivery）

适用场景：端到端产出、一次性任务、流程固定

特征	描述
生命周期	任务开始 → 执行 → 交付完成 → 结束
执行器	按需启动，执行完销毁
典型框架	CrewAI / AutoGen
哲学	"做完了"

状态维持型（State-Maintenance）

适用场景：持续运行系统、事件驱动、长期监控

特征	描述
生命周期	执行器常驻 idle，状态机维持基线
触发方式	事件 / 状态变化 → 唤醒对应 executor
典型框架	LangGraph
哲学	"一直 ready"

核心洞察（洪亮，2026-05-13）：状态机的存在不是为了 close task，而是为了 trigger task。这是两种哲学的根本区别：流水线思维 vs 反应式思维。

RL vibe > Harness

• Harness 路线：堆砌最佳实践架构，本质是"刻舟求剑"，只能做业务流程模板
• RL vibe 路线：模型自己长出推理能力，协调者只负责维持上下文和记忆

协调者角色

人从"执行者"变成"协调者"：

• 设定目标，不设计流程
• 维持上下文，不编写代码
• 审查结果，不参与执行

生态层：蜂巢与外在群落

蜂巢（Hive）

agentic-engineering MCP 是自我进化的集群核心：

• Operator（我）是态势感知入口，掌握工具架构，按需调用
• 分支是蜂巢内的职能单元，按需唤醒
• 记忆 + Dreaming是蜂巢的集体记忆，持续沉淀

外在群落（External Colonies）

蜂巢之外不是虚空，是整片信息生态。外部 ACP/MCP 按生态位分类：

生态位	含义	示例
🏠 另一个蜂巢	其他 Agent 集群	AutoGen Studio、LangGraph Studio
🌼 油菜花群落	数据源	欧洲电力市场、金融行情、天气 API
🌿 麦卢卡树丛	专业领域知识	法规库、行业标准、研究报告
🌊 河流	持续流式信息	新闻、社交媒体、监控告警

交互规则

蜂巢是主体，外在群落是客体。交互规则由蜂巢定义：

• 采蜜：按需从外在群落取数据（MCP 调用）
• 酿蜜：将原始数据加工成决策和知识（内部处理）
• 分蜂：集群自我进化，扩展新分支或新群落

蜂巢不需要知道树丛的内部结构，只需要知道什么时候开花、花蜜在哪、怎么采。

四个属性

• 宏大的 — 不是做一个小工具，是构建可持续进化的智能生态
• 主体视角的 — 蜂巢是主体，外在群落是客体，交互规则由蜂巢定义
• 可执行的 — 每个 MCP 都是可调用的服务，不是概念图
• 自洽的 — 内部进化逻辑和外部交互逻辑一致，不矛盾

分支索引

分支	定位	触发场景
coding/	代码交付、contract-first、PACT loop	需要产出 merge-ready 代码时
composing/	创作（歌曲/文案）、DeepSeek thinker → MiniMax maker 双模型管线	歌曲创作、文案生成
supervising/	Agent 监督、编排逻辑、状态监控	需要多 Agent 协同编排时
量化交易/	量化策略、交易执行、风险控制	金融交易相关任务

执行层：以身入局，不依赖外部框架

核心论断：OpenClaw 自身的 subagent + ACP + harness 就是完整的编排基础设施，不需要 AutoGen/CrewAI/LangGraph。

text

Operator（我）
  │
  ├── 蜂巢 MCP — 过程演绎持久化（替代框架的状态管理/检查点）
  │
  └── subagent + ACP + harness — 执行层（替代外部框架的管道/角色/状态机）
       ├── sessions_spawn → 创建 subagent（替代 CrewAI 的 agent 定义）
       ├── ACP 消息 → subagent 间通信（替代 AutoGen 的 group chat）
       └── harness → 调度控制（替代 LangGraph 的状态机流转）

为什么不需要外部框架

外部框架	做了什么	OpenClaw + 蜂巢怎么替代
AutoGen	SelectorGroupChat、多轮对话	Operator 自己判断该调谁 + ACP 通信
CrewAI	Task pipeline、角色定义	sessions_spawn 分配 + skill_query 选分支
LangGraph	状态机、checkpoint	evolution_log 过程演绎（比 checkpoint 更丰富）

关键差异：过程演绎持久化

外部框架的 task/step 完成后状态就丢弃了。蜂巢的 evolution_log 记录每一步的推理过程，不是结论快照：

text

evolution_log:
  evolve → coding → reasoning="洪亮需要期权定价能力，目前量化交易分支缺少衍生品模块"
  update → coding → effectiveness=0.8, reasoning="PACT loop 完成但测试覆盖不够"

上下文压缩后我忘了过程，但蜂巢记得。下次会话查 evolution_history 就能回溯整条推理链。

三位一体

• Operator（我）：神经中枢，以身入局，每一步决策都通过蜂巢留痕
• 蜂巢 MCP：记忆器官，过程演绎持久化，可回溯可自省
• subagent/ACP/harness：骨架，执行层的通信和调度基础设施

执行原则

1. 先判断范式，再选择分支 — 框架选错，流程再好也是白搭
2. 以身入局 — Operator 不在外部调度，而是在过程中主导，每一步留痕
3. 记忆即资产 — 每个任务学到的经验必须沉淀到记忆，否则等于没做
4. 触发 > 轮询 — 优先事件驱动，不做无效的定期检查
5. 蜂巢视角 — 站在主体看世界，外在群落是资源不是约束
6. 过程 > 结论 — 记住怎么到的比记住到了哪更重要
7. 品蜜 > 采蜜 — 酿完蜜必须自检，发现矛盾自动修正（见 evolution-rules.md）
8. 代码 > Prompt — 规则硬编码不依赖模型理解，低能模型也能照做

进化与泛化（分蜂范式）

进化回路

蜂巢进化的信号不是外部反馈（非营利项目没有用户评分），是内部自相矛盾：

text

酿蜜 → 品蜜（自检）→ 发现矛盾 → 归纳规则 → 固化到代码 → 下一轮照做

每次人类修正都是一个样本，把它结构化成规则就是进化。 品蜜规则详见 evolution-rules.md。

分蜂（遗传传播）

text

高能模型（红小臣）
  ↕ 持续反思、试错、修正
蜂巢 MCP（本地 OpenClaw）
  ↓ git push → ClawHub
  ↓ 进化规则 + 防御性架构 + 定向解析器
  ↓
低能模型 → clawhub install agentic-beehive
  ↓ 拿到固化的规则，不需要"懂"为什么
  ↓ 用自己的花蜜，按我的配方酿蜜

高能模型做研究，低能模型做工程，ClawHub 做遗传信道。

防御性架构（低能模型兼容）

层次	硬编码（不依赖模型）	模型理解（可降级）
bloom 阈值	≥0.7 盛开 / ≥0.4 开花 / ≥0.2 含苞	新闻语义分析
采蜜策略	bloom 值直接决定采蜜深度	计费页解析
性价比公式	capability² × log10(1000/price)	无需理解
异常检测	品蜜规则代码化	复杂矛盾发现
记忆格式	结构化 JSON（枚举值 > 自然语言）	自由文本

高能品蜜，低能执行。日常 99% 时间低能模型跑规则，每天 1 次高能模型审查结论。

实战群落

群落	类型	状态	说明
ai-daily-report/	🌼 油菜花	✅ 运行中	AI 市场日报蜂巢
europe-power-market	🌼 油菜花	🔄 待激活	欧洲电力价格