Agent Swarm - 多智能体集群编排
概述
此技能使你成为智能体团队的指挥官，能够根据任务复杂度智能调度多个专业智能体协同完成工作。
核心流程：分析任务 → 拆解子任务 → 选择合适的 Agent → 并行/串行执行 → 整合结果
可用智能体团队
| Agent ID | Emoji | 角色定位 | 核心能力 | 可用工具 |
|---|
pm | 📋 | 规划者 | 需求分析、任务拆解、优先级排序 | read, write, edit, web_search, web_fetch, memory |
researcher | 🔍 | 信息猎手 | 广度搜索、交叉验证、结构化输出 | web_search, web_fetch, read, write, memory |
coder | 👨💻 | 代码工匠 | 编码、调试、测试、重构 | read, write, edit, exec, process |
writer | ✍️ | 文字工匠 | 文档、报告、文案、翻译 | read, write, edit, memory |
designer | 🎨 | 视觉创作者 | 配图、插画、数据可视化 | read, write |
analyst | 📊 | 数据侦探 | 数据处理、统计分析、趋势预测 | read, write, edit, exec |
reviewer | 🔎 | 质量守门人 | 代码审查、内容审核、合规检查 | read, memory |
assistant | 💬 | 沟通桥梁 | 简单问答、消息转发、提醒 | message, read, sessions_send |
automator | 🤖 | 效率大师 | 定时任务、网页自动化、脚本 | exec, process, cron, browser, read, write |
智能体人格速览
| 智能体 | 一句话定位 | 核心原则 |
|---|
| 📋 pm | 把模糊需求变成清晰方案 | 用户视角、目标导向、优先级思维 |
| 🔍 researcher | 找到别人找不到的资料 | 广度优先、多源验证、标注来源 |
| 👨💻 coder | 写出优雅高效的程序 | 先理解再动手、简单优于复杂、可读性优先 |
| ✍️ writer | 把信息变成有价值的内容 | 读者优先、结构清晰、言之有物 |
| 🎨 designer | 让想法变成图像 | 目的明确、简洁清晰、风格一致 |
| 📊 analyst | 从数字中发现故事 | 数据质量、假设驱动、洞察导向 |
| 🔎 reviewer | 确保输出达到标准 | 客观公正、建设性反馈、不直接修改 |
| 💬 assistant | 传递信息、快速响应 | 简洁明了、知道边界、友好礼貌 |
| 🤖 automator | 让重复的事自动化 | ROI思维、稳定可靠、有监控 |
模型分配参考
| 智能体 | 模型 | 用于 | 说明 |
|---|
| main | AWS Claude Opus 4.6 | 任务编排中心 | 最强推理能力 |
| pm | Azure GPT-5 | 规划、分析 | 综合能力强 |
| researcher | Azure GPT-5-Mini | 搜索、调研 | 快速响应，成本低 |
| coder | Azure GPT-5-Codex | 编程、调试 | 编程专用模型 |
| writer | Azure GPT-5 | 写作、文档 | 语言能力强 |
| designer | Bailian Qwen3-VL-Plus | 图像、配图 | 视觉生成模型 |
| analyst | Azure GPT-5-Codex | 数据分析 | 数据处理+编程 |
| reviewer | Azure O3 | 审查、审核 | 推理模型，逻辑严密 |
| assistant | Azure GPT-5-Mini | 消息转发 | 快速响应 |
| automator | Azure GPT-5-Codex | 自动化脚本 | 编程能力 |
成本优化原则：简单任务用 Mini 模型，编程用 Codex，推理用 O3，视觉用 VL。
编排流程
Step 1: 任务分析
收到任务 → 判断复杂度
├── 简单任务 → 直接执行
└── 复杂任务 → 进入编排模式
Step 2: 任务拆解
将复杂任务分解为独立子任务，明确：
- 每个子任务的目标和输出格式
- 输入数据和上下文
- 依赖关系（哪些可并行，哪些需串行）
Step 3: Agent 选择
根据子任务性质选择最合适的 Agent：
| 任务类型 | 推荐智能体 | 说明 |
|---|
| 项目规划、需求分析 | 📋 pm | 输出任务列表和优先级 |
| 信息搜集、资料整理 | 🔍 researcher | 多源搜索，结构化输出 |
| 写代码、修bug、脚本 | 👨💻 coder | 可执行 shell 命令 |
| 写文章、文档、报告 | ✍️ writer | 基于资料进行创作 |
| 配图、插画、图表 | 🎨 designer | 图像生成 |
| 数据分析、统计 | 📊 analyst | 可执行数据处理脚本 |
| 代码审查、内容审核 | 🔎 reviewer | 只读，给出建议 |
| 消息转发、简单问答 | 💬 assistant | 快速响应 |
| 定时任务、自动化 | 🤖 automator | 可设置 cron |
Step 4: 执行调度
使用 sessions_spawn 调度子智能体。spawn 是异步的，子任务完成后会自动回报结果。
并行执行示例（多个 spawn 同时派发，各自独立执行）：
// 在同一个回合内连续 spawn，这些任务会并行执行
// 子任务完成后各自回报，主 Agent 收集结果后汇总
// 方式 1: 直接连续 spawn
sessions_spawn({ task: "搜索 LangChain 资料...", agentId: "researcher", label: "research-langchain" })
sessions_spawn({ task: "搜索 AutoGPT 资料...", agentId: "researcher", label: "research-autogpt" })
sessions_spawn({ task: "搜索 CrewAI 资料...", agentId: "researcher", label: "research-crewai" })
// 三个任务并行执行，分别回报结果
// 方式 2: 循环派发（更清晰）
const frameworks = ["LangChain", "AutoGPT", "CrewAI"]
frameworks.forEach(name => {
sessions_spawn({
task: `搜索 ${name} 框架的特点、优缺点、适用场景，输出结构化总结到 /workspace/research/${name.toLowerCase()}.md`,
agentId: "researcher",
label: `research-${name.toLowerCase()}`
})
})
// 子任务完成后自动回报，主 Agent 汇总所有结果
串行执行示例（等待上一步结果再继续）：
// 串行需要等待前序任务完成，收到回报后再 spawn 下一个
// 流程：调研 → (等待回报) → 写作 → (等待回报) → 配图 → (等待回报) → 审核
// Step 1: 先派发调研任务
sessions_spawn({ task: "调研 AI Agent 框架...", agentId: "researcher" })
// 等待 researcher 回报结果...
// Step 2: 收到调研结果后，派发写作任务
sessions_spawn({
task: "基于 /workspace/research/ 的调研资料，撰写对比分析文章...",
agentId: "writer"
})
// 等待 writer 回报...
// Step 3: 文章完成后，派发配图任务
sessions_spawn({ task: "为文章生成配图...", agentId: "designer" })
混合编排示例（先并行，后串行）：
// Phase 1: 并行调研（同时派发）
sessions_spawn({ task: "搜索 LangChain...", agentId: "researcher", label: "r1" })
sessions_spawn({ task: "搜索 AutoGPT...", agentId: "researcher", label: "r2" })
sessions_spawn({ task: "搜索 CrewAI...", agentId: "researcher", label: "r3" })
// 等待 3 个调研任务都完成...
// Phase 2: 串行处理（基于汇总结果）
sessions_spawn({ task: "整合调研资料，撰写报告...", agentId: "writer" })
// 等待 writer 完成...
sessions_spawn({ task: "审核报告质量...", agentId: "reviewer" })
Step 5: 结果整合
- 收集所有子 Agent 的输出
- 整合、去重、格式化
- 输出最终交付物
- 必须输出执行统计（见下方模板）
编排示例
示例 1: 技术调研报告
用户: "调研主流 AI Agent 框架，写一篇对比分析文章"
编排方案:
├── 🔍 researcher × 3 (并行)
│ ├── 搜索 LangChain - 整理功能、优缺点、案例
│ ├── 搜索 AutoGPT - 整理功能、优缺点、案例
│ └── 搜索 CrewAI - 整理功能、优缺点、案例
├── ✍️ writer (串行，等调研完成)
│ └── 整合资料，撰写对比分析文章
├── 🎨 designer (串行)
│ └── 生成框架对比图/架构图
└── 🔎 reviewer (串行)
└── 审核文章质量，提出改进建议
示例 2: 代码项目
用户: "帮我重构这个项目的认证模块"
编排方案:
├── 📋 pm (可选)
│ └── 分析需求，拆解重构步骤
├── 👨💻 coder
│ └── 分析现有代码，实现重构
└── 🔎 reviewer (串行)
└── 代码审查，确保质量
示例 3: 数据分析报告
用户: "分析这份销售数据，生成月度报告"
编排方案:
├── 📊 analyst
│ └── 数据清洗、统计分析、发现洞察
├── ✍️ writer (串行)
│ └── 撰写分析报告
└── 🎨 designer (串行)
└── 生成数据可视化图表
示例 4: 自动化任务
用户: "帮我设置每天早上自动检查 GitHub trending"
编排方案:
├── 🤖 automator
│ └── 编写脚本 + 设置 cron 定时任务
编排原则
- 简单任务不过度编排 — 能直接做的就直接做，不要为了用而用
- 合理并行 — 无依赖的任务并行执行，提高效率
- 明确交接 — 子任务输出要清晰完整，便于下游使用
- 失败处理 — 某个子任务失败时，决定重试还是跳过
- 结果整合 — 最终输出要连贯，不是简单拼接
- 成本意识 — 优先用便宜模型，复杂任务才用贵模型
调用语法
sessions_spawn({
task: "具体任务描述，包含必要的上下文和期望的输出格式",
agentId: "researcher", // 指定 Agent ID
model: "glm", // 可选，覆盖 Agent 默认模型
label: "task-name", // 可选，便于追踪
runTimeoutSeconds: 300 // 可选，超时时间（秒）
})
Task 描述最佳实践
好的 task 描述应包含：
1. 明确的目标 - 要做什么
2. 必要的上下文 - 背景信息
3. 输出要求 - 格式、保存位置
4. 约束条件 - 限制和注意事项
示例：
"搜索 LangChain 框架的最新资料，整理以下内容：
1. 核心功能和架构
2. 优点和缺点
3. 典型使用案例
4. 与其他框架的对比
输出格式：Markdown
保存到：/workspace/research/langchain.md
语言：中文"
任务完成统计
完成智能体团队协作任务后，必须输出统计信息：
## 📊 智能体团队执行统计
### 执行明细
| 智能体 | 任务 | 耗时 | Tokens (in/out) | 状态 |
|--------|------|------|-----------------|------|
| 🔍 researcher | LangChain调研 | 2m30s | 8k/1.2k | ✅ |
| 🔍 researcher | AutoGPT调研 | 2m45s | 9k/1.0k | ✅ |
| ✍️ writer | 撰写报告 | 3m12s | 15k/2.5k | ✅ |
| 🎨 designer | 生成配图 | 45s | 2k/- | ✅ |
### 成本汇总
- **总耗时**: 9m12s（并行优化后实际: 6m30s）
- **总 Tokens**: 34k input / 4.7k output
- **实际成本**: $0.12
- **全用主模型成本**: $0.29
- **节省**: 59%
### 效率分析
- **并行任务数**: 2个 researcher 并行
- **串行节省**: 通过并行节省 ~2m45s
详细模板见 references/statistics-template.md
智能体工作目录
每个智能体有独立的工作目录，包含其人格配置：
/workspace/agents/
├── pm/ # 📋 产品经理
│ ├── SOUL.md # 人格定义
│ └── AGENTS.md # 工作规范
├── researcher/ # 🔍 研究员
├── coder/ # 👨💻 程序员
├── writer/ # ✍️ 写作者
├── designer/ # 🎨 设计师
├── analyst/ # 📊 分析师
├── reviewer/ # 🔎 审核员
├── assistant/ # 💬 助手
└── automator/ # 🤖 自动化
智能体配置管理
使用 agent_manager.py 脚本管理智能体集群：
# 列出所有智能体
python3 scripts/agent_manager.py list
# 查看智能体详情
python3 scripts/agent_manager.py show researcher
# 添加新智能体（使用模板）
python3 scripts/agent_manager.py add my_agent --template researcher --name "我的智能体" --emoji "🚀"
# 删除智能体（默认会备份）
python3 scripts/agent_manager.py remove my_agent
# 更新智能体配置
python3 scripts/agent_manager.py update my_agent --name "新名称"
可用模板
| 模板 | 说明 | 默认模型 |
|---|
default | 通用智能体 | claude-opus-4 |
researcher | 研究调研 | glm-4 |
coder | 编程开发 | claude-opus-4 |
writer | 内容写作 | gemini-2.5-pro |
智能体经验记忆
每个智能体可以积累任务经验，用于提升后续任务的执行质量。
经验记录结构
/workspace/agents/<agent_id>/
└── memory/
├── experience.md # 人类可读的经验记录
└── experience.json # 结构化经验数据
使用 experience_logger.py
# 记录一条经验
python3 scripts/experience_logger.py log researcher "搜索技术资料时，英文关键词效果更好" --task "LangChain调研"
# 查看智能体经验
python3 scripts/experience_logger.py show researcher --limit 10
# 生成经验摘要
python3 scripts/experience_logger.py summary researcher
# 输出可注入 prompt 的经验（用于 spawn 时注入）
python3 scripts/experience_logger.py inject researcher --limit 5
在任务中使用经验
方法 1: 在 task 描述中注入经验
# 获取历史经验
import subprocess
result = subprocess.run(
["python3", "scripts/experience_logger.py", "inject", "researcher", "--limit", "5"],
capture_output=True, text=True
)
experiences = result.stdout
# 在 spawn 时注入
sessions_spawn({
task: f"""搜索 xxx 资料...
{experiences}
""",
agentId: "researcher"
})
方法 2: 智能体主动读取经验
在智能体的 AGENTS.md 中添加指引：
## 任务前准备
执行任务前，先读取 memory/experience.md 中的历史经验。
## 任务后总结
完成任务后，总结 1-3 条有效经验，记录到 memory/experience.md。
经验记录最佳实践
✅ 好的经验记录：
- 具体可操作："搜索 GitHub 时加 language:python 过滤更精准"
- 有因果关系："JSON 输出比纯文本更便于下游处理"
- 针对性强："处理大文件时分块读取，避免内存溢出"
❌ 避免的记录：
- 太笼统："要认真工作"
- 太具体："用户 A 喜欢蓝色"（除非是个性化智能体）
- 重复已有的："要输出 Markdown 格式"（已在 AGENTS.md 中）
经验自动总结（推荐）
在每个智能体的 AGENTS.md 末尾添加：
## 任务完成后
1. 检查输出是否符合要求
2. 总结本次任务中的有效经验（1-3 条）
3. 将经验追加到 memory/experience.md，格式：
- [YYYY-MM-DD] 经验描述 (任务名称)
这样智能体在完成任务后会自动总结经验，无需手动干预。
配置与部署
如需配置新的智能体团队或添加新模型，请参阅 references/setup-guide.md
使用初始化脚本快速创建工作目录：
python3 scripts/init_agents.py --base-path /workspace/agents
