Coding

Agent Collaboration

Try it

Agent协作模式,提供多Agent任务委派、并行执行、结果汇总的完整方法论。触发词:Agent协作、多Agent、任务委派、并行执行、团队协作、meta-skill-system

What it does

Agent协作模式,提供多Agent任务委派、并行执行、结果汇总的完整方法论。触发词:Agent协作、多Agent、任务委派、并行执行、团队协作、meta-skill-system

The skill document

Agent协作模式

定位

本技能提供从任务分析到结果汇总的完整方法论。

核心价值:让单Agent具备多Agent协作能力,实现任务的智能委派、并行执行和结果汇总。

核心能力

Agent类型定义能力

定义不同类型的Agent,每种类型有特定的能力和工具:

  • Explore(探索型):快速搜索、文件查找、代码探索
  • Plan(规划型):任务分析、方案设计、架构规划
  • General-purpose(通用型):完整能力,可执行任何任务
  • Custom(自定义型):根据需求自定义Agent能力

任务委派能力

根据任务特征智能委派给合适的Agent:

  • 任务分析:分析任务的复杂度、依赖关系、执行环境
  • Agent选择:根据任务特征选择最合适的Agent类型
  • 委派策略:确定委派方式(同步/异步、前台/后台)
  • 结果回收:收集Agent执行结果并整合

并行执行能力

识别可并行执行的任务,同时委派给多个Agent:

  • 并行识别:识别无依赖关系的任务
  • 并行编排:将并行任务分配给多个Agent
  • 同步机制:等待所有并行任务完成
  • 结果合并:合并多个Agent的执行结果

结果汇总能力

收集多个Agent的执行结果,整合为统一输出:

  • 结果收集:收集所有Agent的执行结果
  • 结果验证:验证结果的正确性和完整性
  • 结果整合:将多个结果整合为统一输出
  • 结果呈现:以用户友好的方式呈现结果

三层结构

第一层:Agent协作清单 + 依赖拓扑   →  references/collaboration-catalog.md
第二层:方法论要求清单            →  references/collaboration-requirements.md
第三层:方法论范本库              →  references/exemplars.md

使用规则

执行流程

  1. 任务分析:分析任务的复杂度和需求
  2. Agent选择:根据任务特征选择合适的Agent类型
  3. 任务委派:将任务委派给选定的Agent
  4. 执行监控:监控Agent的执行过程
  5. 结果汇总:收集并整合Agent的执行结果

Agent选择规则

选择标准

任务特征推荐Agent类型原因
搜索/探索Explore快速搜索能力
规划/设计Plan架构设计能力
复杂任务General-purpose完整执行能力
特定需求Custom自定义能力

选择流程

任务分析 → 特征识别 → Agent匹配 → 能力验证 → 最终选择

任务委派规则

委派方式

方式适用场景特点
同步委派需要立即结果阻塞等待结果
异步委派可以后台执行非阻塞,后台运行
前台委派需要实时监控实时查看执行过程
后台委派长时间任务后台执行,完成通知

委派策略

任务分解 → 依赖分析 → 并行识别 → Agent分配 → 执行编排

并行执行规则

并行条件

  • 任务间无依赖关系
  • 任务可独立执行
  • 资源充足支持并行

并行限制

  • 最大并行数:5个Agent
  • 资源限制:根据系统资源调整
  • 超时控制:设置合理超时时间

并行模式

并行识别 → 任务分配 → 同时执行 → 结果收集 → 结果合并

结果汇总规则

汇总方式

汇总类型适用场景汇总方式
简单汇总结果独立直接拼接
智能汇总结果相关语义整合
验证汇总结果需验证交叉验证

汇总流程

结果收集 → 完整性检查 → 结果验证 → 结果整合 → 格式化输出

执行框架

本技能内嵌了完整的Agent协作执行框架。

核心理念

  • 智能委派:根据任务特征智能选择Agent
  • 并行执行:识别并行机会,提高执行效率
  • 结果整合:智能整合多个Agent的结果

统一执行流程:收到任务后按5步执行——任务分析 → Agent选择 → 任务委派 → 并行执行 → 结果汇总。

Step 0:任务分析

分析任务的特征和需求:

  • 任务复杂度(简单/中等/复杂)
  • 任务类型(搜索/规划/执行/混合)
  • 依赖关系(独立/有依赖)
  • 执行环境(前台/后台)

Step 1:Agent选择

根据任务特征选择Agent类型:

  • 评估任务需求
  • 匹配Agent能力
  • 验证Agent可用性
  • 确定最终选择

Step 2:任务委派

将任务委派给选定的Agent:

  • 准备任务描述
  • 设置执行参数
  • 选择委派方式
  • 启动Agent执行

Step 3:并行执行

识别并行机会,同时执行多个任务:

  • 识别可并行任务
  • 分配给多个Agent
  • 监控执行进度
  • 处理执行异常

Step 4:结果汇总

收集并整合Agent执行结果:

  • 收集所有结果
  • 验证结果完整性
  • 整合相关结果
  • 格式化输出

事实纪律

  1. Agent选择必须基于任务特征,不可随意
  2. 任务委派必须明确,不可模糊
  3. 并行执行必须考虑资源限制,不可过度并行
  4. 结果汇总必须准确,不可遗漏
  5. 异常处理必须及时,不可延迟

Related skills

Upgrade a raw multi-agent framework into a Claude Code-style system with memory retrieval, role coordination, evidence-based verification, and safety gates.

157 installs1 stars

社会协作心智:心智理论(ToM)+自适应协作策略。从协作伙伴的信号(专业度/置信度/忙碌度/情绪/历史失信) 推断其状态,动态选择协作策略——委派/咨询/监督/结对/回避,让 agent 像"懂事的人"一样与人及他者 agent 协作,而非机械执行。纯标准库、零依赖、可本地实跑(--selftest 自带样例)。

Multi-agent coordination protocol — task distribution, result aggregation, and parallel execution across multiple AI agents. Distilled from Claude Code Team...

代理副驾驶是面向 AI Agent 开发者的工程化副驾驶,针对"Prompt 答非所问与幻觉、上下文腐烂(Context Rot)、工具选择不当、任务拆解颗粒度失控"四大高频痛点而设计。它把零散的 Prompt 工程经验沉淀为可复用的模板库、评估器与循环工程(Loops Engineering)工作流,让 Age...

Multi-Agent Communication Protocol — 通用多智能体通信框架。用于在 OpenClaw 中编排多个 Agent 之间的结构化通信、任务委派和协同工作。适用场景:(1) 在主 Agent 与子 Agent 之间传递消息 (2) 多个独立 Agent(如 QClaw、学术助手、学生工...

1 installs