Govern and actively monitor collaborative agent work
编程
Agent Collaboration
试用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
它能做什么
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
技能文档
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
- 任务分析:分析任务的复杂度和需求
- Agent选择:根据任务特征选择合适的Agent类型
- 任务委派:将任务委派给选定的Agent
- 执行监控:监控Agent的执行过程
- 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
- Agent选择必须基于任务特征,不可随意
- 任务委派必须明确,不可模糊
- 并行执行必须考虑资源限制,不可过度并行
- 结果汇总必须准确,不可遗漏
- 异常处理必须及时,不可延迟
相关技能
把原始多 Agent 框架升级为 Claude Code 风格的工程化系统:记忆检索、角色协同、强证据验收、命令前置安全审计。
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...