多数多智能体框架都在要求你打开一个新的网页控制台，注册一个新账号，把工作流搬进它的界面里。华为开源的JiuwenSwarm走了一条反方向的路：不要求你切换场景，而是把多智能体能力直接投递到你已经在用的聊天窗口里。
它的核心理念是"理解意图、自主进化"——用户用自然语言下达复杂任务，由Leader智能体分解任务、组建专家团队、调度技能与工具，交付端到端结果。值得注意的是，它不内置任何模型，是一个纯粹的Harness，可对接OpenAI兼容API、华为云MaaS及本地模型。
入口层：Agent住进你的聊天软件
JiuwenSwarm支持的入口覆盖了Web、TUI终端、JetBrains/VS Code插件、浏览器扩展，以及大量IM渠道：国内的飞书、钉钉、企微、个人微信，海外的Telegram、Discord、Slack、WhatsApp。
这个产品取向在同类框架里并不常见。它不要求用户改变工作习惯，而是把多智能体能力放进你每天已经开着的那些窗口里。
协议层：E2A统一信封
工程设计上最值得注意的部分是协议层。所有外部协议（ACP、A2A、各IM渠道）不直接进入系统内部，而是在Gateway统一转换为规范化的E2AEnvelope请求结构和三层E2AResponse响应结构——信封、判别载荷、协议投影。
这个设计带来的直接结果是：新增一个渠道只需写一个适配器，内部系统与外部协议彻底解耦。同时它兼容MCP工具生态，并对外实现A2A智能体间通信协议。
执行层：从单机到蜂群
多智能体采用Leader/Teammate模式：Leader负责任务分解与编排汇总，Teammate是执行专家。单机模式下多进程运行；分布式模式下（team.runtime.mode=distributed）控制面与数据面分离，Teammate向独立的A2X注册中心注册为空闲节点，Leader组队时预约、通过ZMQ直连bootstrap，任务数据走共享PostgreSQL。Leader与Teammate可以跨机器部署，形成真正的"蜂群"。
编排层则提供了另一种选择。面对需要可控执行的任务，纯自主的多智能体协商可能不稳定，SwarmFlow用Python脚本描述确定性编排：提供agent、pipeline（无barrier，官方默认首选）、parallel（fork-join）、human（人工介入）等算子，支持结构化输出、Git worktree隔离、Leader级共享token预算，TUI中以三层运行树（工作流、阶段、节点）实时监控。它依附于Team模式，本质是在"自由协商"和"确定性流水线"之间给了用户一个显式选择。
自我进化：给Harness做后训练
Skill自演进是这套体系里最具特色的部分。Skill不再是静态文档，Agent按每5轮任务自检（团队则在任务验收后），基于任务证据判断是否存在可复用的改进。触发后由evolution_reviewer子智能体用只读工具审查证据、生成结构化提案，默认走人工审批，经验存入evolutions.json并在后续调用时自动加载，可用/evolve_rebuild永久合入SKILL.md。这个"证据门槛加人工审批默认开启"的设计，体现了对自动化改写指令风险的克制。
AutoHarness则是给Harness做"后训练"：不改模型权重，让Agent为自己生成评测、定位短板、修改提示词/工具/护栏/技能、再验证。它分两层——Meta层改通用底座（改源码提PR，须人工审查），Expert层生成领域扩展包（热加载即插即用，无需重启），全程Git worktree隔离加CI自动修复循环。
当技能装到上百个时，全部注入上下文会撑爆注意力。Symphony的方案是"检索用树，编排用图"：离线构建技能树索引供Agent像查目录般逐层浏览；再基于技能图谱（节点为技能，边代表输出可衔接输入）生成可确认的技能执行链。它不替代Leader的任务派发，只做辅助。
记忆系统：文件即数据源
记忆系统以文件为数据源：USER.md（用户档案）、MEMORY.md（长期记忆）、每日会话日志、TEAM_MEMORY.md（Leader每round自动提炼团队经验）。检索用BM25全文加向量语义的混合搜索（默认0.7/0.3加权），基于SQLite + FTS5 + vec0实现，watchdog监控文件异步更新索引；也可外接Mem0、OpenViking等第三方记忆服务。还有可选的"Dreaming"机制，空闲时用LLM周期性整理历史会话提取长期信息，带忙碌退避和增量扫描。
项目已在GitHub开源，地址为github.com/openJiuwen-ai。
热门跟贴