AgentHub — 多智能體協作 是做什麼的?
啟動 N 個並行 AI 智能體,在相同任務上相互競爭。每個智能體在隔離的 Git worktree 中工作。協調器評估結果並合併優勝者。
斜杠命令
| 指令 | 說明 |
|---|---|
/hub:init | 建立新的協作工作階段 — 任務、智能體數量、評估標準 |
/hub:spawn | 在隔離的 worktree 中啟動 N 個並行子智能體 |
/hub:status | 顯示 DAG 狀態、智能體進度、分支狀態 |
/hub:eval | 以指標或 LLM 評審對智能體結果進行排名 |
/hub:merge | 合併優勝分支,封存落敗分支 |
/hub:board | 讀取/寫入智能體訊息看板 |
/hub:run | 一次性生命週期:初始化 → 基準線 → 啟動 → 評估 → 合併 |
智能體模板
使用 --template 啟動時,智能體會遵循預定的迭代模式:
| 模板 | 模式 | 使用案例 |
|---|---|---|
optimizer | 編輯 → 評估 → 保留/捨棄 → 重複 x10 | 效能、延遲、大小 |
refactorer | 重構 → 測試 → 迭代直到通過 | 程式碼品質、技術債 |
test-writer | 撰寫測試 → 測量覆蓋率 → 重複 | 測試覆蓋率缺口 |
bug-fixer | 重現 → 診斷 → 修復 → 驗證 | 錯誤修復方法 |
模板定義在 references/agent-templates.md。
技能觸發時機
觸發短語:
- "嘗試多種方法"
- "讓智能體競爭"
- "平行最佳化"
- "啟動 N 個智能體"
- "比較不同解決方案"
- "分散出去" 或 "錦標賽"
- "生成內容變體"
- "比較不同草稿"
- "A/B 測試文案"
- "探索多種策略"
協調器協定
主 Claude Code 會話作為協調器。它遵循這個生命週期:
INIT → DISPATCH → MONITOR → EVALUATE → MERGE
1. 初始化
執行 /hub:init 建立工作階段。這會產生:
.agenthub/sessions/{session-id}/config.yaml— 任務配置.agenthub/sessions/{session-id}/state.json— 狀態機.agenthub/board/— 訊息看板頻道
2. 發送
執行 /hub:spawn 啟動智能體。對於每個智能體 1..N:
- 將任務指派發佈到
.agenthub/board/dispatch/ - 透過 Agent 工具以
isolation: "worktree"啟動 - 所有智能體在單一訊息中啟動(平行)
3. 監控
執行 /hub:status 檢查進度:
dag_analyzer.py --status --session {id}顯示分支狀態- 看板的
progress/頻道有智能體更新
4. 評估
執行 /hub:eval 對結果排名:
- 指標模式:在每個 worktree 中執行評估命令,解析數值結果
- 評審模式:讀取 diff,協調器根據品質排名
- 混合模式:先看指標,平手時以 LLM 評審決定
5. 合併
執行 /hub:merge 完成:
git merge --no-ff將優勝者合併到基礎分支- 標記落敗者:
git tag hub/archive/{session}/agent-{i} - 清理 worktree
- 將合併摘要發佈到看板
智能體協定
每個子智能體會收到以下提示模式:
你是 hub 工作階段 {session-id} 中的 agent-{i}。
你的任務:{任務描述}
指示:
1. 在 .agenthub/board/dispatch/{seq}-agent-{i}.md 閱讀你的指派任務
2. 在你的 worktree 中工作 — 進行變更、執行測試、迭代
3. 提交所有變更並附上描述性訊息
4. 將你的結果摘要寫入 .agenthub/board/results/agent-{i}-result.md
5. 完成後退出
智能體不會看到彼此的工作。它們不會互相通訊。它們只寫入看板供協調器讀取。
DAG 模型
分支命名
hub/{session-id}/agent-{N}/attempt-{M}
- 工作階段 ID:基於時間戳記(
YYYYMMDD-HHMMSS) - 智能體 N:依序(1 到 agent-count)
- 嘗試 M:重試時遞增(通常為 1)
邊界偵測
邊界 = 沒有子分支的分支提示。等同於 AgentHub 的 "leaves" 查詢。
python scripts/dag_analyzer.py --frontier --session {id}
不可變性
DAG 是僅附加的:
- 永遠不要 rebase 或 force-push 智能體分支
- 永遠不要刪除提交(僅在封存後刪除分支參考)
- 每種方法都透過 git tag 保留
訊息看板
位置:.agenthub/board/
頻道
| 頻道 | 寫入者 | 讀取者 | 用途 |
|---|---|---|---|
dispatch/ | 協調器 | 智能體 | 任務指派 |
progress/ | 智能體 | 協調器 | 狀態更新 |
results/ | 智能體 + 協調器 | 所有人 | 最終結果 + 合併摘要 |
文章格式
---
author: agent-1
timestamp: 2026-03-17T14:30:22Z
channel: results
parent: null
---
## 結果摘要
- **方法**:以 hash map 取代 O(n²) 排序
- **變更檔案數**:3
- **指標**:142ms(基準線:180ms,差異:-38ms)
- **信心度**:高 — 所有測試通過
看板規則
- 僅附加:永遠不要編輯或刪除文章
- 唯一檔名:
{seq:03d}-{author}-{timestamp}.md - 所有文章都需要 YAML frontmatter
評估模式
基於指標
最適合:基準測試、測試通過率、檔案大小、回應時間。
python scripts/result_ranker.py --session {id} \
--eval-cmd "pytest bench.py --json" \
--metric p50_ms --direction lower
排名器會在每個智能體的 worktree 目錄中執行評估命令,並從 stdout 解析指標。
LLM 評審
最適合:程式碼品質、可讀性、架構決策。
協調器會讀取每個智能體的 diff(git diff base...agent-branch)並根據以下條件排名:
- 正確性(是否解決任務?)
- 簡潔性(更少的變更行數優先)
- 品質(乾淨的執行、良好的結構)
混合模式
先執行指標評估。如果排名頂尖的智能體結果相差在 10% 以內,則使用 LLM 評審來打破平手。
工作階段生命週期
init → running → evaluating → merged
→ archived (若無優勝者)
狀態轉換由 session_manager.py 管理:
| 從 | 到 | 觸發條件 |
|---|---|---|
init | running | /hub:spawn 完成 |
running | evaluating | 所有智能體返回 |
evaluating | merged | /hub:merge 完成 |
evaluating | archived | 無優勝者 / 全部失敗 |
主動觸發
協調器應在以下情況採取行動:
| 訊號 | 動作 |
|---|---|
| 所有智能體崩潰 | 張貼失敗摘要,建議以不同限制重試 |
| 相對於基準線無改進 | 封存工作階段,建議不同方法 |
| 偵測到孤立 worktree | 執行 session_manager.py --cleanup {id} |
工作階段卡在 running | 檢查看板進度,考慮超時 |
安裝
# 複製到你的 Claude Code skills 目錄
cp -r engineering/agenthub ~/.claude/skills/agenthub
# 或透過 ClawHub 安裝
clawhub install agenthub
指令稿
| 指令稿 | 用途 |
|---|---|
hub_init.py | 初始化 .agenthub/ 結構和工作階段 |
dag_analyzer.py | 邊界偵測、DAG 圖形、分支狀態 |
board_manager.py | 訊息看板 CRUD(頻道、文章、討論串) |
result_ranker.py | 以指標或 diff 品質對智能體排名 |
session_manager.py | 工作階段狀態機與清理 |
相關技能
- autoresearch-agent — 單智能體最佳化迴圈(當你想要 N 個智能體競爭時,使用 AgentHub)
- self-improving-agent — 自我修改智能體(當你想要外部競爭時,使用 AgentHub)
- git-worktree-manager — Git worktree 工具(AgentHub 內部使用 worktree)