Skip to content

README_CN.md

Latest commit

 

History

History
606 lines (428 loc) · 22.1 KB

README_CN.md

File metadata and controls

606 lines (428 loc) · 22.1 KB

  ClawTeam：Agent 群体智能

今天的 Agent 各自为战 🤖，明天的 Agent 将协同作战 🦞🤖🤖🤖
ClawTeam：让 AI Agent 自主组建团队、分配任务、协同工作的 CLI 工具

Quick Start Use Cases Features License

Python Typer Agents Transport Feishu WeChat

一行命令：给 Agent 一个目标，它自动组建团队完成任务。支持 Claude Code、Codex、OpenClaw、nanobot、Cursor 及任意 CLI Agent。  English

📰 News

2026-03-18 ClawTeam 项目正式公开发布。

2026-03-23 ClawTeam v0.2.0 今日发布。

2026-03 当前能力基线已包含配置管理、多用户协作、Web UI、P2P 传输与团队模板。

v0.1.0

clawteam.mp4

v0.2.0

agentteam-release-2k-Compressed.mp4

☝️ 智能 Leader Agent 在 8 块 H100 GPU 上编排 8 个专职子 Agent，自主设计实验，并根据实时表现动态重分配资源。

🧠 系统会在团队之间汇总突破、持续调整策略，实现无需人工介入的研究自动化。

ClawTeam - Agent 群体智能

✨ 核心场景

🔬 自主 ML 研究

AutoResearch

多 GPU 实验群体

8 Agent × 8 H100 自主优化 LLM 训练：2430+ 实验，val_bpb 1.044→0.977

🏗️ Agent 软件工程

Engineering

并行软件开发

Agent 自动拆分为 API、后端、前端、测试 —— 各自独立分支，完成后自动合并

💰 AI 对冲基金

Hedge Fund

多分析师信号融合

7 个分析师 Agent（价值、成长、技术、基本面、情绪）+ 风控经理收敛投资决策

🎪 自定义群体

Templates

一键启动团队

用 TOML 模板定义任意团队原型 —— 角色、任务、提示词 —— 一条命令 clawteam launch 启动

🤔 为什么需要 ClawTeam？

AI 编程 Agent 很强大 —— 但它们各自为战。当任务太大时，你只能手动拆分工作、复制粘贴上下文、合并结果。

如果 Agent 能自己组队呢？

ClawTeam 实现了 Agent 群体智能（Swarm Intelligence）—— Agent 自主组建团队、分工协作、共享发现、收敛到最优方案。一个 Leader Agent 可以：

  • 🚀 创建子 Agent —— 每个子 Agent 拥有独立的 Git Worktree 和 tmux 会话
  • 📋 分配任务 —— 支持依赖链，完成时自动解除下游阻塞
  • 💬 发送消息 —— 向任意子 Agent 发送指令
  • 📊 监控进度 —— 查看看板、读取实验结果
  • 🔄 调整方向 —— 终止低效 Agent，用新方向重新分配

人类只需提供初始目标，群体智能完成剩下的一切。

ClawTeam 工作流程

🎯 群体智能的优势

🦞 Agent 创建 Agent

Leader Agent 调用 clawteam spawn 创建 Worker。每个 Worker 自动获得独立的 Git Worktree、tmux 窗口和身份标识。

# Leader Agent 执行：
clawteam spawn --team my-team \
  --agent-name worker1 \
  --task "实现认证模块"

🤖 Agent 之间对话

Worker 检查收件箱、更新任务状态、汇报结果 —— 全部通过 CLI 命令，启动时自动注入协作提示词。

# Worker Agent 检查任务：
clawteam task list my-team --owner me
# 汇报结果：
clawteam inbox send my-team leader \
  "认证模块完成，全部测试通过。"

👀 你只需观看

通过 tmux 平铺视图或 Web UI 监控群体工作。Leader 负责协调 —— 你只在需要时介入。

# 同时观看所有 Agent
clawteam board attach my-team
# 或打开 Web 仪表板
clawteam board serve --port 8080
ClawTeam 其他多 Agent 框架
🎯 使用者 AI Agent 自身 人类编写编排代码
⚡ 搭建 pip install + 一句提示词 Docker、云 API、YAML 配置
🏗️ 基础设施 文件系统 + tmux 即可 Redis、消息队列、数据库
🤖 Agent 支持 任意 CLI Agent（Claude Code、Codex、OpenClaw 等） 仅限特定框架
🌳 隔离机制 Git Worktree（真实分支、真实 diff） 容器或虚拟环境
🧠 协调方式 群体自组织 CLI 命令 硬编码编排逻辑

🎬 使用场景

🔬 1. 自主 ML 研究 — 8 Agent × 8 块 H100 GPU

基于 @karpathy 的 autoresearch。人类告诉 Leader Agent："用 8 块 GPU 优化这个 LLM 训练配置。" Leader 自主完成所有工作。

AutoResearch 实验进展
🏆 val_bpb: 1.044 → 0.977（提升 6.4%）| 2430+ 实验 | ~30 GPU 小时

Leader Agent 自主完成的操作：

人类提示词："用 8 块 GPU 优化 train.py，阅读 program.md 了解规则。"

🦞 Leader Agent 的行动：
├── 📖 阅读 program.md，理解实验协议
├── 🏗️ clawteam team spawn-team autoresearch
├── 🚀 为每块 GPU 分配研究方向：
│   ├── GPU 0: clawteam spawn --task "探索模型深度（DEPTH 10-16）"
│   ├── GPU 1: clawteam spawn --task "探索模型宽度（ASPECT_RATIO 80-128）"
│   ├── GPU 2: clawteam spawn --task "调优学习率和优化器"
│   ├── GPU 3: clawteam spawn --task "探索批量大小"
│   ├── GPU 4-7: clawteam spawn tmux codex --task "..."（Codex Agent）
│   └── 🌳 每个 Agent 独立的 Git Worktree 和分支
├── 🔄 每 30 分钟检查进展：
│   ├── clawteam board show autoresearch
│   ├── 读取每个 Agent 的 results.tsv
│   ├── 🏆 识别最佳发现（depth=12、batch=2^17、norm-before-RoPE）
│   └── 📡 交叉融合：让新 Agent 从最佳配置开始
├── 🔧 Agent 完成后重新分配 GPU：
│   ├── 终止空闲 Agent，清理工作区
│   ├── 从最佳 commit 创建新的 Worktree
│   └── 用组合优化方向创建新 Agent
└── ✅ 2430+ 实验后：val_bpb 1.044 → 0.977

完整结果：novix-science/autoresearch

🏗️ 2. 大规模 Agent 软件工程

你告诉 Claude Code："帮我做一个全栈 Todo 应用。" Claude 判断这是多模块任务，自主组建团队：

人类提示词："做一个全栈 Todo 应用，包含认证、数据库和 React 前端。"

🦞 Leader Agent 的行动：
├── 🏗️ clawteam team spawn-team webapp -d "全栈 Todo 应用"
├── 📋 创建带依赖链的任务：
│   ├── T1: "设计 REST API 接口"          → architect
│   ├── T2: "实现 JWT 认证" --blocked-by T1  → backend1
│   ├── T3: "构建数据库层" --blocked-by T1   → backend2
│   ├── T4: "构建 React 前端"             → frontend
│   └── T5: "集成测试" --blocked-by T2,T3,T4 → tester
├── 🚀 创建 5 个子 Agent（各自独立 Git Worktree）
├── 🔗 依赖自动解除：
│   ├── architect 完成 → backend1 和 backend2 自动解除阻塞
│   └── 所有后端完成 → tester 自动开始
├── 💬 子 Agent 通过收件箱协调：
│   ├── architect → backend1: "API 接口规范在这..."
│   ├── backend1 → tester: "认证端点已就绪 /api/auth/*"
│   └── tester → leader: "全部 47 个测试通过 ✅"
└── 🌳 Leader 将所有 Worktree 合并回主分支

💰 3. AI 对冲基金 — 一键启动团队

预置的 TOML 模板一键创建 7 Agent 投资分析团队：

# 一条命令启动完整团队：
clawteam launch hedge-fund --team fund1 --goal "分析 AAPL、MSFT、NVDA 的 Q2 2026 投资价值"
🦞 自动发生的事情：
├── 📊 投资组合经理（Leader）启动并接收目标
├── 🤖 5 个分析师 Agent 启动，各有不同策略：
│   ├── 🎩 巴菲特分析师 → 价值投资（护城河、ROE、DCF）
│   ├── 🚀 成长分析师   → 颠覆潜力（TAM、网络效应）
│   ├── 📈 技术分析师   → 技术指标（EMA、RSI、布林带）
│   ├── 📋 基本面分析师 → 财务比率（P/E、D/E、FCF）
│   └── 📰 情绪分析师   → 新闻 + 内部交易信号
├── 🛡️ 风险经理汇总所有信号，计算仓位限制
└── 💼 投资组合经理做出最终买入/卖出/持有决策

📦 安装

pip install clawteam

# 或从源码安装
git clone https://github.com/HKUDS/ClawTeam.git
cd ClawTeam
pip install -e .

# 可选：P2P 传输（ZeroMQ）
pip install -e ".[p2p]"

需要 Python 3.10+。依赖：typer、pydantic、rich。

下面所有 spawn 示例都默认你填写的 agent CLI 已经安装好，并且在 PATH 里可以直接运行。

🚀 快速开始

如果你是第一次用 ClawTeam，建议按这个顺序：

  1. 先确认 tmux 和你的 agent CLI 本机能单独跑起来。
  2. 选一条路径：让 agent 驱动，或者你自己手动驱动。
  3. 根据下面的支持表，选择正确的 spawn 命令。
  4. 如果你接的是新 agent，先看兼容要求，再去排查问题。

✅ 开始前先确认

先跑这几个检查：

tmux -V
clawteam --help

# 把 claude 换成你实际要用的 agent：
claude --version
codex --version
nanobot --help

如果 agent CLI 自己都跑不起来，clawteam spawn 也不会帮你修好它。

⚡ 方式一：让 Agent 驱动（推荐）

ClawTeam 自带一个可复用的 skill，位于 skills/clawteam/。

Claude Code

把这个 skill 安装到 ~/.claude/skills/clawteam，然后直接告诉你的 Agent：

"帮我做一个 Web 应用。用 clawteam 把工作拆分给多个 Agent。"

Codex

把同一个 skill 安装到 $CODEX_HOME/skills/clawteam（通常是 ~/.codex/skills/clawteam），然后提示：

用 $clawteam 把这个任务拆成多 Agent 团队，协调执行直到完成。

Agent 会自动使用 clawteam 命令创建团队、启动 Worker、分配任务、协调工作。

🔧 方式二：手动操作

# 1. 创建团队
clawteam team spawn-team my-team -d "构建认证模块" -n leader

# 2. 启动 Worker Agent —— 每个自动获得 Git Worktree、tmux 窗口和身份
clawteam spawn --team my-team --agent-name alice --task "实现 OAuth2 流程"
clawteam spawn --team my-team --agent-name bob   --task "编写认证单元测试"

# 3. Worker 自动获得协作提示词，知道如何：
#    ✅ 查看任务：clawteam task list my-team --owner alice
#    ✅ 更新状态：clawteam task update my-team <id> --status completed
#    ✅ 汇报 Leader：clawteam inbox send my-team leader "完成！"

# 4. 观看 Agent 协同工作
clawteam board attach my-team

🧩 Profiles 和 Presets

如果你想使用非默认 provider、模型或 API 网关，推荐先配置 profile， 而不是每次手动导出一堆环境变量。

# 查看内置 provider 模板
clawteam preset list
clawteam preset show moonshot-cn

# 从 preset 生成可复用的 runtime profile
clawteam preset generate-profile moonshot-cn claude --name claude-kimi

# MiniMax（M2.7）— 国际或国内端点
clawteam preset generate-profile minimax-global claude --name claude-minimax
clawteam preset generate-profile minimax-cn claude --name claude-minimax-cn

# 或使用交互式 TUI
clawteam profile wizard

# Claude Code 在全新机器 / 全新 HOME 下通常只需要执行一次
clawteam profile doctor claude

# 在真正 spawn 之前先做 smoke test
MOONSHOT_API_KEY=... clawteam profile test claude-kimi
MINIMAX_API_KEY=... clawteam profile test claude-minimax

可以这样理解：

  • profile 是最终给 spawn / launch 使用的运行时配置
  • preset 是可复用的 provider 模板，用来生成一个或多个 profile
  • wizard 适合第一次配置时用
  • doctor 主要用于修复 Claude Code 首次 onboarding 状态

🧭 我到底该用哪条 spawn 命令？

通用格式是 clawteam spawn [backend] [command] ...。command 要填你机器上本来就能工作的 agent CLI：

# Claude Code
clawteam spawn tmux claude --team my-team --agent-name alice --task "实现 OAuth2"

# Codex
clawteam spawn tmux codex --team my-team --agent-name bob --task "编写前端测试"

# nanobot
clawteam spawn tmux nanobot --team my-team --agent-name carol --task "构建 API"

# 已配置好的 profile（推荐用于非默认 provider / 模型）
clawteam spawn tmux --profile claude-kimi --team my-team --agent-name dave --task "重构认证流程"

说明：

  • tmux 是默认 backend，适合需要保留交互式 TUI、并且想直接观察 agent 工作过程的场景。
  • subprocess 更适合一次性工具或非交互脚本。
  • nanobot 在 ClawTeam 内部会自动规范化为 nanobot agent，上面的写法就是正确入口。
  • Claude Code 和 Codex 在全新 worktree 里的 trust prompt，tmux backend 会自动确认。
  • 如果你用的是非默认 provider / 模型，优先使用 --profile <name>，不要每次手工拼环境变量。

🔌 接入别的 Agent 要满足什么？

除了 Claude Code、Codex、nanobot 之外，ClawTeam 也能接别的 CLI agent，但至少要满足这几个条件：

  1. 命令在 PATH 里能找到，并且脱离 ClawTeam 也能正常启动。
  2. 能在指定工作目录或 git worktree 里运行。
  3. 能接收初始任务，方式可以是命令行参数，也可以是交互输入。
  4. 如果是交互式 agent，启动后不能立刻退出，得能留在 tmux 里。

如果你不确定一个 agent 是否兼容，先这样测：

clawteam spawn subprocess <your-agent> --team my-team --agent-name test --task "Say OK"

这条能跑通，再切到 tmux 做交互式监控。

🤖 支持的 Agent

下表中的命令都默认对应 CLI 已经能在你的机器上独立运行。

Agent 启动命令 状态
Claude Code clawteam spawn tmux claude --team ... ✅ 完全支持
Codex clawteam spawn tmux codex --team ... ✅ 完全支持
OpenClaw clawteam spawn tmux openclaw --team ... ✅ 完全支持
nanobot clawteam spawn tmux nanobot --team ... ✅ 完全支持
Kimi CLI clawteam spawn tmux kimi --team ... ✅ 完全支持
Cursor clawteam spawn subprocess cursor --team ... 🔮 实验性
自定义脚本 clawteam spawn subprocess python --team ... ✅ 完全支持

像 “Claude Code 走 Moonshot Kimi”、”Claude Code 走 MiniMax” 或 “Gemini 走 Vertex” 这类 provider-aware 场景， 推荐先用 profile + preset 配好，再通过 --profile 启动。

✨ 功能特性

🦞 Agent 自组织

  • Leader Agent 创建和管理 Worker Agent
  • 自动注入协作提示词 —— 零配置
  • Worker 自主汇报状态、结果和空闲状态
  • 支持任意 CLI Agent

🌳 工作区隔离

  • 每个 Agent 独立 Git Worktree（独立分支）
  • 并行 Agent 之间零冲突
  • 检查点、合并、清理命令

📋 带依赖的任务跟踪

  • 共享看板：pending → in_progress → completed / blocked
  • --blocked-by 依赖链 —— 完成时自动解除阻塞
  • task wait 阻塞直到全部完成

💬 Agent 间通信

  • 点对点收件箱（发送、接收、预览）
  • 广播给所有团队成员
  • 文件传输（默认）或 ZeroMQ P2P 传输（含离线回退）

📊 监控面板

  • board show — 终端看板
  • board live — 自动刷新
  • board attach — tmux 平铺视图
  • board serve — Web UI 实时仪表板

🎪 团队模板

  • TOML 文件定义团队原型（角色、任务、提示词）
  • 一条命令启动完整团队：clawteam launch <template>
  • 内置：AI 对冲基金（7 Agent），可自定义

🗺️ 发展路线

阶段 版本 内容 状态
当前 v0.3 文件传输 + P2P (ZeroMQ) + Web UI + 多用户 + 团队模板 ✅ 已完成
Phase 1 v0.4 Redis Transport —— 跨机器消息通信 🔜 计划中
Phase 2 v0.5 共享状态层 —— 团队配置和任务也跨机器 🔜 计划中
Phase 3 v0.6 Agent 市场 —— 发现和复用社区 Agent 模板 💡 规划中
Phase 4 v0.7 自适应调度 —— 根据 Agent 性能动态调整任务分配 💡 规划中
Phase 5 v1.0 生产级稳定版 —— 认证、权限、审计日志 💡 规划中

Milestones

里程碑 状态 说明
v0.1.x ✅ 已发布 核心 CLI、团队/任务/消息流、看板、模板、打包发布。
v0.2.0 ✅ 已发布 稳定性修复、文档升级、spawn/workspace 修复与 release 打包。
v0.3 📍 路线基线 文件传输 + P2P、Web UI、多用户工作流、团队模板。

📖 致谢

⭐ Star History

如果 ClawTeam 帮助你的 AI Agent 协同工作，给我们一个 star ⭐

📄 开源协议

MIT

ClawTeam — Agent 群体智能 🦞

8 Agent × 8 H100 × 2430 实验 × 一个 CLI × 一个群体


ClawTeam

感谢访问 ✨ ClawTeam！

Views