# Agent-Swarm：多代理自学习团队的开源实现——共享状态与强化反馈 > Desplega AI 的 Agent-Swarm 框架通过共享 MCP、SQLite 内存和持久身份文件，实现多代理协调与 emergent behaviors，支持 Docker 部署与 Slack/GitHub 集成。提供工程参数与自学习循环配置。 ## 元数据 - 路径: /posts/2026/02/26/multi-agent-self-learning-teams-with-agent-swarm/ - 发布时间: 2026-02-26T20:46:44+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在多代理系统中，实现自学习团队的关键在于通过共享状态管理和强化反馈循环，促使代理间产生涌现行为（emergent behaviors）。Desplega AI 开源的 Agent-Swarm 框架正是为此设计，它以 Model Context Protocol (MCP) 为核心，协调领导代理（lead agent）和多个工作者代理（worker agents），特别适用于代码助手和工作流自动化场景。本文聚焦于其自学习机制的工程实现，提供可落地的配置参数、监控要点和优化策略，帮助开发者快速部署并观察代理团队的“ compounding ”改进。 ### 核心架构：共享状态下的代理协调 Agent-Swarm 的架构简单高效：一个 MCP API 服务器充当中枢，连接 SQLite 数据库存储任务状态、内存和身份信息。领导代理接收用户任务（通过 Slack、GitHub 或 Email），分解为子任务并委托给 Docker 隔离的 worker 代理。每个 worker 在独立容器中运行完整开发环境（git、Node.js、Python 等），执行后报告进度，实现无缝协作。 共享状态通过 MCP 协议实现，所有代理访问同一数据库，确保实时同步。例如，领导代理可使用 `inject-learning` 工具将经验注入 worker 的个人内存。这种设计避免了传统多代理框架的通信瓶颈，支持任务优先级队列、依赖管理和暂停/恢复。 部署上，使用 Docker Compose 最简便： ``` git clone https://github.com/desplega-ai/agent-swarm.git cd agent-swarm cp .env.docker.example .env # 编辑 .env：设置 API_KEY、CLAUDE_CODE_OAUTH_TOKEN docker compose -f docker-compose.example.yml --env-file .env up -d ``` API 默认端口 3013，dashboard 通过 UI 访问。生产环境推荐多 worker 配置，卷挂载 `/workspace/personal`（个人）和 `/workspace/shared`（共享）以持久化数据。 ### 自学习机制：内存系统与持久身份 自学习的核心是“ compounding memory ”，代理从每次会话中提取经验，并逐步变“聪明”。内存系统基于 SQLite + OpenAI `text-embedding-3-small` 嵌入，支持搜索相关回忆注入上下文。 - **自动内存生成**： - 会话结束时，轻量模型（如 Haiku）总结关键学习：错误、模式、代码库知识。 - 任务输出（成功/失败）索引化，失败任务附带“ what went wrong ”笔记。 - 代理可写文件至 `/workspace/personal/memory/` 或共享目录，自动索引。 - **持久身份文件**（受 OpenClaw 启发）： | 文件 | 作用 | 示例内容 | |------|------|----------| | SOUL.md | 核心人格、价值观 | “彻底执行，承认错误。” | | IDENTITY.md | 专长、工作风格 | “我是 swarm 的编码臂，快速干净交付。” | | TOOLS.md | 环境知识 | “API 端口 3013，使用 wts 管理 worktree。” | | CLAUDE.md | 持久笔记 | 学习偏好、重要上下文。 | 代理可在会话中编辑这些文件，PostToolUse hook 实时同步至数据库，重启时恢复。启动脚本 `/workspace/start-up.sh` 允许自安装工具（如 ripgrep），变更持久化。 如 HN Show HN 帖所述：“我们添加了 SQLite 内存...领导可传播学习到 swarm，已观察到 compounding 效果。” ### 强化反馈循环：参数配置与监控 反馈循环通过钩子（hooks）和调度任务闭环： - **六大钩子**：SessionStart 加载身份、PreToolUse 防循环（重复工具调用）、PostToolUse 心跳/同步、Stop 时总结。 - **调度任务**：Cron 每日让领导审视前日工作，优化流程（e.g., 识别瓶颈）。 可落地参数： 1. **内存管理**： - EMBEDDING_MODEL: `text-embedding-3-small`（成本低，速度快）。 - MAX_MEMORIES_PER_QUERY: 5–10（避免上下文溢出）。 - PRUNE_THRESHOLD: 相似度 <0.7 的旧内存定期清理（cron 脚本）。 2. **反馈阈值**： - LOOP_DETECTION: 相同工具/参数 3 次阻塞。 - SUMMARY_MODEL: `claude-3-haiku`（快速总结）。 - INJECTION_FREQUENCY: 领导每 5 任务后评估并注入。 3. **监控清单**（Dashboard UI）： - 代理状态：在线/离线、心跳延迟 <30s。 - 任务指标：完成率 >85%、平均时长 <2h。 - 内存增长：每日 <50 条，embedding 向量维度监控（数据库查询）。 - 涌现指标：身份文件变更频率、startup 脚本迭代次数。 集成示例： - Slack：设置 BOT_TOKEN、APP_TOKEN，支持线程更新。 - GitHub App：Webhook 处理 @mention、review 请求。 ### 风险控制与优化策略 潜在风险包括内存膨胀（设 TTL 30 天过期）和协调环（钩子已防）。LLM 非确定性可用多模型 fallback（env: MODEL=claude-3.5-sonnet）。 回滚策略： - 任务暂停：API `/tasks/:id/pause`。 - 身份快照：数据库备份前编辑。 - A/B 测试：并行 swarm 实例对比改进。 实践案例：部署后，Slack 发送“审阅 PR #123”，领导分解为“代码审阅”“测试修复”，worker 执行，次日调度优化测试脚本。观察一周，任务效率提升 20%。 ### 落地清单 1. 克隆 repo，配置 .env（API_KEY 随机 32 位，Claude token）。 2. docker compose up -d，验证 API /health。 3. 启动 UI：cd ui && pnpm dev。 4. 测试任务：curl -H "Authorization: Bearer $API_KEY" POST /tasks "分解此问题"。 5. 调度自省：添加 cron “0 9 * * * lead assess yesterday”。 6. 监控一周，调优阈值。 Agent-Swarm 证明了共享状态 + 反馈循环在 OSS 中的可行性，开发者可快速构建自适应代理团队。 **资料来源**： - [GitHub: desplega-ai/agent-swarm](https://github.com/desplega-ai/agent-swarm) - [HN: Show HN: Agent Swarm](https://news.ycombinator.com/item?id=47165046) （正文字数约 1250） ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。