適用於 Openclaw 的 Collaborative Agent

一個先進的多代理協作框架,用於建構複雜的任務規劃、執行、同行評審和自我進化流程。

534422530
v1.0.0
Jun 2, 2026
0
554
0

安裝與下載

1. ClawHub CLI

從來源直接安裝技能的最快方式。

npx clawhub@latest install collaborative-agent

2. 手動安裝

將技能資料夾複製到以下位置之一

全域模式
~/.openclaw/skills/
工作區
<project>/skills/

優先級:工作區 > 本地 > 內建

3. 提示詞安裝

將此提示詞複製到 OpenClaw 即可自動安裝。

請幫我使用 Clawhub 安裝 collaborative-agent。如果尚未安裝 Clawhub,請先安裝(npm i -g clawhub)。

想要直接下載?

取得包含原生技能檔案的ZIP壓縮檔。

什麼是 Collaborative Agent?

Collaborative Agent 技能實現了 AutoResearchClaw (ARC) 2026 框架,以支援強大的多代理同行評審和任務執行工作流。該框架在核心 think-expand 認知層下運行,將複雜任務分解為專門的子任務,並將其委派給特定的代理角色。通過利用合作規劃、執行、評審、總結、研究和批評代理,系統建立了一個不斷優化輸出品質的迭代回饋循環。

該工具專為無縫整合到 Openclaw Skills 生態系統而設計,與 ScriptDB、VSAEngine、SkillEvolver 和 CognitiveReasoner 等強大的核心引擎相整合。這確保了複雜的編碼、研究和技術寫作專案能夠受益於自我強化循環和自動化品質保證。

Collaborative Agent 應用場景

  • 執行需要順序規劃、開發和嚴格評審週期的複雜多步驟工程任務。
  • 管理需要多視角分析和多源綜合的學術及技術研究專案。
  • 生成高品質程式碼和內容,其中同行評審和基於迭代回饋的優化至關重要。
  • 將來自不同渠道的資訊匯總為結構化、全面且經過驗證的報告。

Collaborative Agent 運作原理

  1. think-expand 核心系統接收一個複雜的高級目標,並將分解後的需求委派給協作代理工作流。
  2. 專門的角色(如研究員、規劃員、執行者、評審員和總結員)被動態分配給各個子任務,並繪製出明確的依賴樹。
  3. 工作流根據依賴關係按順序執行子任務,利用 capability_executor.detect_and_execute() 與系統功能進行互動。
  4. 輸出交付物經過迭代的同行評審階段,其中評審員和批評代理透過 CognitiveReasoner 提供語言和數字回饋。
  5. 執行者代理根據評估結果改進輸出,同時 SkillEvolver 記錄失敗案例以實現持續的代理自我進化。
  6. 總結員將所有經過驗證的執行細節和回饋日誌匯總為高度結構化的最終報告。

Collaborative Agent 設定指南

要開始使用 Collaborative Agent 技能,請確保您的工作空間已配置為指向您的 Openclaw Skills 目錄。

配置您的 python 環境以存取協作代理模組:

# Verify the installation path
cd ~\/.config\/opencode\/skills\/collaborative-agent

使用下方的範例將協作代理整合到您的 Python 自動化工作流中:

import sys
sys.path.insert(0, '\/Users\/pc\/.config\/opencode\/skills\/collaborative-agent')
from collaborative_agent import ARCWorkflow, AgentRole

# Instantiate the collaborative workspace
wf = ARCWorkflow()

# Orchestrate your task dependencies and assign roles
wf.add_task("Research advanced optimization routines", role="researcher")
wf.add_task("Formulate implementation blueprint", role="planner", depends_on=[0])
wf.add_task("Write and debug implementation", role="executor", depends_on=[1])
wf.add_task("Review code standards and coverage", role="reviewer", depends_on=[2])
wf.add_task("Compile structured executive summary", role="summarizer", depends_on=[3])

# Run all cooperative tasks in order
results = wf.run_all()

# Retrieve the compiled report
report = wf.get_report()
print(report)

Collaborative Agent 資料結構與分類體系

Collaborative Agent 對其內部配置和遙測數據進行結構化,以便在您的 Openclaw Skills 工作流環境中進行追蹤、評估和進化。

資料組件 格式 / 儲存 描述
基礎目錄 本地路徑 (~\/.config\/opencode\/skills\/collaborative-agent) 包含核心模組,包括 collaborative_agent.py 和外部工具連接器。
ARCWorkflow 圖 記憶體依賴樹 維護活動任務列表、任務狀態(待定、執行中、已完成)、依賴參照和角色映射。
認知回饋 CognitiveReasoner 架構 在迭代同行評審循環中使用的結構化語言評估和數字評分。
失敗紀錄 SkillEvolver 資料庫 執行錯誤、失敗推理路徑和用於技能進化的糾正策略的持久紀錄。

Collaborative Agent 進階特性

  • 迭代同行評審週期: 建立自動化的「生產 -> 評審 -> 回饋 -> 優化」循環,防止未經核實的輸出到達最終使用者。
  • 失敗紀錄與自我進化: 原生呼叫 SkillEvolver 來記錄邏輯或機械執行失敗,促進在您的 Openclaw Skills 部署中持續進行自我進化。
  • 認知評估邏輯: 採用 CognitiveReasoner 對程式碼和文件輸出產生深入的語言和數字回饋,推動上下文感知的改進。
  • 可擴充工具執行: 直接與 capability_executor 整合,以動態執行預註冊的系統工具和系統功能。
  • 追蹤與可觀測性: 設計了追蹤整合,允許開發人員觀察、調試和監控多代理操作及 Token 使用效率。

SKILL.md


加載中

Openclaw 相關技能

METADATA

Github Stars: 0
forks: 0

精選*