#多智能体 (13)

字节跳动开源的 super agent harness(8.2 万+ star)。2.0 是彻底重写,与 1.x 不共享代码:子 agent、可扩展 skill、沙箱与文件系统、长期记忆、会话目标,外加把上下文压缩做成手动的 Manual Context Compaction。定位从「深度研究框架」抬到「承载任意任务的运行时」。我们未做基准复现,记为待复现。

智能体运行时多智能体Skill System

Python83k11k346

paperclipai/paperclipMIT

Paperclip:用 AI agent 团队经营一家公司

开源的 AI agent 团队编排系统:Node.js 服务端 + React 界面,自带 agent、定目标,在同一个仪表盘上追踪工作与成本。看着像任务管理器,底下是组织架构、预算、治理、目标对齐与 agent 协同——管的是业务目标,不是 pull request。MIT 协议,自托管。

智能体编排多智能体Governance

TypeScript81k15k395

multica-ai/multicaNOASSERTION

Multica:会上看板的 AI 编码 agent

开源自托管的 agent 工作区:像给同事派活一样把 issue 指派给 AI 编码 agent,它自己接单、在你自己的 runtime 上执行、全程留评论,最后交回 review。支持 26 个 agent CLI,意图/运行/决策/diff 全挂在同一个 issue 上,代码不出你的机器。

智能体编排Coding Agent多智能体

Go51k6.6k184

huangruiteng/loopxApache-2.0

LoopX：长时程 Agent 的开源有状态控制平面

LoopX 是一个开源、provider 中立的有状态控制平面，跑在 Codex、Claude Code、Cursor 等 agent harness 之上而不替换它们：把目标、门禁、待办、范围、证据、配额与交接保存为跨回合、跨重启、跨 agent 的持久状态，用 quota 决定循环能否继续，让多天级任务可审查、可恢复、可交接。

Agent infrastructureControl planeLong-horizon agents

Python5.7k50427

AI 编程开发梯顶C

Qoder:阿里的 agentic platform for real work,九条产品线共用一套知识引擎

阿里巴巴的智能体编码平台,官方定位 agentic platform for real work:不是一个编辑器,而是一条端到端闭环——理解任务与上下文 → 规划 → 调工具执行 → 验证结果 → 朝交付物迭代,三条底层理念是上下文工程、agent 自主性与目标导向循环;九条产品线共用一套知识引擎(桌面 Qoder 与 Qoder IDE 并存互不替代、Editor 与 Quest 双形态、JetBrains 插件、Qoder CLI、云端 agents 等),会话历史与 memory 分开存但可从 IDE 导入。Repo Wiki 由多 agent 在本地生成、不上传代码库,默认关闭,支持 Auto Update / Auto Export / Citation 回指源码位置。Quest 有四种驱动方式:Agent / Experts / Goal / Spec(可转定时任务)——Spec 走需求澄清(多选题形式,可 Recommend / Continue / Skip)→ 结构化 Spec(需求、设计、任务拆解、验收标准)→ 人工评审 → 执行 → Review/Commit/Push;Goal 只描述结果,每轮结束评估进度、未达成自动进下一轮。两个规模化案例:用 Qoder 造 Qoder(10 人 3 周,50 万行 agent 代码并入 400 万行遗留系统,99% 由 agent 生成,到 v1.4.0 仍在生产运行且零线上事故;方法是认知底座 + Ultra Spec + Experts 交叉评审 + verifier agent 反向过滤幻觉问题,人只做 SLO 定义与不可逆操作的最终决策,人均每天主导 20 多个 Experts 任务);高德车机 AutoSDK 跨 20 多个仓库、超百万行,严格一次通过率 37.3% → 61.5%(问题定性引 KoCo-Bench / arXiv:2601.13240v3:通用编程 Pass@1 可达 90%,领域代码生成只有 8.9%)。边界:客户端与知识引擎不开源;全部规模化数据出自官方案例与厂商自述,自家产品自证存在方法学自利偏差,未独立复算;Experts 单位成本明显高于单 agent(中位数约 75 vs 50 Credits),Credits 周期清零不能囤。置信度 C(厂商宣称)。

500,000 行 · 99% agent 生成10 人 3 周并入 400 万行遗留系统(厂商案例)厂商宣称 · 2026

产品Alibaba官网 Repo

World Action Agent：让 VLM 在视觉动作工作区里驾驶机器人

香港科技大学（广州）、香港中文大学与 Knowin AI 提出 World Action Agent（WAA），一个多智能体 harness——它不改 VLM，而是改 VLM 看到什么、以及它的决策如何生效，让通用 VLM 只用点选、拖拽、预览、执行等基础工具就能驾驶机器人，所有决策都在同一个「视觉动作工作区」内完成。工作区有三个性质：其一是 Contact views，根据交互区域、遮挡、取景紧凑度、视点冗余与稳定性主动求解相机参数，且约束两个视图的水平投影正交，使任何对齐误差都能沿两个独立方向被读出，且只需基坐标系点云，因此对 RGB-D 融合、仿真渲染或 VGGT 重建等感知来源完全无关；其二是动作试演，把每个动作表示为可编辑提案，由 cuRobo 规划后以半透明机器人叠加到各视图并报告可行性，Imagination Agent 在物理场景不变的独立上下文中反复修订，只有具备可执行规划的提案才能变成物理运动；其三是视图内修正，智能体在观察到误差的 Contact view 中从参考点拖到期望位置，参考点可以是所持物体上的可见点，因此无需先把关系换算成绝对位姿。技能侧由 Learner、Editor、Reviewer 三个角色在证据与独立审核约束下从专家视频与人类 Canvas-GUI 教学中进化出关系型多模态技能库。LIBERO-Pro 上以 Gemini 3.7 Flash 为骨干、仅用 LIBERO-90 进化并冻结的技能取得 75.6% 平均成功率的 SOTA，超过 ASPIRE（72.0%）、端到端 VLA 与同骨干的 Show-Harness（6.7%），Spatial 两个切分达 80.0 / 73.3；每回合仅 31 次模型调用、150 秒、0.1996 美元，远低于 Show-Harness 的 120 次、874 秒、0.5021 美元。同一套冻结技能迁移到 robosuite 达 100.0%；用 112 条轨迹（1,774 决策步）LoRA 微调 Qwen3.5-9B 只替换主智能体，域外成功率从 1.7% 提升至 43.3%。

Yehang Zhang, Haojian Huang, Yifan Chang2026年9月24日

World Action AgentWAA视觉语言模型2026年9月24日

0:33

CHORUS：多机器人协作VLA

@LeoKharon · 250次播放 · 2026-09-15

机器人协同多智能体视觉语言动作模型

1:34

Cursor 推出 Projects：常驻协调智能体在单一线程里调度子智能体

@cursor_ai · 225次播放 · 2026-09-10

Coding Agent智能体编排多智能体

图工程：构建多智能体 AI 系统的完整指南

多智能体系统的难点不在单个智能体，而在工作如何在图中流动。这篇万字长文提出「图工程」方法论：用依赖测试识别假依赖、用关键路径而非总步数衡量延迟、推理前先做确定性压缩、让验证者以证伪为目标、把人工批准建模为边而非节点、冻结不可优化的规则，并给出五种经典图形态与一份可直接套用的图规格模板，以及何时不该建图的判断标准。

博客

多智能体图工程编排大语言模型智能体编排