ruflo Worker-Agent 集成实战基于 agentic-flow 的智能任务分发与性能追踪全解析【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo导读ruflo原 agentic-flow在其 V3 架构中内置了一套“后台 Worker 与专业化 Agent 之间的智能协调层”——即.agents/skills/worker-integration/SKILL.md所描述的 Worker-Agent Integration Skill。它回答三个核心问题一个后台任务如性能优化、安全审计、测试缺口分析该分发给哪个 Agent、依据什么判断选得准、以及如何用历史反馈让下一次选择越来越准。读完本文你将掌握worker-integration技能的完整命令用法、8 类触发器的 Agent 映射规则、基于质量分数/成功率/延迟/执行次数的性能化选型模型、{trigger}/{topic}/{phase}记忆键规范、基准阈值合规机制与feedback闭环的接入方法并通过 worker-dispatch.ts 与 ADR-014 等源码证据理解其底层实现。一、技能定位后台 Worker 与专用 Agent 的智能调度层1.1 什么是 Worker-Agent Integration在 ruflo 的 V3 体系中存在两类执行单元后台 WorkerBackground Worker由触发器Trigger驱动的后台分析任务。当前系统共实现 12 种触发器包括ultralearn深度学习、optimize性能优化、consolidate记忆整合、predict预测性预加载、audit安全分析、map代码库映射、preload资源预加载、deepdive深度代码分析、document自动文档、refactor重构建议、benchmark性能基准、testgaps测试覆盖分析。这一完整清单可在 worker-dispatch.ts 的类型定义与 ADR-014Cross-Platform Workers System 的扩展章节中找到。专业化 AgentSpecialized Agent如researcher、coder、performance-analyzer、security-analyst、tester、reviewer、planner、documenter等具有单一能力的角色。Worker-Agent Integration 要做的事就是把这两者智能地桥接当某个触发器被识别出来后系统不是把任务随机塞给某个 Agent而是基于触发类型 历史执行表现自动选择“当前最优的 Agent 组合”去执行并把执行结果、延迟、质量分数沉淀下来形成选择依据。SKILL.md 将其能力归纳为四类agent_selectionAgent 选择、performance_tracking性能追踪、memory_coordination记忆协调、self_learning自学习。1.2 与底层 Worker 系统的关系从源码结构看这套技能建立在更底层的 Worker 调度服务之上。WorkerDispatchService位于 worker-dispatch.ts负责 Worker 实例的创建、优先级排队、并发上限控制与状态管理constructor(config: PartialWorkerConfig {}) { super(); this.config { maxConcurrent: config.maxConcurrent ?? 10, // 最大并发 Worker 数默认 10 defaultTimeout: config.defaultTimeout ?? 300000, // 默认超时 300s memoryLimit: config.memoryLimit ?? 1024, // 单 Worker 内存上限MB autoDispatch: config.autoDispatch ?? true, // 根据上下文自动分发 priorityQueue: config.priorityQueue ?? true, // 启用优先级队列 }; }而 Skill 层的 Agent 选择、反馈记录、合规检查则在更上层完成路由决策。二者的边界可以理解为Worker 系统负责“把任务跑起来”Worker-Agent 集成负责“决定交给谁跑、跑得好不好、下次如何更准”。二、快速开始三条命令掌握入口worker-integrationSkill 的核心交互通过agentic-flow workers命令族完成在 ruflo/agentic-flow 运行环境下通过npx agentic-flow调用# 查看某个触发器应推荐哪些 Agent npx agentic-flow workers agents ultralearn npx agentic-flow workers agents optimize # 查看整体性能指标各 Agent 的延迟、成功率等 npx agentic-flow workers metrics # 查看集成统计Agent 数量、反馈量、模型缓存命中率等 npx agentic-flow workers stats --integrationworkers agents trigger按触发器查询路由建议是 Agent 映射表见第三节的命令行入口workers metrics读取各 Agent 的执行指标支撑“性能化选择”workers stats --integration输出 Worker-Agent 集成的全局统计用于观察整体健康度与缓存效率样例输出见第七节。对应的后台能力也有 MCP/CLI 工具形态。根据 ADR-014V3 在claude-flow/cli暴露了 8 个基础 Worker MCP 工具worker/run、worker/status、worker/alerts、worker/history、worker/run-all等以及hooks worker list/dispatch/status/detect/cancel等子命令帮助在 Agent 会话中直接编排后台任务。三、Agent 映射表触发器如何路由到专用 Agent3.1 核心映射规则Workers 依据触发器类型自动分发到最优 AgentSKILL.md 定义了 8 类核心映射每类均带主要 Agent、兜底 Agent 与流水线阶段触发器主要 Agent兜底 Agent流水线阶段ultralearnresearcher, coderplannerdiscovery → patterns → vectorization → summaryoptimizeperformance-analyzer, coderresearcherstatic-analysis → performance → patternsauditsecurity-analyst, testerreviewersecurity → secrets → vulnerability-scanbenchmarkperformance-analyzercoder, testerperformance → metrics → reporttestgapstestercoderdiscovery → coverage → gapsdocumentdocumenter, researchercoderapi-discovery → patterns → indexingdeepdiveresearcher, security-analystcodercall-graph → deps → tracerefactorcoder, reviewerresearchercomplexity → smells → patterns读表要点“主要 Agent”是首选执行者通常取该领域专精的 Agent如testgaps首选testeraudit首选security-analyst“兜底 Agent”用于主 Agent 不可用或失败时的降级路径“流水线阶段”描述该触发器内部的多阶段处理节奏例如optimize先做静态分析、再评估性能、最后提炼可复用模式。3.2 底层触发识别与配置在 worker-dispatch.ts 中每个触发器都绑定了一组RegExp正则模式用于从提示词/上下文中识别意图。例如optimize命中/optimize/i、/improve\sperformance/i、/make\s(it\s)?faster/i、/speed\sup/i、/reduce\s(memory|time)/i、/performance\sissue/iaudit命中/security\saudit/i、/vulnerability/i、/pentest/i、/owasp/i、/cve/i等testgaps命中/test\scoverage/i、/missing\stests/i、/untested\scode/i等。同时每个触发器携带元配置TRIGGER_CONFIGS见 worker-dispatch.ts任务描述、调度优先级与预估耗时。例如audit优先级为critical、预估 45soptimize为high、30sconsolidate/preload为low。这些配置既决定了触发后的路由倾向也参与优先级队列排序low:1 / normal:2 / high:3 / critical:4见 worker-dispatch.ts。从架构演进看后台 Worker 系统的设计决策记录在 ADR-014Cross-Platform Workers System它取代了 V2 时代平台相关的.claude/helpers/*.sh脚本改为跨平台、可测试、可持久化、带历史趋势与阈值告警的 TypeScript 实现并提供状态持久化.claude-flow/daemon-state.json、历史指标最多 1000 条与 MCP 集成能力。四、基于性能的 Agent 选择Performance-Based Selection4.1 选择模型考虑的四要素worker-integration的一个关键特性是Agent 的选择不是写死的而是由执行历史驱动、持续学习的。SKILL.md 明确选择模型考虑四个指标Quality score质量分数0–1任务产物的质量评分Success rate成功率该 Agent 在同类触发器上成功完成的比例Average latency平均延迟平均执行耗时毫秒级Execution count执行次数样本量决定统计可信度。4.2 调用形态与返回结构选型 API 一次调用即可拿到决策及其可解释理由// Agent selection considers: // 1. Quality score (0-1) // 2. Success rate // 3. Average latency // 4. Execution count const { agent, confidence, reasoning } selectBestAgent(optimize); // agent: performance-analyzer // confidence: 0.87 // reasoning: Selected based on 45 executions with 94.2% success返回的agent是最优 Agent 名confidence是置信度0–1reasoning则是可读的选择依据此处示例说明系统基于 45 次执行、94.2% 成功率做出决策。这种“给出理由”的设计非常契合 Agent 协作场景——主 Agent 可以据此判断是否信任该路由结果。在 SDK-ARCHITECTURE-ANALYSIS.md 中可以看到workerAgentIntegration.selectBestAgent(audit)的调用示例印证该选型接口已在 V3 架构分析文档中被作为标准集成路径记录。4.3 置信度与自动分发底层触发检测会计算置信度命中模式越多、且集中在少数几个触发器上时置信度越高源码见 worker-dispatch.ts。当置信度达到阈值如 ≥0.6即可自动分发未达阈值则退回人工/主 Agent 裁决。这也是 ADR-014 中hooks worker detect --auto-dispatch --min-confidence 0.6命令的设计由来——它可在UserPromptSubmit钩子中对每条用户提示做毫秒级触发检测并自动启动 Worker。五、记忆键模式Worker 结果的持久化规范后台 Worker 产生的结果需要被后续会话复用因此写入记忆时遵循一致的键规范保证不同触发器、主题与阶段之间不会互相覆盖{trigger}/{topic}/{phase}SKILL.md 给出的示例ultralearn$auth-module$analysisoptimize$database$performanceaudit$payment$vulnerabilitiesbenchmark$api$metrics解释三段分别对应“哪类任务 / 哪个主题对象 / 处于哪个分析阶段”。例如audit$payment$vulnerabilities可定位为“对 payment 模块做安全审计所得到的漏洞清单”benchmark$api$metrics为“API 的基准测试指标”。配合第三节映射表中的流水线阶段如discovery → coverage → gaps、security → secrets → vulnerability-scan一个任务的多阶段产物可以按phase分段落盘主 Agent 按需检索对应阶段的中间结果而不必重新执行整个流水线。该模式与 V3 统一的记忆服务联动具体记忆后端实现可参考 hybrid-backend.ts 与 memory-bridge.ts。六、基准阈值与合规检查6.1 阈值配置为了让“选择最优 Agent”具备可判定的边界系统为关键 Agent 定义性能基准阈值超出即视为不合规并触发关注{ researcher: { p95_latency: 500ms, memory_mb: 256MB }, coder: { p95_latency: 300ms, quality_score: 0.85 }, security-analyst: { scan_coverage: 95%, p95_latency: 1000ms } }researcher要求 P95 延迟低于 500ms、内存占用低于 256MB适合检索/综合类任务coder要求 P95 延迟低于 300ms编码类任务需快速响应同时质量分须高于 0.85security-analyst要求扫描覆盖率高于 95%因其审计任务耗时更长P95 阈值放宽到 1000ms。这组阈值反映了不同角色的差异化预期安全审计允许更长耗时但要求覆盖率编码则强调又快又好。这与 ADR-014 中基于阈值的告警机制一脉相承——系统层面同样用{ metric, warning, critical, comparison }结构管理健康/安全/合规告警。6.2 合规检查 API当一次执行结束或希望主动巡检时可通过集成 API 查询某个 Agent 是否仍然达标// Check compliance const { compliant, violations } workerAgentIntegration.checkBenchmarkCompliance(coder);返回compliant是否整体合规与violations违规明细例如p95_latency超标 40ms。该信息可被上层调度用于“临时降级该 Agent 的路由权重”或“触发一次 Agent 校准/再训练”。七、反馈闭环让每一次执行都改进下一次选择7.1 记录执行反馈worker-integration的自我学习能力由反馈闭环承载。执行完毕后调用方将结果回写import { workerAgentIntegration } from agentic-flow$workers$worker-agent-integration; // Record execution feedback workerAgentIntegration.recordFeedback( optimize, // trigger coder, // agent true, // success 245, // latency ms 0.92 // quality score );参数逐项对应触发器类型、实际执行的 Agent、是否成功、端到端延迟毫秒、质量评分0–1。这些数据进入历史库正是第四节“四要素选型模型”质量分、成功率、平均延迟、执行次数的数据来源——反馈的积累量越大选择置信度越高。7.2 集成统计面板反馈与缓存数据可汇总为集成统计用于快速体检$ npx agentic-flow workers stats --integration Worker-Agent Integration Stats ══════════════════════════════ Total Agents: 6 Tracked Agents: 4 Total Feedback: 156 Avg Quality Score: 0.89 Model Cache Stats ───────────────── Hits: 1,234 Misses: 45 Hit Rate: 96.5%该输出分两段上半部分反映Agent 维度共 6 个 Agent其中 4 个处于被追踪状态累计 156 条反馈平均质量分 0.89下半部分反映模型缓存维度命中 1234、未命中 45命中率 96.5%。缓存命中率与 Worker 的执行成本直接相关——高命中意味着模型调用复用充分执行更快、成本更低。以上数字为该命令输出的示意性样例实际数值取决于各自环境中的运行历史。八、配置开启并定制集成能力集成功能通过运行环境原文档称.claude$settings.json即 Claude Code 的settings.json中的workers段启用与定制{ workers: { enabled: true, parallel: true, memoryDepositEnabled: true, agentMappings: { ultralearn: [researcher, coder], optimize: [performance-analyzer, coder] } } }配置项默认/建议含义enabledtrue总开关启用 Worker-Agent 集成paralleltrue是否允许并行执行对应 WorkerDispatchService 的maxConcurrent默认 10memoryDepositEnabledtrue是否将 Worker 结果按记忆键模式写入记忆系统见第五节agentMappings—自定义“触发器 → Agent 主列表”映射覆盖/扩展内置映射表agentMappings支持按需覆盖第三节的内置映射例如想让optimize优先让coder接手而不经performance-analyzer在此处直接声明即可。底层调度仍会结合历史性能指标做最终裁决映射表定义的是“候选池”而非绝对指派。九、从 Skill 到源码贯穿链路一览为便于深入研读将本文涉及的关键证据链汇总如下均以仓库根目录为起点主题仓库位置Skill 文档本体Agent 映射、阈值、反馈、配置.agents/skills/worker-integration/SKILL.mdWorker 调度服务12 触发器、正则识别、优先级、状态机v3/claude-flow/swarm/src/workers/worker-dispatch.tsWorker 系统架构决策10 内置 Worker、阈值告警、持久化、MCPv3/implementation/adrs/ADR-014-workers-system.mdheadless worker 集成设计v3/implementation/adrs/ADR-020-headless-worker-integration.mdselectBestAgent架构级调用示例v3/implementation/architecture/SDK-ARCHITECTURE-ANALYSIS.mdWorker MCP 工具实现worker-toolsv3/mcp/tools/worker-tools.jsWorker 守护进程服务与 CLI 编排v3/claude-flow/cli/src/services/worker-daemon.ts、worker-dispatch.js结语worker-integrationSkill 展示了一套“后台任务自动路由到合适 Agent并用执行历史持续校准路由决策”的完整闭环以 12 类触发器和映射表承接任务进入以四要素选型模型保证“选得准”以{trigger}/{topic}/{phase}记忆键规范保证结果“存得下、找得到”再以基准阈值与反馈闭环让系统“越用越准”。从 worker-dispatch.ts 到 ADR-014 的源码证据表明这套能力并非孤立的提示词约定而是与跨平台 Worker 调度、持久化指标、MCP 工具与记忆系统深度耦合的基础设施。如果你正在搭建自己的 Agent 协作流水线不妨直接从三条npx agentic-flow workers ...命令开始逐步把“人工指派 Agent”替换为“数据驱动的自动路由”。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/7 9:54:30 · 阅读 1.2k ruflo Worker-Agent 集成实战：基于 agentic-flow 的智能任务分发与性能追踪全解析
ruflo Worker-Agent 集成实战基于 agentic-flow 的智能任务分发与性能追踪全解析【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo导读ruflo原 agentic-flow在其 V3 架构中内置了一套“后台 Worker 与专业化 Agent 之间的智能协调层”——即.agents/skills/worker-integration/SKILL.md所描述的 Worker-Agent Integration Skill。它回答三个核心问题一个后台任务如性能优化、安全审计、测试缺口分析该分发给哪个 Agent、依据什么判断选得准、以及如何用历史反馈让下一次选择越来越准。读完本文你将掌握worker-integration技能的完整命令用法、8 类触发器的 Agent 映射规则、基于质量分数/成功率/延迟/执行次数的性能化选型模型、{trigger}/{topic}/{phase}记忆键规范、基准阈值合规机制与feedback闭环的接入方法并通过 worker-dispatch.ts 与 ADR-014 等源码证据理解其底层实现。一、技能定位后台 Worker 与专用 Agent 的智能调度层1.1 什么是 Worker-Agent Integration在 ruflo 的 V3 体系中存在两类执行单元后台 WorkerBackground Worker由触发器Trigger驱动的后台分析任务。当前系统共实现 12 种触发器包括ultralearn深度学习、optimize性能优化、consolidate记忆整合、predict预测性预加载、audit安全分析、map代码库映射、preload资源预加载、deepdive深度代码分析、document自动文档、refactor重构建议、benchmark性能基准、testgaps测试覆盖分析。这一完整清单可在 worker-dispatch.ts 的类型定义与 ADR-014Cross-Platform Workers System 的扩展章节中找到。专业化 AgentSpecialized Agent如researcher、coder、performance-analyzer、security-analyst、tester、reviewer、planner、documenter等具有单一能力的角色。Worker-Agent Integration 要做的事就是把这两者智能地桥接当某个触发器被识别出来后系统不是把任务随机塞给某个 Agent而是基于触发类型 历史执行表现自动选择“当前最优的 Agent 组合”去执行并把执行结果、延迟、质量分数沉淀下来形成选择依据。SKILL.md 将其能力归纳为四类agent_selectionAgent 选择、performance_tracking性能追踪、memory_coordination记忆协调、self_learning自学习。1.2 与底层 Worker 系统的关系从源码结构看这套技能建立在更底层的 Worker 调度服务之上。WorkerDispatchService位于 worker-dispatch.ts负责 Worker 实例的创建、优先级排队、并发上限控制与状态管理constructor(config: PartialWorkerConfig {}) { super(); this.config { maxConcurrent: config.maxConcurrent ?? 10, // 最大并发 Worker 数默认 10 defaultTimeout: config.defaultTimeout ?? 300000, // 默认超时 300s memoryLimit: config.memoryLimit ?? 1024, // 单 Worker 内存上限MB autoDispatch: config.autoDispatch ?? true, // 根据上下文自动分发 priorityQueue: config.priorityQueue ?? true, // 启用优先级队列 }; }而 Skill 层的 Agent 选择、反馈记录、合规检查则在更上层完成路由决策。二者的边界可以理解为Worker 系统负责“把任务跑起来”Worker-Agent 集成负责“决定交给谁跑、跑得好不好、下次如何更准”。二、快速开始三条命令掌握入口worker-integrationSkill 的核心交互通过agentic-flow workers命令族完成在 ruflo/agentic-flow 运行环境下通过npx agentic-flow调用# 查看某个触发器应推荐哪些 Agent npx agentic-flow workers agents ultralearn npx agentic-flow workers agents optimize # 查看整体性能指标各 Agent 的延迟、成功率等 npx agentic-flow workers metrics # 查看集成统计Agent 数量、反馈量、模型缓存命中率等 npx agentic-flow workers stats --integrationworkers agents trigger按触发器查询路由建议是 Agent 映射表见第三节的命令行入口workers metrics读取各 Agent 的执行指标支撑“性能化选择”workers stats --integration输出 Worker-Agent 集成的全局统计用于观察整体健康度与缓存效率样例输出见第七节。对应的后台能力也有 MCP/CLI 工具形态。根据 ADR-014V3 在claude-flow/cli暴露了 8 个基础 Worker MCP 工具worker/run、worker/status、worker/alerts、worker/history、worker/run-all等以及hooks worker list/dispatch/status/detect/cancel等子命令帮助在 Agent 会话中直接编排后台任务。三、Agent 映射表触发器如何路由到专用 Agent3.1 核心映射规则Workers 依据触发器类型自动分发到最优 AgentSKILL.md 定义了 8 类核心映射每类均带主要 Agent、兜底 Agent 与流水线阶段触发器主要 Agent兜底 Agent流水线阶段ultralearnresearcher, coderplannerdiscovery → patterns → vectorization → summaryoptimizeperformance-analyzer, coderresearcherstatic-analysis → performance → patternsauditsecurity-analyst, testerreviewersecurity → secrets → vulnerability-scanbenchmarkperformance-analyzercoder, testerperformance → metrics → reporttestgapstestercoderdiscovery → coverage → gapsdocumentdocumenter, researchercoderapi-discovery → patterns → indexingdeepdiveresearcher, security-analystcodercall-graph → deps → tracerefactorcoder, reviewerresearchercomplexity → smells → patterns读表要点“主要 Agent”是首选执行者通常取该领域专精的 Agent如testgaps首选testeraudit首选security-analyst“兜底 Agent”用于主 Agent 不可用或失败时的降级路径“流水线阶段”描述该触发器内部的多阶段处理节奏例如optimize先做静态分析、再评估性能、最后提炼可复用模式。3.2 底层触发识别与配置在 worker-dispatch.ts 中每个触发器都绑定了一组RegExp正则模式用于从提示词/上下文中识别意图。例如optimize命中/optimize/i、/improve\sperformance/i、/make\s(it\s)?faster/i、/speed\sup/i、/reduce\s(memory|time)/i、/performance\sissue/iaudit命中/security\saudit/i、/vulnerability/i、/pentest/i、/owasp/i、/cve/i等testgaps命中/test\scoverage/i、/missing\stests/i、/untested\scode/i等。同时每个触发器携带元配置TRIGGER_CONFIGS见 worker-dispatch.ts任务描述、调度优先级与预估耗时。例如audit优先级为critical、预估 45soptimize为high、30sconsolidate/preload为low。这些配置既决定了触发后的路由倾向也参与优先级队列排序low:1 / normal:2 / high:3 / critical:4见 worker-dispatch.ts。从架构演进看后台 Worker 系统的设计决策记录在 ADR-014Cross-Platform Workers System它取代了 V2 时代平台相关的.claude/helpers/*.sh脚本改为跨平台、可测试、可持久化、带历史趋势与阈值告警的 TypeScript 实现并提供状态持久化.claude-flow/daemon-state.json、历史指标最多 1000 条与 MCP 集成能力。四、基于性能的 Agent 选择Performance-Based Selection4.1 选择模型考虑的四要素worker-integration的一个关键特性是Agent 的选择不是写死的而是由执行历史驱动、持续学习的。SKILL.md 明确选择模型考虑四个指标Quality score质量分数0–1任务产物的质量评分Success rate成功率该 Agent 在同类触发器上成功完成的比例Average latency平均延迟平均执行耗时毫秒级Execution count执行次数样本量决定统计可信度。4.2 调用形态与返回结构选型 API 一次调用即可拿到决策及其可解释理由// Agent selection considers: // 1. Quality score (0-1) // 2. Success rate // 3. Average latency // 4. Execution count const { agent, confidence, reasoning } selectBestAgent(optimize); // agent: performance-analyzer // confidence: 0.87 // reasoning: Selected based on 45 executions with 94.2% success返回的agent是最优 Agent 名confidence是置信度0–1reasoning则是可读的选择依据此处示例说明系统基于 45 次执行、94.2% 成功率做出决策。这种“给出理由”的设计非常契合 Agent 协作场景——主 Agent 可以据此判断是否信任该路由结果。在 SDK-ARCHITECTURE-ANALYSIS.md 中可以看到workerAgentIntegration.selectBestAgent(audit)的调用示例印证该选型接口已在 V3 架构分析文档中被作为标准集成路径记录。4.3 置信度与自动分发底层触发检测会计算置信度命中模式越多、且集中在少数几个触发器上时置信度越高源码见 worker-dispatch.ts。当置信度达到阈值如 ≥0.6即可自动分发未达阈值则退回人工/主 Agent 裁决。这也是 ADR-014 中hooks worker detect --auto-dispatch --min-confidence 0.6命令的设计由来——它可在UserPromptSubmit钩子中对每条用户提示做毫秒级触发检测并自动启动 Worker。五、记忆键模式Worker 结果的持久化规范后台 Worker 产生的结果需要被后续会话复用因此写入记忆时遵循一致的键规范保证不同触发器、主题与阶段之间不会互相覆盖{trigger}/{topic}/{phase}SKILL.md 给出的示例ultralearn$auth-module$analysisoptimize$database$performanceaudit$payment$vulnerabilitiesbenchmark$api$metrics解释三段分别对应“哪类任务 / 哪个主题对象 / 处于哪个分析阶段”。例如audit$payment$vulnerabilities可定位为“对 payment 模块做安全审计所得到的漏洞清单”benchmark$api$metrics为“API 的基准测试指标”。配合第三节映射表中的流水线阶段如discovery → coverage → gaps、security → secrets → vulnerability-scan一个任务的多阶段产物可以按phase分段落盘主 Agent 按需检索对应阶段的中间结果而不必重新执行整个流水线。该模式与 V3 统一的记忆服务联动具体记忆后端实现可参考 hybrid-backend.ts 与 memory-bridge.ts。六、基准阈值与合规检查6.1 阈值配置为了让“选择最优 Agent”具备可判定的边界系统为关键 Agent 定义性能基准阈值超出即视为不合规并触发关注{ researcher: { p95_latency: 500ms, memory_mb: 256MB }, coder: { p95_latency: 300ms, quality_score: 0.85 }, security-analyst: { scan_coverage: 95%, p95_latency: 1000ms } }researcher要求 P95 延迟低于 500ms、内存占用低于 256MB适合检索/综合类任务coder要求 P95 延迟低于 300ms编码类任务需快速响应同时质量分须高于 0.85security-analyst要求扫描覆盖率高于 95%因其审计任务耗时更长P95 阈值放宽到 1000ms。这组阈值反映了不同角色的差异化预期安全审计允许更长耗时但要求覆盖率编码则强调又快又好。这与 ADR-014 中基于阈值的告警机制一脉相承——系统层面同样用{ metric, warning, critical, comparison }结构管理健康/安全/合规告警。6.2 合规检查 API当一次执行结束或希望主动巡检时可通过集成 API 查询某个 Agent 是否仍然达标// Check compliance const { compliant, violations } workerAgentIntegration.checkBenchmarkCompliance(coder);返回compliant是否整体合规与violations违规明细例如p95_latency超标 40ms。该信息可被上层调度用于“临时降级该 Agent 的路由权重”或“触发一次 Agent 校准/再训练”。七、反馈闭环让每一次执行都改进下一次选择7.1 记录执行反馈worker-integration的自我学习能力由反馈闭环承载。执行完毕后调用方将结果回写import { workerAgentIntegration } from agentic-flow$workers$worker-agent-integration; // Record execution feedback workerAgentIntegration.recordFeedback( optimize, // trigger coder, // agent true, // success 245, // latency ms 0.92 // quality score );参数逐项对应触发器类型、实际执行的 Agent、是否成功、端到端延迟毫秒、质量评分0–1。这些数据进入历史库正是第四节“四要素选型模型”质量分、成功率、平均延迟、执行次数的数据来源——反馈的积累量越大选择置信度越高。7.2 集成统计面板反馈与缓存数据可汇总为集成统计用于快速体检$ npx agentic-flow workers stats --integration Worker-Agent Integration Stats ══════════════════════════════ Total Agents: 6 Tracked Agents: 4 Total Feedback: 156 Avg Quality Score: 0.89 Model Cache Stats ───────────────── Hits: 1,234 Misses: 45 Hit Rate: 96.5%该输出分两段上半部分反映Agent 维度共 6 个 Agent其中 4 个处于被追踪状态累计 156 条反馈平均质量分 0.89下半部分反映模型缓存维度命中 1234、未命中 45命中率 96.5%。缓存命中率与 Worker 的执行成本直接相关——高命中意味着模型调用复用充分执行更快、成本更低。以上数字为该命令输出的示意性样例实际数值取决于各自环境中的运行历史。八、配置开启并定制集成能力集成功能通过运行环境原文档称.claude$settings.json即 Claude Code 的settings.json中的workers段启用与定制{ workers: { enabled: true, parallel: true, memoryDepositEnabled: true, agentMappings: { ultralearn: [researcher, coder], optimize: [performance-analyzer, coder] } } }配置项默认/建议含义enabledtrue总开关启用 Worker-Agent 集成paralleltrue是否允许并行执行对应 WorkerDispatchService 的maxConcurrent默认 10memoryDepositEnabledtrue是否将 Worker 结果按记忆键模式写入记忆系统见第五节agentMappings—自定义“触发器 → Agent 主列表”映射覆盖/扩展内置映射表agentMappings支持按需覆盖第三节的内置映射例如想让optimize优先让coder接手而不经performance-analyzer在此处直接声明即可。底层调度仍会结合历史性能指标做最终裁决映射表定义的是“候选池”而非绝对指派。九、从 Skill 到源码贯穿链路一览为便于深入研读将本文涉及的关键证据链汇总如下均以仓库根目录为起点主题仓库位置Skill 文档本体Agent 映射、阈值、反馈、配置.agents/skills/worker-integration/SKILL.mdWorker 调度服务12 触发器、正则识别、优先级、状态机v3/claude-flow/swarm/src/workers/worker-dispatch.tsWorker 系统架构决策10 内置 Worker、阈值告警、持久化、MCPv3/implementation/adrs/ADR-014-workers-system.mdheadless worker 集成设计v3/implementation/adrs/ADR-020-headless-worker-integration.mdselectBestAgent架构级调用示例v3/implementation/architecture/SDK-ARCHITECTURE-ANALYSIS.mdWorker MCP 工具实现worker-toolsv3/mcp/tools/worker-tools.jsWorker 守护进程服务与 CLI 编排v3/claude-flow/cli/src/services/worker-daemon.ts、worker-dispatch.js结语worker-integrationSkill 展示了一套“后台任务自动路由到合适 Agent并用执行历史持续校准路由决策”的完整闭环以 12 类触发器和映射表承接任务进入以四要素选型模型保证“选得准”以{trigger}/{topic}/{phase}记忆键规范保证结果“存得下、找得到”再以基准阈值与反馈闭环让系统“越用越准”。从 worker-dispatch.ts 到 ADR-014 的源码证据表明这套能力并非孤立的提示词约定而是与跨平台 Worker 调度、持久化指标、MCP 工具与记忆系统深度耦合的基础设施。如果你正在搭建自己的 Agent 协作流水线不妨直接从三条npx agentic-flow workers ...命令开始逐步把“人工指派 Agent”替换为“数据驱动的自动路由”。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考