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

**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](https://claude.ai/claude-code)、[Codex](https://openai.com/codex)、[OpenClaw](https://github.com/openclaw/openclaw)、[nanobot](https://github.com/HKUDS/nanobot)、[Cursor](https://cursor.com) 及任意 CLI Agent。 [**English**](README.md) --- ## 📰 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 https://github.com/user-attachments/assets/7e2f0ecd-8fe3-4970-90ac-5c9669ff060c

v0.2.0 https://github.com/user-attachments/assets/fd23be91-5cf4-457c-a77e-bac24b76e58f

☝️ 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

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

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

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

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**。 ```bash # 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。 ```bash # 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。 ```bash # 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](https://github.com/karpathy/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](https://github.com/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： ```bash # 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 ```bash 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： ```bash 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 ```bash # 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 --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。 ```bash # 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： ```bash # 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 `，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： ```bash clawteam spawn subprocess --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](https://claude.ai/claude-code) | `clawteam spawn tmux claude --team ...` | ✅ 完全支持 | | [Codex](https://openai.com/codex) | `clawteam spawn tmux codex --team ...` | ✅ 完全支持 | | [OpenClaw](https://github.com/openclaw/openclaw) | `clawteam spawn tmux openclaw --team ...` | ✅ 完全支持 | | [nanobot](https://github.com/HKUDS/nanobot) | `clawteam spawn tmux nanobot --team ...` | ✅ 完全支持 | | [Kimi CLI](https://github.com/MoonshotAI/kimi-cli) | `clawteam spawn tmux kimi --team ...` | ✅ 完全支持 | | [Cursor](https://cursor.com) | `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