1. 引言ruvnet/ruflo是一个用 TypeScript 实现的元 harnessmeta-harness目标是解决一个越来越普遍的问题当单个编码 Agent如 Codex、Claude Code能力有限时如何把多个 Agent 组织成一支有记忆、会学习、能协同的 swarm去完成更复杂的自主工作流和对话系统。它并不重新发明底层模型而是把 Codex、Claude Code 这类编码智能体包裹在一层统一的调度与协作框架之下向上提供自适应记忆、自学习策略与联邦通信原语三块能力。换句话说ruflo 关注的不是“一个 Agent 能写多少代码”而是“一群 Agent 如何像团队一样持续地、可靠地协同工作”。2. 为什么需要“元 harness”单个 coding agent 在实际生产中会遇到三类明显瓶颈上下文边界一个长任务往往需要多轮修改、多文件协作单一会话的上下文很容易被淹没导致“越改越偏”。策略固化大多数 agent 使用固定 prompt 和固定流程缺少对不同任务类型、不同失败模式的自我适配。通信缺失多个 agent 并行工作时如果没有统一的通信协议就会各自为战产生冲突、重复劳动或状态不一致。ruflo 的思路是把这些问题从业务逻辑中剥离出来下沉到一个可复用的 harness 层。开发者只关注“要完成什么任务”而“如何记忆、如何调度、如何通信、如何从失败中学习”交给 ruflo 统一处理。3. 架构总览从整体上看ruflo 处于“用户任务”与“底层 Agent 执行器”之间形成一条完整的编排链路用户任务 / 自然语言意图ruflo 元 harness自适应记忆自学习策略联邦通信原语Agent Swarm 调度Codex AgentClaude Code Agent其它 Coding Agent任务结果 / 对话输出这里的核心设计是Agent 不再是“应用”而是“可被编排的资源”。ruflo 通过策略层决定何时启动、暂停、拆分或合并 Agent 任务通过记忆层维护跨会话的上下文通过通信层保证并行 Agent 之间可以交换信息和达成一致。4. 三大核心能力4.1 自适应记忆自适应记忆解决“跨会话遗忘”问题。它不会把所有历史无条件塞进上下文而是根据当前任务的相关度动态检索和注入最有价值的记忆片段。典型工作方式包括记录每个 Agent 的历史行为、成功经验与失败原因根据新任务的语义相似度检索相关记忆按重要性与时效性对记忆做衰减或淘汰避免上下文过载。这样后续任务可以站在前序任务的“经验”上继续而不是每次从零开始。4.2 自学习策略自学习策略让 orchestration 本身具备进化能力。ruflo 会把一次任务的执行过程视为可观测、可评估的样本观察不同策略下的成功率、耗时、Token 消耗对策略进行评分与调优例如调整并行度、拆分粒度、重试上限在遇到反复出现的失败模式时自动插入修正步骤或切换备用 Agent。它不是在模型权重层面做训练而是在编排策略层面做经验积累成本更低、反馈更快也更容易被人审阅和调整。4.3 联邦通信原语多 Agent 协作最容易出问题的地方在通信。ruflo 提供一套统一的联邦通信原语让不同 Agent 之间可以发布与订阅某个 Agent 产出中间结果后通知依赖该结果的其它 Agent请求与应答Agent 间按需查询上下文或确认状态协商与共识对冲突的修改结果进行合并、裁决或回滚。这些原语屏蔽了底层 Agent 的差异使得 Codex、Claude Code 乃至未来接入的新执行器都能使用同一套协作语义。5. 包在 Codex / Claude Code 外层意味着什么ruflo 的一个重要定位是“套在 Codex / Claude Code 外层”这带来两个好处保持底层 Agent 的独立性Codex、Claude Code 仍然负责它们擅长的编码、执行与工具调用ruflo 不侵入它们的内部实现。统一编排与治理任务的拆解、调度、记忆、通信和策略学习都发生在 harness 层底层 Agent 可以随时替换或混合使用。这种分层让系统具备了良好的可演进性底层 agent 能力持续升级上层编排策略可以独立迭代业务方无需重写工作流。6. 场景一自主工作流在自主工作流场景中ruflo 接收一个高层目标例如“为仓库实现某个 feature 并补齐测试”然后内部完成意图解析与任务拆分将子任务分配给合适的 Agent多 Agent 并行处理不同模块通过通信原语同步依赖与冲突通过记忆与策略学习优化后续执行。整个过程不需要人工逐步下达指令只需在关键节点做确认或审阅即可让 swarm 持续向前推进。7. 场景二对话系统在对话系统场景中ruflo 的价值体现在“对话”与“执行”的统一用自适应记忆维护长期用户画像与上下文而不是只依赖单轮输入用策略层决定何时直接回答、何时调用工具、何时派发 coding agent 执行真实任务用通信原语协调对话意图识别、任务执行与结果汇总等多个 Agent。这样构建出的系统不仅能聊天还能在聊天过程中真正把任务落地形成“对话即编排、编排即执行”的体验。8. 快速上手示例下面的示例展示一个概念性的最小用法创建一个ruflo编排环境注册 Codex 与 Claude Code 两个执行器然后下发一个高层任务。import{createHarness}fromruflo;constharnesscreateHarness({memory:{mode:adaptive,relevanceThreshold:0.75,},strategy:{selfLearning:true,scoreKeepers:[successRate,latencyMs,tokenUsage],},});// 注册底层编码 Agent 执行器harness.registerExecutor({id:codex,kind:codex,capabilities:[coding,refactor,test],});harness.registerExecutor({id:claude-code,kind:claude-code,capabilities:[coding,review,terminal],});// 通过联邦通信原语订阅中间结果harness.subscribe(artifact:ready,(message){console.log(有新的中间产物就绪,message.subject);});// 下发一个高层自主任务constsessionawaitharness.run({goal:为 utils/retry.ts 补充单元测试并修复发现的边界问题,mode:autonomous,});forawait(constupdateofsession.updates){console.log([${update.agent}]${update.status}:${update.summary});}说明以上 API 为概念性示意实际字段与调用方式请以ruvnet/ruflo仓库文档为准。8.1 实战多Agent协作示例下面这个示例展示 ruflo 如何协调 Codex 与 Claude Code让前者负责生成函数实现后者负责审查优化并补充测试。代码仍以概念性 API 示意实际字段请以仓库文档为准。import{createHarness}fromruflo;// 1. 定义任务Codex 负责生成 normalizePrice 函数// Claude Code 负责审查、优化并补充测试。consttask{id:build-normalize-price,title:实现并优化 normalizePrice 函数,spec:[接收可能为 string、number、null 或 undefined 的原始价格,将输入统一转换为以元为单位、保留两位小数的 number,无法解析的输入应返回 null。,].join(\n),acceptance:[支持处理 1,234.56、199.00、199.0 等字符串,正确处理负数、大数避免浮点精度问题,空值和非数字输入返回 null,],steps:[{id:generate,agent:codex,instruction:根据 spec 生成 normalizePrice 函数实现,publish:artifact:ready,// Codex 完成后发布事件},{id:review,agent:claude-code,subscribe:artifact:ready,// Claude Code 监听 Codex 的产出instruction:审查并优化函数实现补充边界测试与注释,publish:review:complete,// 审查完成后发布最终结果事件},],};// 2. 创建 harness开启自适应记忆与自学习策略constharnesscreateHarness({memory:{mode:adaptive,// 根据任务语义动态注入相关记忆relevanceThreshold:0.7,},strategy:{selfLearning:true,// 允许编排策略根据执行结果自我调优scoreKeepers:[successRate,latencyMs,tokenUsage],},});// 3. 注册两个底层 Agent 执行器harness.registerExecutor({id:codex,kind:codex,capabilities:[generate-code,implement-function,write-tests],});harness.registerExecutor({id:claude-code,kind:claude-code,capabilities:[review,optimize,refactor,test],});// 4. 通过联邦通信原语订阅关键事件观察协作进度harness.subscribe(artifact:ready,(message){// Codex 生成代码后触发harness 会把消息转发给订阅者console.log([协作进度] Codex 已生成代码${message.artifact.path});console.log([协作进度] 下一步Claude Code 将根据该产物进行审查);});harness.subscribe(review:complete,(message){// Claude Code 完成审查时触发console.log([协作进度] Claude Code 已完成审查${message.review.summary});console.log([协作进度] 发现${message.review.issues.length}个需要关注的问题);});// 5. 下发任务并处理最终结果constsessionawaitharness.run({goal:task.title,mode:collaborative,// 以多 Agent 协作模式运行task,});// 轮询或迭代 session 更新直到任务结束forawait(constupdateofsession.updates){console.log([${update.stepId}]${update.agent}-${update.status}:${update.summary});}// 6. 从结果中取回最终函数与审查报告constresultawaitsession.result;console.log(最终生成的 normalizePrice 函数);console.log(result.artifacts.normalizePrice.code);console.log(Claude Code 的审查意见);for(constnoteofresult.review.notes){console.log(- [${note.severity}]${note.detail});}9. 总结ruflo 的价值可以概括为一句话把“多个编码 Agent”从一堆孤立工具升级为一支有记忆、会学习、可通信的自主团队。它通过 TS 元 harness 这一轻量又不失表达力的抽象把自适应记忆、自学习策略和联邦通信原语组合起来套在 Codex、Claude Code 等成熟执行器外层。无论你要构建的是长时间运行的自主工作流还是需要边聊边干的对话系统都能借助这套编排层获得更稳定、更可复用、更容易演进的实现基础。如果你正在被多 Agent 的上下文、协调和策略管理困扰ruflo 提供了一条值得关注的工程路径。