ruflo 优化蜂群策略面向性能优化的多智能体 Swarm 工作流【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本文围绕 ruflo 仓库中的优化蜂群策略文档.claude/commands/swarm/optimization.md展开系统讲解如何用“初始化蜂群 编排任务 按角色分工代理 多维度优化 监控报告”的完整流程执行性能优化。读完你可以掌握通过 MCP 工具swarm_init、task_orchestrate、agent_spawn等拉起优化蜂群、理解每个工具的参数取值与底层映射关系以及 CLI 回退方式npx claude-flow swarm的适用场景并结合 V2 兼容工具源码 与 V3 Swarm 工具源码 验证这些参数在实现中真正生效的位置。一、策略定位通过专业化分析实现性能优化优化蜂群策略Optimization Swarm Strategy的核心目的在文档中定义为一句话Performance optimization through specialized analysis.通过专业化分析实现性能优化。它把“性能优化”拆解为四类可并行的专业职能——剖析profiling、内存分析memory analysis、代码优化code optimization、基准测试benchmarking——每个职能由一个带明确能力标签capabilities的代理承担。这样做的收益是瓶颈检测、内存泄漏定位、重构建议、回归基准验证可以同时进行而不是串行等待单点分析完成。整条工作流由 MCP 工具驱动CLI 作为回退手段两者都写进了策略文档本身。二、启动优化蜂群swarm_init 及其参数文档给出的第一步是用 MCP 工具初始化一个 mesh 拓扑、6 个代理上限、自适应策略的蜂群// Initialize optimization swarm mcp__claude-flow__swarm_init({ topology: mesh, maxAgents: 6, strategy: adaptive })结合 v2-compat-tools.ts 中 swarmInitTool 的 schema 定义这三个参数在实现层的完整约束如下参数类型取值范围说明topologystring必填mesh、hierarchical、ring、star、adaptive、collective、hierarchical-mesh蜂群拓扑类型。优化策略选择mesh意味着任意代理间可直接通信适合多分析角色交叉比对瓶颈结论maxAgentsnumber1100schema 默认 5代理数量上限。文档示例取 6为 4 个分析代理 协调/冗余留出余量strategystringbalanced、specialized、adaptive默认balanced任务分发策略。adaptive表示按运行时负载动态调整从源码的 handler 实现看V2 的strategy参数会被翻译成 V3 的配置项strategy balanced映射为loadBalancing: truestrategy adaptive映射为autoScaling: true见 swarmInitTool handler。也就是说文档中strategy: adaptive实际开启了自适应扩缩容这正是优化蜂群在负载波动期间保持分析吞吐的关键配置。V3 侧对应的swarm/init工具在 swarm-tools.ts 中定义了更丰富的配置面例如communicationProtocoldirect/message-bus/pubsub、consensusMechanismmajority/unanimous/weighted/none、failureHandlingretry/failover/ignore以及maxAgents上限放宽到 1000。从 initSwarmSchema 的默认值看V3 默认拓扑为hierarchical-mesh、默认共识为 majority、默认开启负载均衡与自动扩缩容——与 V2 兼容层“strategy 映射 config”的语义是一致的。CLI 回退方式当 MCP 通道不可用时文档给出了等价的 CLI 命令npx claude-flow swarm optimize performance --strategy optimization其中--strategy optimization指定使用优化类策略模板命令的其余部分由 claude-flow CLI 负责解析为蜂群任务。该命令适合作为脚本化或排障时的降级路径。三、任务编排task_orchestrate 的调度参数蜂群初始化后用task_orchestrate下达优化任务// Orchestrate optimization task mcp__claude-flow__task_orchestrate({ task: optimize performance, strategy: parallel, priority: high })taskOrchestrateTool 的 schema 定义了四个参数参数取值说明task必填string任务描述本例为optimize performance会同时作为任务名与描述strategyparallel、sequential、adaptive默认adaptive执行策略。优化场景选parallel让剖析、内存分析、代码优化、基准测试并行推进prioritylow、medium、high、critical默认medium任务优先级。性能优化通常阻塞发布故取highmaxAgents110参与该任务的最大代理数可选从 handler 实现看同文件 L267-L276V2 的task_orchestrate最终调用 V3 的tasks/create任务类型固定为orchestrationstrategy与maxAgents被打包进任务的config字段。后续可通过task_status映射tasks/status轮询进度、task_results映射tasks/results按summary/detailed/raw三种格式取回结果——这三个工具的参数约束同样可以在 v2-compat-tools.ts L286-L342 中逐一核对。四、角色分工四个优化代理的生成方式文档为优化蜂群定义了四个角色代理全部通过agent_spawn生成// Spawn optimization agents mcp__claude-flow__agent_spawn({ type: optimizer, name: Performance Profiler, capabilities: [profiling, bottleneck-detection] }) mcp__claude-flow__agent_spawn({ type: analyst, name: Memory Analyzer, capabilities: [memory-analysis, leak-detection] }) mcp__claude-flow__agent_spawn({ type: optimizer, name: Code Optimizer, capabilities: [code-optimization, refactoring] }) mcp__claude-flow__agent_spawn({ type: tester, name: Benchmark Runner, capabilities: [benchmarking, performance-testing] })角色与职责对照代理名类型能力标签职责Performance Profileroptimizerprofiling、bottleneck-detection采集运行指标定位 CPU/内存/IO/网络瓶颈Memory Analyzeranalystmemory-analysis、leak-detection内存画像与泄漏检测Code Optimizeroptimizercode-optimization、refactoring基于剖析结论执行代码级优化与重构Benchmark Runnertesterbenchmarking、performance-testing回归基准验证确认优化真实生效从 agentSpawnTool 的 schema 与 handler 看type为唯一必填项会映射为 V3agent/spawn的agentTypename映射为 V3 的idcapabilities数组放入config.capabilities缺省为空数组优先级固定传normal。能力标签是自由字符串而非枚举因此上表中的profiling、leak-detection等标签是策略文档约定出来的“角色契约”调度器按标签把子任务路由给对应代理。代理生命周期管理可配套使用agent_list按all/active/idle/busy过滤映射agent/list与agent_metrics映射agent/status的 includeMetrics 模式。五、优化域一性能分析与基准测试文档在 “Performance Analysis” 一节给出三类分析调用// Analyze bottlenecks mcp__claude-flow__bottleneck_analyze({ component: all, metrics: [cpu, memory, io, network] }) // Run benchmarks mcp__claude-flow__benchmark_run({ suite: performance }) // WASM optimization mcp__claude-flow__wasm_optimize({ operation: simd-acceleration })bottleneck_analyze对component: all的全组件范围做瓶颈剖析指标覆盖 cpu / memory / io / network 四个维度与四代理中 Performance Profiler 的bottleneck-detection能力直接对应benchmark_run触发performance基准套件供 Benchmark Runner 代理执行回归验证wasm_optimize针对 WASM 模块执行simd-acceleration操作属于热点代码向量化加速一类的手段。需要向读者明确实现边界在 V3 MCP 的 V2 兼容层中实际注册并实现的是benchmark_run这个工具其 真实 schema 接收的参数是typeall/wasm/swarm/agent/task与iterations1100默认 10而非文档示例中的suite字段handler 内部先调用system/metrics拉取详细系统指标再返回一组演示性基准条目源码中数值用随机数生成仅用于兼容输出结构真实指标以返回的systemMetrics字段为准。因此将 V2 名称映射到 V3 工具时benchmark_run对应system/metrics而bottleneck_analyze、wasm_optimize在策略文档中作为优化操作面列出属于该策略约定使用的工具名阅读时应以上下文区分“已落地的兼容工具”与“策略约定的操作调用”。六、优化域二拓扑优化、DAA 与负载均衡文档的 “Optimization Operations” 一节把优化动作本身也纳入了工具化范畴// Optimize topology mcp__claude-flow__topology_optimize({ swarmId: optimization-swarm }) // DAA optimization mcp__claude-flow__daa_optimization({ target: performance, metrics: [speed, memory, efficiency] }) // Load balancing mcp__claude-flow__load_balance({ swarmId: optimization-swarm, tasks: optimizationTasks })这三者的分工拓扑优化topology_optimize针对指定swarmId调整代理间的连接结构。当某个分析代理成为通信热点时可通过重排拓扑降低消息延迟——这与swarm_init中 mesh 拓扑“任意两代理直连”的初始选择相呼应mesh 降低了初始通信代价topology_optimize则允许运行期再收敛。DAA 优化daa_optimization以performance为目标同时优化speed、memory、efficiency三项指标。负载均衡load_balance把待优化任务集合optimizationTasks在蜂群内重新分配保证四个角色代理之间不出现“Profiler 空闲、Benchmark Runner 排队”的偏斜。从 V3 实现看负载均衡与自动扩缩容是swarm/init配置的一等公民SwarmConfig 中loadBalancing与autoScaling默认均为trueV2 的strategy参数正是通过这两个开关生效的。这解释了为什么文档在初始化阶段把strategy设为adaptive它让蜂群在优化任务执行期间具备自动再平衡能力与load_balance的显式调用形成“自动 手动”两层保障。七、优化域三监控与报告闭环优化的最后一步是量化收益文档给出三个报告类工具// Performance report mcp__claude-flow__performance_report({ format: detailed, timeframe: 7d }) // Trend analysis mcp__claude-flow__trend_analysis({ metric: performance, period: 30d }) // Cost analysis mcp__claude-flow__cost_analysis({ timeframe: 30d })performance_report以detailed格式输出最近 7 天的性能报告用于对比优化前后差异trend_analysis对performance指标做 30 天趋势分析判断优化是稳定收益还是局部抖动cost_analysis输出 30 天成本分析确保性能收益不以资源成本上升为代价。这一“报告—趋势—成本”三步组合构成了优化蜂群的可验证闭环Benchmark Runner 代理产出基准数据报告工具做聚合呈现趋势与成本工具做长期校验。V2 兼容层中与之相关的落地实现是agent_metrics/system/metrics一系的指标读取工具见 agentMetricsTool支持按agentId与metricall/cpu/memory/tasks/performance过滤。八、V2 工具名到 V3 工具的映射总表策略文档全部使用 V2 下划线命名。源码中的 mapV2ToV3ToolName 给出了官方映射优化工作流涉及的条目如下V2 名称文档使用V3 等价工具用途swarm_initswarm/init初始化蜂群agent_spawnagent/spawn生成角色代理agent_listagent/list列出活跃代理agent_metricsagent/status代理性能指标task_orchestratetasks/create编排优化任务task_statustasks/status任务进度task_resultstasks/results任务结果benchmark_runsystem/metrics基准/指标采集neural_statussystem/status系统状态neural_trainhooks/pretrain预训练neural_patternshooks/metrics模式指标features_detectsystem/info运行时特性探测这些 V2 工具在源码中均标注deprecated: true如 swarmInitTool 定义意味着新代码应优先直接使用swarm/init、tasks/create等 V3 斜杠命名工具V2 兼容层的价值在于保持既有工作流与文档示例包括本篇策略的连续性。九、完整工作流小结把文档各节串起来一次完整的优化蜂群运行顺序为swarm_initmesh/maxAgents: 6/adaptive拉起蜂群等价开启 loadBalancing/autoScalingtask_orchestrateparallel/high下达“optimize performance”编排任务依次agent_spawn四个角色代理Performance Profiler、Memory Analyzer、Code Optimizer、Benchmark Runner并行执行bottleneck_analyze全组件、四维指标与benchmark_run必要时对 WASM 热点执行wasm_optimize运行期用topology_optimize、daa_optimization、load_balance持续再平衡收尾用performance_report7dtrend_analysis30dcost_analysis30d量化并归档收益。若任一环节 MCP 通道不可用可退回npx claude-flow swarm optimize performance --strategy optimization单命令模式。参数级核对可查阅 V2 兼容工具实现 与 V3 Swarm 工具实现更多 swarm 相关命令参考可看 plugin/commands/swarm 目录含swarm-init.md、swarm-status.md、swarm-strategies.md等配套命令文档。【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 ruflo 优化蜂群策略：面向性能优化的多智能体 Swarm 工作流
ruflo 优化蜂群策略面向性能优化的多智能体 Swarm 工作流【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本文围绕 ruflo 仓库中的优化蜂群策略文档.claude/commands/swarm/optimization.md展开系统讲解如何用“初始化蜂群 编排任务 按角色分工代理 多维度优化 监控报告”的完整流程执行性能优化。读完你可以掌握通过 MCP 工具swarm_init、task_orchestrate、agent_spawn等拉起优化蜂群、理解每个工具的参数取值与底层映射关系以及 CLI 回退方式npx claude-flow swarm的适用场景并结合 V2 兼容工具源码 与 V3 Swarm 工具源码 验证这些参数在实现中真正生效的位置。一、策略定位通过专业化分析实现性能优化优化蜂群策略Optimization Swarm Strategy的核心目的在文档中定义为一句话Performance optimization through specialized analysis.通过专业化分析实现性能优化。它把“性能优化”拆解为四类可并行的专业职能——剖析profiling、内存分析memory analysis、代码优化code optimization、基准测试benchmarking——每个职能由一个带明确能力标签capabilities的代理承担。这样做的收益是瓶颈检测、内存泄漏定位、重构建议、回归基准验证可以同时进行而不是串行等待单点分析完成。整条工作流由 MCP 工具驱动CLI 作为回退手段两者都写进了策略文档本身。二、启动优化蜂群swarm_init 及其参数文档给出的第一步是用 MCP 工具初始化一个 mesh 拓扑、6 个代理上限、自适应策略的蜂群// Initialize optimization swarm mcp__claude-flow__swarm_init({ topology: mesh, maxAgents: 6, strategy: adaptive })结合 v2-compat-tools.ts 中 swarmInitTool 的 schema 定义这三个参数在实现层的完整约束如下参数类型取值范围说明topologystring必填mesh、hierarchical、ring、star、adaptive、collective、hierarchical-mesh蜂群拓扑类型。优化策略选择mesh意味着任意代理间可直接通信适合多分析角色交叉比对瓶颈结论maxAgentsnumber1100schema 默认 5代理数量上限。文档示例取 6为 4 个分析代理 协调/冗余留出余量strategystringbalanced、specialized、adaptive默认balanced任务分发策略。adaptive表示按运行时负载动态调整从源码的 handler 实现看V2 的strategy参数会被翻译成 V3 的配置项strategy balanced映射为loadBalancing: truestrategy adaptive映射为autoScaling: true见 swarmInitTool handler。也就是说文档中strategy: adaptive实际开启了自适应扩缩容这正是优化蜂群在负载波动期间保持分析吞吐的关键配置。V3 侧对应的swarm/init工具在 swarm-tools.ts 中定义了更丰富的配置面例如communicationProtocoldirect/message-bus/pubsub、consensusMechanismmajority/unanimous/weighted/none、failureHandlingretry/failover/ignore以及maxAgents上限放宽到 1000。从 initSwarmSchema 的默认值看V3 默认拓扑为hierarchical-mesh、默认共识为 majority、默认开启负载均衡与自动扩缩容——与 V2 兼容层“strategy 映射 config”的语义是一致的。CLI 回退方式当 MCP 通道不可用时文档给出了等价的 CLI 命令npx claude-flow swarm optimize performance --strategy optimization其中--strategy optimization指定使用优化类策略模板命令的其余部分由 claude-flow CLI 负责解析为蜂群任务。该命令适合作为脚本化或排障时的降级路径。三、任务编排task_orchestrate 的调度参数蜂群初始化后用task_orchestrate下达优化任务// Orchestrate optimization task mcp__claude-flow__task_orchestrate({ task: optimize performance, strategy: parallel, priority: high })taskOrchestrateTool 的 schema 定义了四个参数参数取值说明task必填string任务描述本例为optimize performance会同时作为任务名与描述strategyparallel、sequential、adaptive默认adaptive执行策略。优化场景选parallel让剖析、内存分析、代码优化、基准测试并行推进prioritylow、medium、high、critical默认medium任务优先级。性能优化通常阻塞发布故取highmaxAgents110参与该任务的最大代理数可选从 handler 实现看同文件 L267-L276V2 的task_orchestrate最终调用 V3 的tasks/create任务类型固定为orchestrationstrategy与maxAgents被打包进任务的config字段。后续可通过task_status映射tasks/status轮询进度、task_results映射tasks/results按summary/detailed/raw三种格式取回结果——这三个工具的参数约束同样可以在 v2-compat-tools.ts L286-L342 中逐一核对。四、角色分工四个优化代理的生成方式文档为优化蜂群定义了四个角色代理全部通过agent_spawn生成// Spawn optimization agents mcp__claude-flow__agent_spawn({ type: optimizer, name: Performance Profiler, capabilities: [profiling, bottleneck-detection] }) mcp__claude-flow__agent_spawn({ type: analyst, name: Memory Analyzer, capabilities: [memory-analysis, leak-detection] }) mcp__claude-flow__agent_spawn({ type: optimizer, name: Code Optimizer, capabilities: [code-optimization, refactoring] }) mcp__claude-flow__agent_spawn({ type: tester, name: Benchmark Runner, capabilities: [benchmarking, performance-testing] })角色与职责对照代理名类型能力标签职责Performance Profileroptimizerprofiling、bottleneck-detection采集运行指标定位 CPU/内存/IO/网络瓶颈Memory Analyzeranalystmemory-analysis、leak-detection内存画像与泄漏检测Code Optimizeroptimizercode-optimization、refactoring基于剖析结论执行代码级优化与重构Benchmark Runnertesterbenchmarking、performance-testing回归基准验证确认优化真实生效从 agentSpawnTool 的 schema 与 handler 看type为唯一必填项会映射为 V3agent/spawn的agentTypename映射为 V3 的idcapabilities数组放入config.capabilities缺省为空数组优先级固定传normal。能力标签是自由字符串而非枚举因此上表中的profiling、leak-detection等标签是策略文档约定出来的“角色契约”调度器按标签把子任务路由给对应代理。代理生命周期管理可配套使用agent_list按all/active/idle/busy过滤映射agent/list与agent_metrics映射agent/status的 includeMetrics 模式。五、优化域一性能分析与基准测试文档在 “Performance Analysis” 一节给出三类分析调用// Analyze bottlenecks mcp__claude-flow__bottleneck_analyze({ component: all, metrics: [cpu, memory, io, network] }) // Run benchmarks mcp__claude-flow__benchmark_run({ suite: performance }) // WASM optimization mcp__claude-flow__wasm_optimize({ operation: simd-acceleration })bottleneck_analyze对component: all的全组件范围做瓶颈剖析指标覆盖 cpu / memory / io / network 四个维度与四代理中 Performance Profiler 的bottleneck-detection能力直接对应benchmark_run触发performance基准套件供 Benchmark Runner 代理执行回归验证wasm_optimize针对 WASM 模块执行simd-acceleration操作属于热点代码向量化加速一类的手段。需要向读者明确实现边界在 V3 MCP 的 V2 兼容层中实际注册并实现的是benchmark_run这个工具其 真实 schema 接收的参数是typeall/wasm/swarm/agent/task与iterations1100默认 10而非文档示例中的suite字段handler 内部先调用system/metrics拉取详细系统指标再返回一组演示性基准条目源码中数值用随机数生成仅用于兼容输出结构真实指标以返回的systemMetrics字段为准。因此将 V2 名称映射到 V3 工具时benchmark_run对应system/metrics而bottleneck_analyze、wasm_optimize在策略文档中作为优化操作面列出属于该策略约定使用的工具名阅读时应以上下文区分“已落地的兼容工具”与“策略约定的操作调用”。六、优化域二拓扑优化、DAA 与负载均衡文档的 “Optimization Operations” 一节把优化动作本身也纳入了工具化范畴// Optimize topology mcp__claude-flow__topology_optimize({ swarmId: optimization-swarm }) // DAA optimization mcp__claude-flow__daa_optimization({ target: performance, metrics: [speed, memory, efficiency] }) // Load balancing mcp__claude-flow__load_balance({ swarmId: optimization-swarm, tasks: optimizationTasks })这三者的分工拓扑优化topology_optimize针对指定swarmId调整代理间的连接结构。当某个分析代理成为通信热点时可通过重排拓扑降低消息延迟——这与swarm_init中 mesh 拓扑“任意两代理直连”的初始选择相呼应mesh 降低了初始通信代价topology_optimize则允许运行期再收敛。DAA 优化daa_optimization以performance为目标同时优化speed、memory、efficiency三项指标。负载均衡load_balance把待优化任务集合optimizationTasks在蜂群内重新分配保证四个角色代理之间不出现“Profiler 空闲、Benchmark Runner 排队”的偏斜。从 V3 实现看负载均衡与自动扩缩容是swarm/init配置的一等公民SwarmConfig 中loadBalancing与autoScaling默认均为trueV2 的strategy参数正是通过这两个开关生效的。这解释了为什么文档在初始化阶段把strategy设为adaptive它让蜂群在优化任务执行期间具备自动再平衡能力与load_balance的显式调用形成“自动 手动”两层保障。七、优化域三监控与报告闭环优化的最后一步是量化收益文档给出三个报告类工具// Performance report mcp__claude-flow__performance_report({ format: detailed, timeframe: 7d }) // Trend analysis mcp__claude-flow__trend_analysis({ metric: performance, period: 30d }) // Cost analysis mcp__claude-flow__cost_analysis({ timeframe: 30d })performance_report以detailed格式输出最近 7 天的性能报告用于对比优化前后差异trend_analysis对performance指标做 30 天趋势分析判断优化是稳定收益还是局部抖动cost_analysis输出 30 天成本分析确保性能收益不以资源成本上升为代价。这一“报告—趋势—成本”三步组合构成了优化蜂群的可验证闭环Benchmark Runner 代理产出基准数据报告工具做聚合呈现趋势与成本工具做长期校验。V2 兼容层中与之相关的落地实现是agent_metrics/system/metrics一系的指标读取工具见 agentMetricsTool支持按agentId与metricall/cpu/memory/tasks/performance过滤。八、V2 工具名到 V3 工具的映射总表策略文档全部使用 V2 下划线命名。源码中的 mapV2ToV3ToolName 给出了官方映射优化工作流涉及的条目如下V2 名称文档使用V3 等价工具用途swarm_initswarm/init初始化蜂群agent_spawnagent/spawn生成角色代理agent_listagent/list列出活跃代理agent_metricsagent/status代理性能指标task_orchestratetasks/create编排优化任务task_statustasks/status任务进度task_resultstasks/results任务结果benchmark_runsystem/metrics基准/指标采集neural_statussystem/status系统状态neural_trainhooks/pretrain预训练neural_patternshooks/metrics模式指标features_detectsystem/info运行时特性探测这些 V2 工具在源码中均标注deprecated: true如 swarmInitTool 定义意味着新代码应优先直接使用swarm/init、tasks/create等 V3 斜杠命名工具V2 兼容层的价值在于保持既有工作流与文档示例包括本篇策略的连续性。九、完整工作流小结把文档各节串起来一次完整的优化蜂群运行顺序为swarm_initmesh/maxAgents: 6/adaptive拉起蜂群等价开启 loadBalancing/autoScalingtask_orchestrateparallel/high下达“optimize performance”编排任务依次agent_spawn四个角色代理Performance Profiler、Memory Analyzer、Code Optimizer、Benchmark Runner并行执行bottleneck_analyze全组件、四维指标与benchmark_run必要时对 WASM 热点执行wasm_optimize运行期用topology_optimize、daa_optimization、load_balance持续再平衡收尾用performance_report7dtrend_analysis30dcost_analysis30d量化并归档收益。若任一环节 MCP 通道不可用可退回npx claude-flow swarm optimize performance --strategy optimization单命令模式。参数级核对可查阅 V2 兼容工具实现 与 V3 Swarm 工具实现更多 swarm 相关命令参考可看 plugin/commands/swarm 目录含swarm-init.md、swarm-status.md、swarm-strategies.md等配套命令文档。【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