ruflo Worker Specialist Skill：基于记忆协调的 Swarm 工作者任务执行协议

ruflo Worker Specialist Skill基于记忆协调的 Swarm 工作者任务执行协议【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本篇技术指南以 ruflo 仓库中的.agents/skills/agent-worker-specialist/SKILL.md技能文件为核心详解 Worker Specialist工作者专家这一专职执行型 Agent 的完整工作协议从任务接收、进度上报、依赖检查到结果交付的四个关键记忆写入动作代码实现/分析/测试三类专业化工作负载的标准数据格式以及顺序执行、并行协作、应急响应三种工作模式。读完本文你可以理解 ruflo 蜂群架构中工作者节点如何通过coordination记忆命名空间与协调者queen-coordinator保持状态同步并能结合仓库源码核实每个上报字段最终落到的 MCP 内存工具memory/store、memory/search、memory/list。Worker Specialist 的定位与调用方式Worker Specialist 是 ruflo hive mind蜂群心智体系中的专职执行者它本身不做决策只负责精确地完成被分配的工作并持续通过记忆协调memory coordination向整个 swarm 汇报进度。这一角色定义在技能文件 agent-worker-specialist/SKILL.md 中--- name: worker-specialist description: Dedicated task execution specialist that carries out assigned work with precision, continuously reporting progress through memory coordination color: green priority: high priority: high ---技能文件采用双层 YAML frontmatter 结构——外层是 Codex 技能元数据name: agent-worker-specialist注明以$agent-worker-specialist语法调用内层才是该 Agent 的画像元数据绿色标识、高优先级。这种技能即角色说明书的组织方式由 .agents/README.md 定义.agents/skills/目录下每个子目录即一个技能SKILL.md为说明文档可选附带scripts/脚本目录技能通过$skill-name语法触发而模型选择、审批策略、沙箱模式、MCP 服务器连接与技能配置则统一由 .agents/config.toml 控制。核心职责一任务执行协议Task Execution Protocol技能文件将在任务开始前、进行中、结束后都要上报状态列为强制MANDATORY要求上报载体是 MCP 工具mcp__claude-flow__memory_usage。关键约定有两点键名规范键采用swarm$作用域$语义标签的$分隔形式例如swarm$worker-[ID]$status、swarm$shared$dependencies其中[ID]是工作者编号占位符命名空间所有协调数据都写入namespace: coordination使其与业务数据隔离供协调者统一读取。1. 任务接收START接到 queen-coordinator 分配的任务后工作者先写入一条已接收记录包含预估完成时间示例中为当前时间加 1 小时即Date.now() 3600000毫秒与依赖列表// START - Accept task assignment mcp__claude-flow__memory_usage { action: store, key: swarm$worker-[ID]$status, namespace: coordination, value: JSON.stringify({ agent: worker-[ID], status: task-received, assigned_task: specific task description, estimated_completion: Date.now() 3600000, dependencies: [], timestamp: Date.now() }) }2. 进度更新PROGRESS每完成一个显著步骤都要刷新progress键字段设计兼顾了完成了什么、正在做什么、卡在哪里三类信息并记录已被修改的文件列表便于协调者做冲突检测// PROGRESS - Update every significant step mcp__claude-flow__memory_usage { action: store, key: swarm$worker-[ID]$progress, namespace: coordination, value: JSON.stringify({ task: current task, steps_completed: [step1, step2], current_step: step3, progress_percentage: 60, blockers: [], files_modified: [file1.js, file2.js] }) }核心职责二三类专业化工作负载技能文件按任务性质划分了三种专业化工作者每种都有独立的结构化共享键swarm$shared$...让其他 Agent 可以直接消费中间产物。代码实现工作者Code Implementation Worker实现完成后共享所创建的文件、新增函数与测试文件并标注created_by以便溯源// Share implementation details mcp__claude-flow__memory_usage { action: store, key: swarm$shared$implementation-[feature], namespace: coordination, value: JSON.stringify({ type: code, language: javascript, files_created: [src$feature.js], functions_added: [processData(), validateInput()], tests_written: [feature.test.js], created_by: worker-code-1 }) }注意这里的路径也用$代替/如src$feature.js这是蜂群记忆键统一使用$作为分隔符的命名习惯。分析工作者Analysis Worker分析类任务输出结论、建议、数据来源与置信度示例中confidence_level: 0.85使协调者能按置信度决定是否需要人工复核// Share analysis results mcp__claude-flow__memory_usage { action: store, key: swarm$shared$analysis-[topic], namespace: coordination, value: JSON.stringify({ type: analysis, findings: [finding1, finding2], recommendations: [rec1, rec2], data_sources: [source1, source2], confidence_level: 0.85, created_by: worker-analyst-1 }) }测试工作者Testing Worker测试结果采用全局键swarm$shared$test-results上报包含用例总数/通过数/失败数、覆盖率、失败详情区分 timeout 与 assertion failed 等失败原因// Report test results mcp__claude-flow__memory_usage { action: store, key: swarm$shared$test-results, namespace: coordination, value: JSON.stringify({ type: testing, tests_run: 45, tests_passed: 43, tests_failed: 2, coverage: 87%, failure_details: [test1: timeout, test2: assertion failed], created_by: worker-test-1 }) }核心职责三依赖管理与结果交付依赖检查Dependency Management任务启动前必须先retrieve全局依赖键swarm$shared$dependencies若依赖未就绪!deps.found || !deps.value.ready则不擅自开工而是写入一条blocked记录声明被什么组件阻塞、从何时开始等待// CHECK dependencies before starting const deps await mcp__claude-flow__memory_usage { action: retrieve, key: swarm$shared$dependencies, namespace: coordination } if (!deps.found || !deps.value.ready) { // REPORT blocking mcp__claude-flow__memory_usage { action: store, key: swarm$worker-[ID]$blocked, namespace: coordination, value: JSON.stringify({ blocked_on: dependencies, waiting_for: [component-x, api-y], since: Date.now() }) } }结果交付Result Delivery任务完成后写入complete键交付物按files / documentation / test_results / performance_metrics四个维度组织并附带耗时与资源占用内存 MB、CPU 百分比供上层做调度优化// COMPLETE - Deliver results mcp__claude-flow__memory_usage { action: store, key: swarm$worker-[ID]$complete, namespace: coordination, value: JSON.stringify({ status: complete, task: assigned task, deliverables: { files: [file1, file2], documentation: docs$feature.md, test_results: all passing, performance_metrics: {} }, time_taken_ms: 3600000, resources_used: { memory_mb: 256, cpu_percentage: 45 } }) }工作模式Work Patterns技能文件为 Worker Specialist 规定了三种标准工作模式分别对应不同调度场景模式步骤适用场景顺序执行Sequential Execution1. 从 queen-coordinator 接收任务 → 2. 校验依赖可用 → 3. 按序执行任务步骤 → 4. 每步上报进度 → 5. 交付结果有明确前后依赖的常规任务并行协作Parallel Collaboration1. 检查同任务上的同伴工作者 → 2. 按能力分工 → 3. 通过记忆同步进度 → 4. 完成后合并结果同一任务被多个 worker 并行处理应急响应Emergency Response1. 检测到关键任务 → 2. 优先于当前工作 → 3. 以最小开销执行 → 4. 立即上报完成关键路径上突发的紧急任务质量标准Quality Standards协议对行为边界做了明确的 Do/Dont 约定必须做到Do每 30–60 秒写入一次状态保证协调者视图始终新鲜阻塞情况立即上报共享中间结果维护工作日志遵循 queen 指令。禁止事项Dont未经分配擅自开工跳过进度更新忽略依赖检查超出资源配额做出自主决策决策权属于协调层。协作拓扑与性能指标技能文件末尾给出了 Worker Specialist 在蜂群中的集成点Integration Points汇报对象queen-coordinator任务分配、collective-intelligence复杂决策、swarm-memory-manager状态持久化协作对象其他 workers并行任务、scout-explorer信息获取、neural-pattern-analyzer优化建议。这些角色在仓库中均有对应的技能定义例如 queen-coordinator、collective-intelligence-coordinator、swarm-memory-manager、scout-explorer可结合阅读理解完整的蜂群协作链路。每个任务结束后还需上报一组性能指标用于长期追踪工作者的可靠性与协作效率// Report performance every task mcp__claude-flow__memory_usage { action: store, key: swarm$worker-[ID]$metrics, namespace: coordination, value: JSON.stringify({ tasks_completed: 15, average_time_ms: 2500, success_rate: 0.93, resource_efficiency: 0.78, collaboration_score: 0.85 }) }源码印证memory_usage 在 ruflo 中的真实落地技能文件中的示例调用的是 V2 时代的mcp__claude-flow__memory_usage工具。在 ruflo 的 MCP 工具层源码中可以找到它的完整实现v2-compat-tools.ts 中定义了memoryUsageTool它属于v2-compat类别且已标记deprecated: true官方建议迁移到 V3 原生的memory/store、memory/search、memory/list。从源码结构看memory_usage只是一个协议适配器把技能文档中的四种action一一映射到 V3 内存工具action实际委托的工具行为细节源码依据storestoreMemoryToolmemory/store键被改写为${namespace}/${key}即技能文档中coordination命名空间实际成为存储键的前缀value原样保存namespace额外写入 metadataretrievesearchMemoryToolmemory/search以key为查询、limit: 1做检索返回{ found, value, key }结构——这正好解释了技能文件中deps.found/deps.value字段的来源deletestoreMemoryToolmemory/store以value: null加deleted: truemetadata 实现软删除listlistMemoryToolmemory/listdetail: detailed时上限 100 条否则 20 条该工具的输入模式v2-compat-tools.ts也印证了技能文件的参数写法action为必填的字符串枚举store / retrieve / delete / listnamespace字符串默认值正是coordinationdetail枚举summary / detailed / by-agent默认summary——技能文档里所有namespace: coordination的调用恰好使用了这个默认值。V3 原生的内存工具定义在 memory-tools.ts可以看到技能文件中上报的 JSON 负载最终具备更丰富的元数据能力storeMemoryToolmemory/store支持type枚举episodic / semantic / procedural / working默认episodic、category、tags、importance0–1 分值、ttl毫秒级存活时间。可以推断工作者的progress类短时效状态写入适合使用较短 TTL而implementation-[feature]类产物记录则适合作为长期记忆持久化searchMemoryToolmemory/search支持semantic / keyword / hybrid三种检索模式默认 hybrid、minRelevance相关性阈值、limit上限 1000且标注了cacheable: true与 5 秒缓存cacheTTL: 5000listMemoryToolmemory/list支持按created / accessed / importance / relevance排序与分页便于协调者巡检coordination命名空间下所有工作者的状态键。也就是说技能文档中mcp__claude-flow__memory_usage的每一次 store/retrieve 调用在 ruflo 运行时里都等价于一次带coordination前缀的memory/store写入或一次单条限定的memory/search读取再经底层 agentdb 存储该层还叠加了语义向量检索能力。相关技能Worker 集成与基准Worker Specialist 并不是孤立角色。仓库中的 worker-integration 技能定义了后台 worker 与专用 Agent 的调度集成其Memory Key Patterns一节给出的{trigger}/{topic}/{phase}三段式键模式示例ultralearn$auth-module$analysis与本文swarm$...$...的$分隔风格一脉相相承它还提供npx agentic-flow workers metrics等命令行用于查看性能指标以及基于执行历史的 Agent 选择机制质量分、成功率、平均延迟、执行次数四要素。与之配套的还有 worker-benchmarks 技能用于为各类 worker 建立性能基线。二者与本文的 Worker Specialist 协议配合构成角色行为规范 → 调度集成 → 基准度量的完整链条。小结agent-worker-specialist技能文件用不到 200 行定义了一个高内聚的执行者协议以swarm$worker-[ID]$*与swarm$shared$*两组记忆键为通信契约以 30–60 秒心跳式状态写入保证协调视图实时性以强制依赖检查与禁止自主决策约束保证蜂群行为的确定性。结合 v2-compat-tools.ts 与 memory-tools.ts 的源码可以确认这套协议在 ruflo 中通过 V2 兼容层平滑落到 V3 的memory/store、memory/search、memory/list工具之上命名空间隔离、键前缀改写、软删除等细节均在源码中有据可查。若你在自己的 Agent 系统中设计执行者节点可以直接借鉴其四个上报动作status / progress / blocked / complete、结构化交付物格式与 Do/Dont 质量清单。【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