Agent 应该如何协作？除了任务编排，一个理想的 Multi-Agent 系统还需要什么？
今天，大多数多智能体系统给出的答案，仍然是任务编排：由开发者预先设计好角色、流程和交接方式，一个 Agent 拆解任务，一组 Agent 生成内容，另一组 Agent 审阅、测试和修改。任务被分发出去，结果被收回来，再通过 review、反馈和重试进入下一轮循环。
这套方式解决了多 Agent 协作的第一层问题，即多个 Agent 如何围绕同一个任务分工交付，并通过审核、测试和反馈确保结果正确。
但它也带来了新的限制。由于角色和流程大多由人工提前固定，系统的灵活性并不高：任务一旦超出预设流程，就需要人类重新拆解和调整；某个关键 Agent 失败，后续链路可能被迫中断；一次任务中形成的有效分工、审核标准和修复路径，也很容易停留在当次上下文里，难以自动沉淀为下一次可复用的团队能力。
如果继续向未来看，这还不够。
随着 DeepSeek V4 等新一代模型继续提升代码、长上下文和工具调用能力，Agent 的能力上限仍在被推高。但对真实生产系统来说，模型能力提升并不会自动解决多智能体协作问题。
当多智能体系统要承担更复杂、更长期的任务时，协作不能只是一条“任务分发—内容生成—审阅修改—再次执行”的流水线。更难的问题是角色如何根据任务动态组合，协作流程如何沉淀为可复用技能，审核标准如何固化为团队约束，失败原因和修复路径如何进入下一轮任务，而不是停留在一次性的上下文窗口和人工经验里。
这已经不只是任务编排问题，而是组织能力和持续进化问题。
任务编排解决的是团队如何被创建、任务如何被分配、结果如何被检查。但一个理想的 Multi-Agent 系统，还需要解决协作经验如何沉淀、团队技能如何复用、多轮任务之间的组织记忆如何保留，以及人类如何治理一个自主协作的 Agent 团队。
华为 JiuwenClaw 团队上周刚发布的 Coordination Engineering 新范式，正是试图回应这一变化：当 Agent 协作从任务流程走向团队组织，工程系统如何实现技能沉淀、能力复用与持续进化？
围绕这一思路，JiuwenClaw 正在通过 Agent Team、Team Skills、Team Skills Hub、Team Skills 自演进等能力，分别解决团队组建、团队技能沉淀、技能复用分发，以及协作能力持续进化等问题。
JiuwenClaw 的设计融入了 Coordination Engineering 的理念。
在华为团队的设计中，多智能体协作被拆为完整的工程链路，包括团队如何形成，协作如何发生，经验如何沉淀，能力如何复用，技能又如何在后续任务中持续优化。围绕这条链路，JiuwenClaw 目前已经发布了四项关键能力：
Agent Team：解决团队任务编排问题
Team Skills：多智能体的“开发平台”，将团队协作沉淀为能力包
Team Skills Hub：让团队能力被创建、共享和复用
Team Skills 自演进：让团队能力在使用中持续变好
这四项能力分别对应任务编排、能力沉淀、能力共享和持续进化。它们共同指向一个目标：让多智能体协作不再只是一套临时流程，而是成为一种能够被管理、被复用、被持续优化的团队能力。
Agent Team 解决的是多智能体协作的第一步：多个 Agent 如何围绕一个目标组队、分工、执行和汇总。
在 JiuwenClaw 中，一个 Agent Team 通常由 Leader 和多个 Teammate 组成。
Leader 负责团队级协调。用户只需要描述需求，Leader 会根据目标动态组建团队、拆解任务、建立依赖关系，并持续监控执行进度。比如，哪些任务需要先完成，哪些任务可以并行，谁已经认领任务，谁遇到了阻塞，是否需要增减成员，都是 Leader 需要处理的问题。
Teammate 负责具体执行。它们并不是被动等待指令，而是会根据任务板和自身能力主动认领任务，在自己的工作空间中独立完成工作。复杂任务可以继续拆成更小的步骤；遇到不确定或阻塞时，也可以主动向 Leader 求助。任务完成后，Teammate 会更新状态，并通知 Leader 和相关依赖方。
与此同时，JiuwenClaw 还提供了团队共享文件空间 Team Workspace。Team Workspace 提供了一个团队级共享文件空间，所有成员都可以透明访问。每个 Teammate 仍然有自己的独立工作目录，但需要跨成员协作时，可以把文件写入共享区。
在全生命周期管控方面，JiuwenClaw 提供了 Plan 审批和工具审批机制。重要任务可以先由 Teammate 提交执行计划，Leader 审核后再执行；涉及敏感操作时，例如删除文件、调用外部 API、修改共享配置，也可以要求 Leader 审批。这样既保留了 Agent 的自主性，也避免关键动作完全失控。
面对多 Agent 系统很容易出现任务无人认领、成员异常僵死、消息漏接、已认领任务长期没有进展等情况，JiuwenClaw 通过外部事件和内部自检事件唤醒相关 Agent。任务状态变化、成员生命周期变化、成员通信都会触发外部事件；在没有外部事件时，系统也会通过邮箱轮询、任务板轮询等内部事件兜底。这样，Leader 可以发现超时任务并重新规划，空闲 Teammate 可以主动认领待办任务，消息接收方也能及时处理未读信息。
JiuwenClaw 还提供持久化团队的选项。在 Persistent 模式下，团队成员信息和配置可以持久化保存，下次继续恢复使用。TeamMonitor 则提供团队状态查询和事件流订阅，让成员状态、任务进度、消息收发、任务完成等过程可追踪、可审计。
Agent Team 解决了“这一次如何协作”，但如果一次任务结束后，团队分工、流程经验、工具依赖和交付规范都消失在上下文里，那么下一次遇到类似任务，系统仍然要重新组队、重新拆解、重新摸索协作方式。
Team Skills 试图解决协作经验的沉淀难题。
一个 Team Skill 可以把 Agent Team 一次成功协作的完整链路保存下来，包括需求拆解方式、团队角色配置、任务分配规则、通信机制、冲突处理方式、交付规范和依赖工具等。
这也是 Team Skills 和传统单个 Agent Skill 的区别。
传统 Skill 更像是单个 Agent 的操作说明书，回答的是“一个 Agent 遇到某类任务时该怎么做”。Team Skills 面向的是一个 Agent 团队，回答的是“多个 Agent 遇到某类任务时该怎么配合做”。
从结构上看，一个 Team Skill 本质上是一个文件夹。它可以包括：
SKILL.md：说明这个团队技能是什么、适合做什么、包含哪些成员
roles/：定义每个角色的职责边界
workflow.md：定义团队协作流程和执行顺序
bind.md：说明遇到问题时如何处理，边界在哪里
dependencies.yaml：记录依赖哪些外部工具
examples/、templates/、assets/：保存示例、模板和相关素材
最简单的情况下，一个 SKILL.md 加上 roles/ 里的几个角色定义，就能组起一支可用的 Agent 团队。
Team Skills 在 Coordination Engineering 中承担了能力沉淀层的角色。它把一次有效协作，从临时流程变成可以被反复调用的团队 SOP。下次遇到类似任务时，系统不必从零开始，而是可以直接调用已有的 Team Skill，快速恢复一套经过验证的协作方式。
如果 Team Skills 只保存在本地，它仍然只是某个用户、某个场景中的经验。要让团队技能产生更大价值，还需要一个共享和分发机制。
Team Skills Hub 让团队能力被创建、检索、下载、共享和维护。
它可以理解为 JiuwenClaw 的团队技能仓库或市场。用户可以在这里查找已有 Team Skills，也可以上传自己沉淀出的团队技能。
JiuwenClaw 还提供了“团队技能自动生成专家” teamskill-creator，用来帮助用户创建 Team Skill。用户也可以把已有的单 Agent Skill 转化为 Team Skill，或者修改已有 Team Skill，例如增减角色、调整流程、补充工具依赖和示例模板。
目前，Team Skills Hub 已覆盖开发编程、办公生产力、内容创作、多模态与媒体、数据与科研、合规与法律、生活健康、金融理财等类别。这些分类说明，Team Skills 并不局限于代码开发，而是试图面向更广泛的多 Agent 协作场景。
发现更多 Skill，请移步：https://teamskills.openjiuwen.com/
Team Skills 解决了团队协作经验的沉淀与复用，但真正的团队能力不会停留在“复制过去”。在真实任务中，一个 Agent Team 还会不断遇到新的角色分工、流程断点、工具失败和协作边界问题。JiuwenClaw 的 Team Skills 自演进机制，试图让这些实战经验不再停留在一次性的上下文窗口里，而是变成下一次任务可以复用的团队能力。
具体来看，Team Skills 自演进包括两个层次。
在团队技能层，系统会根据任务执行轨迹对 Team Skills 进行迭代：必要时增加成员角色，补充协作约束，优化任务流转方式，调整 Leader Agent 的规划、分工和管控逻辑。一次任务中暴露出的角色边界不清、流程断点、检查不足等问题，都可以被沉淀为团队层面的改进。
在成员技能层，每个 Teammate Agent 所依赖的 Skill 也会继续自主进化。例如工具报错、接口超时、参数缺失、依赖配置失败等实战经验，会被沉淀为成员下一次执行任务时可复用的经验，避免同类问题反复出现。
为了避免演进过程破坏原始 Skill，JiuwenClaw 还采用了演进补丁架构。演进内容以独立经验条目的形式附加到 Skills 上。每条经验都会保留触发来源、上下文、时间戳和质量评分，后续可以单独审查、降权或淘汰。
这对开放生态尤其重要。很多 Skill 来自社区或技能市场，如果直接修改原始文件，一旦原作者发布新版本，用户就会面临版本冲突。演进补丁独立存储后，即使 Skill 本体升级，团队在真实任务中积累的经验也可以继续沿用。
同时，JiuwenClaw 还对 Team Skills 提供了量化评估与生命周期管理。
可定期对每条演进经验进行有效性、使用率、新鲜度三维评分，高分优先注入、低分自动降权。用户可随时审阅和整理，确保演进过程始终透明可控，效果不劣化。
这样一来，Team Skills 不只是把团队协作流程保存下来，也能让团队结构、成员能力和执行约束在真实任务中持续迭代。一次协作中暴露出来的角色边界、流程问题、工具依赖问题，也可以逐步沉淀为下一次调用时的改进。
在真实使用场景中，多智能体系统（Multi-Agent）如何从一次性任务执行，进化为可复用、可持续优化的“团队能力”？
我们可以用旅行规划做个实战观察。
Team Skills 实战内容演示
这是一个高度日常化的需求，涉及信息检索、方案对比、资源协调与表达输出，链路长、细节多，天然适合观察多智能体如何协作、沉淀经验并完成自我迭代。
用户每一次规划旅行，往往都需要重复查交通、选住宿、算预算、写攻略等步骤。这类重复性高、结构清晰的任务，恰恰适合被抽象为一套 Team Skill，由多个 Agent 按职责分工执行。
在 JiuwenClaw 中，用户可以通过 teamskill-creator 技能，定义一套通用的旅行规划模板。系统会将“旅行规划”拆解为行程设计、资源预订、预算控制、内容生成等标准子任务，并为每一类任务预设对应的专家角色与协作规则。同时，系统会自动生成一张 Mermaid 格式的流程图，清晰标注各角色之间的输入输出关系与执行顺序。
在此基础上，系统也会检索社区中的 Team Skills，将可复用的能力下载并整合到当前团队中，用于增强整体能力。
有了这套模板，用户可以根据具体需求直接调用团队执行任务。
例如，一个三口之家在五一期间，从杭州前往东北旅行，预算约两万元。系统会基于此前构建好的 Team Skill 团队技能，启动一个专属的 Agent Team。
以旅游规划为例，Team Skills 的分工及执行流程图
执行过程中，Leader Agent 作为协调中枢，根据模板中的结构，将任务拆解并分发给各个专家角色：行程规划师负责输出路线草案，交通与住宿专家提供多方案对比，预算专员实时校验成本，文案角色生成分享内容。各个 Agent 自主协同工作，中间结果在不同节点之间流转，逐步汇总为完整方案。
真实任务的复杂性往往会在执行中暴露问题。例如，系统可能检测到“费用审核”与“朋友圈文案生成”被分配给同一角色。这种设计在初始建模时未必明显，但在实际运行中会产生冲突：前者强调约束与理性判断，后者强调表达与情绪放大，两者在目标与节奏上存在天然张力。一旦耦合在同一角色中，不仅影响输出质量，也可能拖慢整体流程。
面对这类结构性问题，系统并不会直接修改当前架构，而是引入一套更审慎的演进机制。首先，它将这一冲突抽象为一条结构化的“演进经验”，明确记录问题来源、上下文以及优化建议，例如“拆分为两个独立角色”。随后，这一建议会以可读形式提交给用户，由用户决定是否采纳。这一设计将系统优化纳入人机协同框架，避免自动调整偏离用户预期。
在用户确认后，系统执行结构重构。原有的复合角色被拆分为“费用审核专家”与“文案生成专家”两个独立单元，协作流程图同步更新，将原本可能混杂的执行路径调整为更清晰的分工结构。与此同时，Team Skill 的成员列表、职责定义与执行路径全部刷新，团队在不中断任务的前提下完成一次结构性迭代。
更关键的是，这一过程并不会随着任务结束而消失。系统会将本次优化记录为团队层能力，在未来类似场景中直接复用这一分工模式。同时，各个 Agent 在执行过程中积累的具体策略与判断逻辑，也会沉淀为成员层经验，用于持续提升个体能力。
至此，一次旅行规划任务，不仅产出了结果，也推动了系统自身能力的演进。从团队技能创建、任务执行，到冲突识别与结构重构，Team Skill 实现了一个完整的闭环：团队在使用中被不断修正，能力在执行中持续积累。对于多智能体系统而言，这种从“任务完成”走向“能力进化”的路径，正是其区别于传统工具型 AI 的关键所在。
如果说 Harness Engineering 让 Agent 从“模型能力”走向“工程交付”，那么 Coordination Engineering 试图回答的，是 Agent 在进入团队协作之后，如何进一步形成可复用、可治理、可进化的组织能力。
这也是多智能体系统真正走向生产环境前必须跨过的一步。一次任务的成功，不能只依赖临时编排；一次协作中的经验，也不应该停留在上下文窗口里。对于未来的 Agent 团队来说，更重要的是把有效的分工方式、工具链、审核标准、失败经验和修复路径沉淀下来，让下一次协作能够站在上一轮任务的基础上继续前进。
JiuwenClaw 提出的 Agent Team、Team Skills、Team Skills Hub 和 Team Skills 自演进，本质上都是围绕这个问题展开：如何让 Agent 不只是被调用、被编排、被审核，而是逐步拥有团队化协作的能力。
多智能体协作还处在早期阶段。真正有价值的团队技能，也不可能只来自单一团队或单一场景。它需要更多开发者、研究者和真实业务场景共同验证、沉淀和完善。
最后，欢迎大家到 Team Skills Hub 平台共建团队技能生态，促进 Agent 进化！
JiuwenClaw，是由华为 2012 实验室、华为云 AgentArts 与社区开发者联合，在 openJiuwen 开源社区共建的“小龙虾” AI Agent，主打“懂你所想，自主演进”。
同时，openJiuwen 开源社区协同华为云 AgentArts，打造了企业级办公智能体 OfficeClaw，聚焦内容生成、文件处理、知识搜索等各类办公场景，助力企业办公效率跃升。
Team Skills Hub：https://teamskills.openjiuwen.com/
JiuwenClaw 快速上手：https://gitcode.com/openJiuwen/jiuwenclaw/blob/develop/docs/zh/Quickstart.md
JiuwenClaw AtomGit：https://gitcode.com/openJiuwen/jiuwenclaw
JiuwenClaw GitHub：https://github.com/openJiuwen-ai/jiuwenclaw
openJiuwen AtomGit：https://gitcode.com/openJiuwen/
openJiuwen GitHub：https://github.com/openJiuwen-ai/
OfficeClaw：https://www.huaweicloud.com/product/agentarts/officeclaw.html
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。