ClawTeam: Agent Swarm Intelligence

AI Agent 的演进 🚀：单体 🤖 → 群体 🦞🤖🤖🤖
ClawTeam：让 AI Agent 组建群体，协同思考与工作，更快交付

**一条命令行：全自动化。** — agent 生成群体，委派任务，并交付结果。 人类提供目标。Agent 团队编排其余一切。 完全兼容 [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) 以及任何 CLI agent。  [**中文文档**](README_CN.md) | [**한국어**](README_KR.md) ## 📰 新闻 **2026-03-18** ClawTeam 项目公开发布。 **2026-03-23** ClawTeam `v0.2.0` 今日发布。 **2026-03** 当前基线包括配置管理、多用户工作流、Web UI、P2P 传输和团队模板。 ## ✨ ClawTeam 核心功能

🔬 AI 研究自动化 • 大规模自动化 ML 实验 • AI 模型训练与优化 • AI 驱动的假设生成与验证 • 自我改进的模型架构

🏗️ Agentic 工程 • 自主全栈开发 • 自我演进软件 • 协作式开源开发 • 实时系统集成

💰 AI 对冲基金 • 自动化市场研究与数据挖掘 • 多策略投资组合优化 • 实时风险评估 • 算法交易执行与监控

🎪 你的专属群体 • 定制科学研究团队 • 个性化投资委员会 • 业务运营团队 • 内容制作工作室

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

☝️ 智能领导者 agent 在 8 个 H100 GPU 上编排 8 个专业子 agent，自主设计实验并根据实时性能动态重新分配资源。 🧠 系统在各团队间综合突破性进展并独立演进策略 —— 实现无需人类干预的全自动化研究。

## 🤔 为什么选择 ClawTeam？ 当前的 AI agent 虽然强大 —— 但它们在**孤立**中工作。面对复杂任务时，你只能手动协调多个 agent，费力处理上下文，并将碎片化的结果拼接在一起。 **如果 agent 能像一个团队一样思考和工作会怎样？** ClawTeam 解锁了 **Agent Swarm Intelligence** —— AI agent 自组织成协作团队，智能拆分复杂工作，实时分享见解，并收敛于突破性解决方案。 • **🚀 生成专业子 agent** —— 每个都有专属环境和专注领域 • **📋 设计智能任务分配** —— 具备智能依赖管理 • **💬 促进实时协调** —— agent 间无缝通信 • **📊 监控团队绩效** —— 追踪进度并识别瓶颈 • **🔄 动态调整策略** —— 重新分配资源并调整方向 #### ✨ 结果？ 你设定愿景。群体以集体智慧执行。

## 🎯 Swarm Intelligence 实战

### 🦞 Agent 生成 Agent 领导者 agent 调用 `clawteam spawn` 创建 worker。每个 worker 自动获得自己的 **git worktree**、**tmux 窗口** 和 **身份**。 ``` # Leader agent 运行： clawteam spawn --team my-team \ --agent-name worker1 \ --task "Implement auth module" ```

### 🤖 Agent 与 Agent 对话 Worker 检查收件箱，更新任务状态，并报告结果 —— 全部通过**自动注入**到其 prompt 中的 CLI 命令完成。 ``` # Worker agent 检查任务： clawteam task list my-team --owner me # 然后回报： clawteam inbox send my-team leader \ "Auth done. All tests passing." ```

### 👀 你只需观看 从平铺的 tmux 视图或 Web UI 监控群体。领导者负责协调 —— 你只在需要时介入。 ``` # 同时监控所有 agent clawteam board attach my-team # 或打开 web dashboard clawteam board serve --port 8080 ```

| | ClawTeam | 其他多 Agent 框架 | |---|---------|----------------------------| | 🎯 **使用者** | **AI agent 自身** | 编写编排代码的人类 | | ⚡ **设置** | `pip install` + 给领导者一个 prompt | Docker, cloud APIs, YAML configs | | 🏗️ **基础设施** | 只需文件系统和 tmux | Redis, 消息队列, 数据库 | | 🤖 **Agent 支持** | 任何 CLI agent (Claude Code, Codex, OpenClaw, 自定义) | 仅限框架特定 | | 🌳 **隔离** | Git worktrees (真实分支，真实 diffs) | 容器或虚拟环境 | | 🧠 **智能** | 群体通过 CLI 命令自组织 | 硬编码的编排逻辑 | ## 🎬 使用案例 ### 🔬 1. 自主 ML 研究 — 8 Agent × 8 H100 GPU 基于 [@karpathy 的 autoresearch](https://github.com/karpathy/autoresearch)。 #### 💫 一条命令。全自动化。 #### 人类输入：“使用 8 个 GPU 优化此 LLM 训练设置” Agent 团队处理其余一切： - 在 H100 上生成 8 个专业研究 agent - 设计 2000+ 个自主实验 - 实现突破性改进 (val_bpb: 1.044→0.977) - 无需人类干预 #### 🎯 规模化纯研究 将数月的手动超参数调优转化为数小时的智能自动化。

🏆 val_bpb: 1.044 → 0.977 (6.4% improvement) | 2430+ experiments | ~30 GPU-hours

**Agent 团队自主完成的工作：** ``` Human prompt: "Use 8 GPUs to optimize train.py. Read program.md for instructions." 🦞 Leader agent's actions: ├── 📖 Read program.md, understand the experiment protocol ├── 🏗️ clawteam team spawn-team autoresearch ├── 🚀 Assigned each GPU a research direction: │ ├── GPU 0: clawteam spawn --task "Explore model depth (DEPTH 10-16)" │ ├── GPU 1: clawteam spawn --task "Explore model width (ASPECT_RATIO 80-128)" │ ├── GPU 2: clawteam spawn --task "Tune learning rates and optimizer" │ ├── GPU 3: clawteam spawn --task "Explore batch size and accumulation" │ ├── GPU 4-7: clawteam spawn tmux codex --task "..." (Codex agents) │ └── 🌳 Each agent: own git worktree, own branch, isolated experiments ├── 🔄 Every 30 minutes, checked results: │ ├── clawteam board show autoresearch │ ├── Read each agent's results.tsv │ ├── 🏆 Identified best findings (depth=12, batch=2^17, norm-before-RoPE) │ └── 📡 Cross-pollinated: told new agents to start from the best config ├── 🔧 When agents finished, reassigned GPUs: │ ├── Killed idle agents, cleaned worktrees │ ├── Created new worktrees from the best commit │ └── Spawned fresh agents with combined optimization directions └── ✅ After 2430+ experiments: val_bpb 1.044 → 0.977 ``` 完整结果：[novix-science/autoresearch](https://github.com/novix-science/autoresearch) ### 🏗️ 2. Agentic 软件工程 你告诉 Claude Code：*“给我构建一个全栈待办事项应用。”* Claude 意识到这是一个多模块任务，并**自组织一个团队**： ``` Human prompt: "Build a full-stack todo app with auth, database, and React frontend." 🦞 Leader agent's actions: ├── 🏗️ clawteam team spawn-team webapp -d "Full-stack todo app" ├── 📋 Created tasks with dependency chains: │ ├── T1: "Design REST API schema" → architect │ ├── T2: "Implement JWT auth" --blocked-by T1 → backend1 │ ├── T3: "Build database layer" --blocked-by T1 → backend2 │ ├── T4: "Build React frontend" → frontend │ └── T5: "Integration tests" --blocked-by T2,T3,T4 → tester ├── 🚀 Spawned 5 sub-agents (each in its own git worktree): │ ├── clawteam spawn --agent-name architect --task "Design the API schema" │ ├── clawteam spawn --agent-name backend1 --task "Implement JWT auth" │ ├── clawteam spawn --agent-name backend2 --task "Build PostgreSQL models" │ ├── clawteam spawn --agent-name frontend --task "Build React UI" │ └── clawteam spawn --agent-name tester --task "Write pytest tests" ├── 🔗 Dependency auto-resolution: │ ├── architect completes → backend1 and backend2 auto-unblock │ ├── All backends complete → tester auto-unblocks │ └── Each agent calls: clawteam task update --status completed ├── 💬 Sub-agents coordinate via inbox: │ ├── architect → backend1: "Here's the OpenAPI spec: ..." │ ├── backend1 → tester: "Auth endpoints ready at /api/auth/*" │ └── tester → leader: "All 47 tests passing ✅" └── 🌳 Leader merges all worktrees into main branch ``` ### 💰 3. AI 对冲基金 — 一键启动团队 预构建的 TOML 模板生成一个完整的 **7 agent** 投资分析团队： ``` # 一条命令即可启动所有内容： clawteam launch hedge-fund --team fund1 --goal "Analyze AAPL, MSFT, NVDA for Q2 2026" ``` ``` 🦞 What happens automatically: ├── 📊 Portfolio Manager (leader) spawns and receives the goal ├── 🤖 5 Analyst agents spawn, each with a different strategy: │ ├── 🎩 Buffett Analyst → value investing (moat, ROE, DCF) │ ├── 🚀 Growth Analyst → disruption (TAM, network effects) │ ├── 📈 Technical Analyst → indicators (EMA, RSI, Bollinger) │ ├── 📋 Fundamentals → financial ratios (P/E, D/E, FCF) │ └── 📰 Sentiment Analyst → news + insider trading signals ├── 🛡️ Risk Manager spawns, waits for all analyst signals: │ ├── clawteam inbox receive fund1 (collects all 5 signals) │ ├── Consolidates + computes position limits │ └── clawteam inbox send fund1 portfolio-manager "RISK REPORT: ..." └── 💼 Portfolio Manager makes final buy/sell/hold decisions ``` 模板即 TOML 文件 —— 为任何领域**创建你自己的团队原型**。 ## 📦 安装 ``` pip install clawteam # 或从源代码 git clone https://github.com/HKUDS/ClawTeam.git cd ClawTeam pip install -e . # 可选：P2P 传输 pip install -e ".[p2p]" ``` 需要 **Python 3.10+**、**tmux** 和一个 CLI 编码 agent（例如 `claude`、`codex`）。Python 依赖：`typer`、`pydantic`、`rich`。 所有 `spawn` 示例均假设你命名的 agent CLI 已安装并在 `PATH` 中可用。 ## 🚀 快速开始 如果你是 ClawTeam 新手，请按以下顺序操作： 1. 确保在此机器上 `tmux` 和你的 agent CLI 能独立运行。 2. 选择下方一条路径：让 agent 驱动，或手动驱动。 3. 使用支持的 agent 表格选择正确的 `spawn` 命令。 4. 如果你正在集成新 agent，请在调试前查看适配器说明。 ### ✅ 开始之前 先运行这些检查： ``` tmux -V clawteam --help # 将 claude 替换为您实际想要使用的 agent： claude --version codex --version nanobot --help ``` 如果 agent CLI 本身无法正常运行，`clawteam spawn` 也无法修复它。 ### ⚡ 选项 1：让 Agent 驱动（推荐） ClawTeam 在 `skills/clawteam/` 中内置了可复用技能。 **Claude Code** 将技能安装到 `~/.claude/skills/clawteam`，然后提示： ``` "Build a web app. Use clawteam to split the work across multiple agents." ``` **Codex** 将相同技能安装到 `$CODEX_HOME/skills/clawteam`（通常是 `~/.codex/skills/clawteam`），然后提示： ``` Use $clawteam to split this task across multiple agents and coordinate the team to completion. ``` Agent 将自动创建团队、生成 worker、分配任务并进行协调 —— 底层使用 `clawteam` CLI 命令。 ### 🔧 选项 2：手动驱动 ``` # 1. 创建一个 team（您成为 leader） clawteam team spawn-team my-team -d "Build the auth module" -n leader # 2. 生成 worker agent —— 每个 agent 都会获得一个 git worktree、tmux 窗口和身份 clawteam spawn --team my-team --agent-name alice --task "Implement the OAuth2 flow" clawteam spawn --team my-team --agent-name bob --task "Write unit tests for auth" # 3. Worker 自动接收 coordination prompt，学习如何： # ✅ 检查任务： clawteam task list my-team --owner alice # ✅ 更新状态： clawteam task update my-team --status completed # ✅ 给 leader 发送消息： clawteam inbox send my-team leader "Done!" # ✅ 报告空闲： clawteam lifecycle idle my-team # 4. 并排查看它们的工作 clawteam board attach my-team ``` ### 🧩 配置文件与预设 当你想使用非默认 provider、model 或 API gateway 时，请先配置 **profile**，而不是每次手动导出 provider 环境变量。 ``` # 查看内置 provider templates 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 # 或使用交互式 TUI clawteam profile wizard # 在全新机器/环境下，Claude Code 可能需要执行一次此操作 clawteam profile doctor claude # 在生成 worker 之前对 profile 进行冒烟测试 MOONSHOT_API_KEY=... clawteam profile test claude-kimi ``` 经验法则： - `profile` 是 `spawn` / `launch` 使用的最终运行时对象 - `preset` 是可生成一个或多个 profile 的可复用 provider 模板 - `wizard` 是首次设置的最简单路径 - `doctor` 主要用于 Claude Code 首次运行时的引导状态 ### 🧭 我该使用哪个 Spawn 命令？ 使用 `clawteam spawn [backend] [command] ...` 并搭配已在你的机器上正常工作的命令： ``` # Claude Code clawteam spawn tmux claude --team my-team --agent-name alice --task "Implement OAuth2" # Codex clawteam spawn tmux codex --team my-team --agent-name bob --task "Write frontend tests" # nanobot clawteam spawn tmux nanobot --team my-team --agent-name carol --task "Build the API" # 已配置的 profile（推荐用于非默认 provider/model） clawteam spawn tmux --profile claude-kimi --team my-team --agent-name dave --task "Refactor the auth flow" ``` 注意： - `tmux` 是默认后端，当你想观看交互式 agent UI 时是最佳选择。 - `subprocess` 更适合一次性工具或非交互式脚本。 - `nanobot` 在内部被规范化为 `nanobot agent`，因此上述命令是正确的 ClawTeam 入口点。 - Claude Code 和 Codex 在全新 worktree 中的信任提示会由 tmux 后端自动确认。 - 对于非默认 providers/models，优先使用 `--profile ` 而非手动内联导出环境变量。 ### 🔌 添加不同的 Agent ClawTeam 可以与 Claude Code、Codex 和 nanobot 之外的 agent 协作，但 CLI 必须满足一个小型的兼容性契约： 1. 命令必须存在于 `PATH` 中并能在 ClawTeam 之外成功启动。 2. Agent 必须能在特定工作目录或 git worktree 内运行。 3. Agent 必须能接受初始任务，无论是通过命令行参数还是交互式输入。 4. 如果旨在交互，进程必须在 `tmux` 中保持存活。 如果不确定，请先独立测试 agent，然后用以下方式包装： ``` clawteam spawn subprocess --team my-team --agent-name test --task "Say OK" ``` 如果可行，切换到 `tmux` 以进行交互式监控。 ### 🤖 支持的 Agent ClawTeam 适用于**任何能执行 shell 命令的 CLI agent**： 以下所有示例均假设相应的 CLI 已在你的机器上独立运行。 | Agent | Spawn 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 ...` | ✅ 完全支持对于具备 provider 感知的设置（例如通过 Moonshot Kimi 或 Gemini via Vertex 使用 Claude Code），请使用 `profile` + `preset`，然后使用 `--profile` 进行 spawn。 ## ✨ 功能

### 🦞 Agent 自组织 - Leader agent 生成并管理 worker agent - **自动注入协调 prompt** — 零手动设置 - Worker 自行报告状态、结果和空闲状态 - 适用于任何 CLI agent：Claude Code、Codex、OpenClaw、自定义 ### 🌳 工作空间隔离 - 每个 agent 获得自己的 **git worktree**（独立分支） - 并行 agent 间无合并冲突 - Checkpoint、merge 和 cleanup 命令 - 分支命名：`clawteam/{team}/{agent}` ### 📋 带依赖的任务追踪 - 共享看板：`pending` → `in_progress` → `completed` / `blocked` - `--blocked-by` 依赖链 — **完成后自动解锁** - `task wait` 阻塞直到所有任务完成 - 按状态、负责人筛选；JSON 输出用于脚本

### 💬 Agent 间消息传递 - 点对点**收件箱**（发送、接收、查看） - 向所有团队成员**广播** - 基于文件（默认）或 ZeroMQ P2P 传输（含离线回退） - Agent 通过 `inbox receive` 发现消息 ### 📊 监控与仪表盘 - `board show` — 终端看板 - `board live` — 自动刷新仪表盘 - `board attach` — 所有 agent 工作的**平铺 tmux 视图** - `board serve` — 带实时更新的 **Web UI** ### 🎪 团队模板 - **TOML 文件**定义团队原型（角色、任务、prompts） - 一条命令启动完整团队：`clawteam launch