华为开源了一个名为“JiuwenSwarm”的多智能体协作框架 其核心理念是“理解意图，自主演进”：用户用自然语言提出复杂任务，Leader 智能体负责拆解任务、组建专家团队、调度技能和工具，并交付端到端结果。它不内置任何模型——是一个纯粹的 Harness，可接入兼容 OpenAI 的 API、华为云 MaaS 和本地模型。 # 架构：四层拆解 1. 入口层：将智能体嵌入日常沟通工具。它支持 Web、TUI 终端、JetBrains/VS Code 插件、浏览器扩展，以及广泛的即时通信渠道：国内包括飞书、钉钉、企业微信和个人微信；国际包括 Telegram、Discord、Slack 和 WhatsApp。相比大多数同类框架，这是它独特的产品定位——无需用户切换工作环境，而是将多智能体能力直接送入用户正在使用的聊天窗口。 2. 协议层：E2A 统一信封协议。这是工程设计中最值得关注的部分。所有外部协议（ACP、A2A、各类即时通信渠道）都不直接进入系统，而是在 Gateway 统一转换为标准化的 E2AEnvelope 请求结构和三层 E2AResponse 响应结构（信封 → 判别载荷 → 协议投影）。这种设计意味着，新增渠道只需编写一个适配器，实现内部系统与外部协议的完全解耦。它还支持 MCP 工具生态，并对外实现 A2A 智能体间通信协议。 3. 执行层：从单机到分布式的弹性扩展。多智能体采用 Leader/Teammate 模式：Leader 负责任务拆解、编排与结果汇总，Teammate 则是执行专家。单机模式下采用多进程运行；分布式模式下（team.runtime.mode=distributed），控制平面与数据平面分离——Teammate 向独立的 A2X 注册中心注册为空闲节点，Leader 在组建团队时预留这些节点，通过 ZMQ 直连完成引导启动，任务数据则经由共享 PostgreSQL 流转。Leader 和 Teammate 可以跨机器部署，形成真正的“蜂群”。 4. 编排层：SwarmFlow 确定性工作流。对于需要可控执行的任务，纯自主的多智能体协商可能不够稳定。SwarmFlow 使用 Python 脚本描述确定性编排：提供 agent、pipeline（无屏障，官方默认推荐）、parallel（分叉—汇合）、human（人工介入）等算子，并支持结构化输出、Git worktree 隔离、Leader 级共享 token 预算，以及通过三层执行树（工作流 → 阶段 → 节点）在 TUI 中进行实时监控。它依赖 Team 模式，本质上让用户可以明确选择“自由协商”或“确定性流水线”。 # 最具特色的功能：自演进系统 技能自演进：技能不再是静态文档。智能体每完成 5 轮任务便进行一次自我评估（团队则在任务验收后进行），根据任务证据判断是否存在可复用的改进。触发后，evolution_reviewer 子智能体使用只读工具审查证据，生成结构化提案，默认需要人工批准，将经验存入 evolutions.json 并在后续调用中自动加载，通过 /evolve_rebuild 将其永久合并到 SKILL.md。这种“证据门槛 + 默认启用人工批准”的设计，体现了对自动改写指令风险的克制。 AutoHarness：Harness 的“后训练”。它不改变模型权重，而是让智能体自行生成评测、定位弱点、修改提示词/工具/护栏/技能，并重新验证。它分为两层运行：Meta 层修改通用基础（对源代码修改提交 PR，要求人工审查）；Expert 层生成领域扩展包（支持热加载，即插即用，无需重启），全程采用完整的 Git worktree 隔离和 CI 自动修复循环。 Symphony：技能检索与编排。当技能数量达到数百个时，将它们全部注入上下文会使注意力过载。解决方案是“用树检索，用图编排”：离线构建技能树索引，供智能体像浏览目录一样逐层查看；然后根据技能图（节点为技能，边表示输出到输入的连接关系），生成可供确认的技能执行链。它不替代 Leader 的任务委派，而是作为辅助工具。 记忆系统：以文件作为数据源 USER.md（用户画像）、MEMORY.md（长期记忆）、每日对话日志、TEAM_MEMORY.md（Leader 每轮自动提炼团队经验）。检索采用 BM25 全文搜索与向量语义搜索相结合的混合方式（默认权重为 0.7/0.3），通过 SQLite + FTS5 + vec0 实现，并由 watchdog 监控文件变化以异步更新索引；还可以接入 Mem0 或 OpenViking 等第三方记忆服务。此外，还有一个可选的“Dreaming”机制：在空闲时使用 LLM 定期整理历史对话、提取长期信息，并支持忙碌状态下的退避和增量扫描。 开源仓库：