ruflo Worker-Agent 集成实战后台 Worker 触发器、Agent 智能分发与性能反馈闭环【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本文以 ruflo 仓库中的worker-integration技能文档.claude/skills/worker-integration/SKILL.md为核心讲解 ruflo 多智能体体系中后台 Worker 与专职 Agent 的协同机制包括 8 类触发器到 Agent 的分发映射表、基于历史执行表现的 Agent 选择算法、{trigger}/{topic}/{phase}记忆键规范、基准阈值Benchmark Thresholds监控、反馈闭环 API 与集成配置方法。读完本文你可以完整复现 Worker-Agent 集成配置并从 Worker 派发服务源码 与 MCP Worker 工具 层面理解其底层实现契约。一、什么是 Worker-Agent 集成ruflo 的后台 Worker 系统负责在会话空闲或检测到特定意图时异步执行耗时任务深度学习、性能优化、安全审计等而专职 Agentresearcher、coder、security-analyst 等则承担具体执行角色。Worker-Agent 集成Worker-Agent Integration解决的核心问题是当某个触发器trigger被激活时该派发给哪个 Agent以及如何让这个分发决策随着执行历史不断变聪明。该机制在仓库中对应三层资产技能文档.claude/skills/worker-integration/SKILL.mduser-invocable: true的可调用技能插件分发版本位于 plugin/skills/worker-integration/派发服务实现WorkerDispatchService文件头注释明确其实现的是与agentic-flowalpha兼容的 12 个后台 Worker 触发器契约MCP 工具面worker-tools将派发、状态查询、触发器检测等能力暴露为 MCP 工具。二、快速上手三组核心命令技能文档给出的 Quick Start 全部基于agentic-flow命令行通过 npx 调用覆盖“查询推荐 → 查看指标 → 查看集成统计”三个日常动作# 查看某个触发器的推荐 Agent npx agentic-flow workers agents ultralearn npx agentic-flow workers agents optimize # 查看性能指标 npx agentic-flow workers metrics # 查看集成统计 npx agentic-flow workers stats --integrationworkers agents trigger用于回答“这类任务该派给谁”workers metrics输出各 Agent 的延迟、成功率等运行指标workers stats --integration则输出集成层面的汇总统计详见本文第六节的真实输出样例。三、触发器到 Agent 的分发映射表Worker 会依据触发器类型自动派发dispatch到最优 Agent。技能文档定义了 8 个触发器的完整映射包含主 Agent、回退 Agent 与流水线阶段触发器主 Agent回退 Agent流水线阶段ultralearnresearcher, coderplannerdiscovery → patterns → vectorization → summaryoptimizeperformance-analyzer, coderresearcherstatic-analysis → performance → patternsauditsecurity-analyst, testerreviewersecurity → secrets → vulnerability-scanbenchmarkperformance-analyzercoder, testerperformance → metrics → reporttestgapstestercoderdiscovery → coverage → gapsdocumentdocumenter, researchercoderapi-discovery → patterns → indexingdeepdiveresearcher, security-analystcodercall-graph → deps → tracerefactorcoder, reviewerresearchercomplexity → smells → patterns从源码结构看仓库侧的触发器全集比上表更广。worker-dispatch.ts 中定义了 12 个WorkerTrigger除上表 8 个外还包括consolidate记忆固化、predict预测预加载、map代码库映射、preload资源预加载——这些偏基础设施的触发器不涉及 Agent 分发因此未出现在映射表中。每个触发器还配有用于从用户提示/上下文中检测意图的正则模式TRIGGER_PATTERNS见 worker-dispatch.ts例如ultralearn会匹配 learn about、understand how/what/why 等表达。映射表中的“流水线阶段”即执行计划的分段以optimize为例任务按 static-analysis → performance → patterns 三阶段推进各阶段产物会以记忆键见第五节落盘供后续会话复用。四、基于性能的 Agent 选择Performance-Based Selection静态映射表只是起点。系统会从执行历史中学习并动态调整分发决策。技能文档给出的选择逻辑如下// Agent selection considers: // 1. Quality score (0-1) // 2. Success rate // 3. Average latency // 4. Execution count const { agent, confidence, reasoning } selectBestAgent(optimize); // agent: performance-analyzer // confidence: 0.87 // reasoning: Selected based on 45 executions with 94.2% success选择算法综合四个因子质量分0–1 区间、成功率、平均延迟与执行次数样本量保证统计置信度。返回值三元组agent / confidence / reasoning中reasoning字段是可审计的自然语言说明——这使分发决策不仅“可用”而且“可解释”Agent 在报告中可以直接引用该理由。五、记忆键命名规范Memory Key PatternsWorker 执行结果统一按如下模式写入记忆存储{trigger}/{topic}/{phase} Examples: - ultralearn/auth-module/analysis - optimize/database/performance - audit/payment/vulnerabilities - benchmark/api/metrics三段式结构触发器/主题/阶段与映射表中的“流水线阶段”列一一对应optimize/database/performance正是optimize触发器在 performance 阶段、针对 database 主题产出的结果。这一规范的意义在于可检索性按前缀即可聚合某触发器在某主题下的全阶段产物可覆盖性重跑同一阶段时按键原地更新而非追加冗余记录跨 Worker 复用Agent 端可以直接按键读取前置阶段的产物构成流水线接力。配合技能文档配置项中的memoryDepositEnabled见第七节结果落盘行为可整体开关。六、基准阈值监控与合规检查Benchmark ThresholdsAgent 的运行时表现被约束在一组性能阈值之内。技能文档给出的阈值配置示例{ researcher: { p95_latency: 500ms, memory_mb: 256MB }, coder: { p95_latency: 300ms, quality_score: 0.85 }, security-analyst: { scan_coverage: 95%, p95_latency: 1000ms } }阈值按 Agent 定制且维度不同researcher关注 p95 延迟与内存占用coder关注延迟与质量分下限security-analyst则引入扫描覆盖率scan_coverage 95%这一安全特有指标——这体现了“不同类型 Agent 用不同 SLA 约束”的设计思路。七、反馈闭环recordFeedback 与 checkBenchmarkCompliance阈值能否生效取决于反馈数据的持续注入。技能文档展示了反馈 API 的完整用法import { workerAgentIntegration } from agentic-flow/workers/worker-agent-integration; // 记录一次执行反馈 workerAgentIntegration.recordFeedback( optimize, // trigger coder, // agent true, // success 245, // latency ms 0.92 // quality score ); // 检查基准合规性 const { compliant, violations } workerAgentIntegration.checkBenchmarkCompliance(coder);recordFeedback每次执行后调用一次五个参数触发器、Agent、是否成功、延迟毫秒数、质量分恰好是第四节选择算法所依赖的原始样本checkBenchmarkCompliance则将当前指标与第六节阈值比对返回compliant布尔值与violations违规明细列表。两者合起来构成“采样 → 选择 → 监控”的持续改进闭环。八、集成统计workers stats --integration 输出解读$ npx agentic-flow workers stats --integration Worker-Agent Integration Stats ══════════════════════════════ Total Agents: 6 Tracked Agents: 4 Total Feedback: 156 Avg Quality Score: 0.89 Model Cache Stats ───────────────── Hits: 1,234 Misses: 45 Hit Rate: 96.5%各字段含义Total Agents / Tracked Agents注册 Agent 总数 vs 已被反馈系统追踪有执行历史的 Agent 数Total Feedback累计recordFeedback样本量样本越多第四节的选择置信度越高Avg Quality Score全局平均质量分Model Cache Stats模型缓存的命中/未命中与命中率96.5%缓存命中意味着大量推理请求可复用既有结果直接反映成本与延迟水平。九、配置在 .claude/settings.json 中启用集成技能文档给出的配置模板{ workers: { enabled: true, parallel: true, memoryDepositEnabled: true, agentMappings: { ultralearn: [researcher, coder], optimize: [performance-analyzer, coder] } } }逐项说明配置项作用workers.enabled总开关关闭后 Worker 不派发任务到 Agentworkers.parallel允许并行执行多个 Agent 任务对应仓库侧的并发控制workers.memoryDepositEnabled开启第五节所述的{trigger}/{topic}/{phase}结果落盘workers.agentMappings按触发器覆盖默认 Agent 列表模板展示了ultralearn与optimize两项可按第三节映射表补齐全部 8 个触发器十、源码级架构佐证WorkerDispatchService 与 MCP 工具面为让读者理解上述技能契约在仓库中的落地形态这里补充源码侧证据。12 触发器派发服务。worker-dispatch.ts 中WorkerDispatchService基于EventEmitter实现文件头注释列出了明确的性能目标触发检测 5ms、Worker 派生 50ms、最大并发 10 个可配置。运行时参数由WorkerConfig接口约束L57-L68maxConcurrent最大并发 Worker 数defaultTimeout默认超时毫秒memoryLimit单 Worker 内存上限MBautoDispatch是否基于上下文自动派发priorityQueue是否启用优先级队列。这解释了技能文档中parallel: true与“回退 Agent”机制的底层支撑当主 Agent 不可用时调度器可在并发约束内改派回退 Agent而不阻塞流水线。MCP 工具暴露。worker-tools.ts 将 Worker 能力封装为 MCP 工具实现 ADR-005 MCP-First API Design 与 ADR-001 agentic-flowalpha 兼容worker/dispatch、worker/status、worker/cancel、worker/triggers、worker/results、worker/detect、worker/stats、worker/context。所有入参使用 zod 校验见 dispatchWorkerSchematrigger限定为 12 个枚举值priority取low/normal/high/critical四档且默认normaltimeout为可选毫秒数。技能文档的 CLI 命令workers agents / metrics / stats与这组 MCP 工具共享同一触发器契约分别面向人类操作者与 Agent 调用者。相关设计与插件。更完整的背景可参阅 ADR-014: Workers System 与 ADR-020: Headless Worker Integration循环型 Worker 场景如长任务中反复触发ultralearn则由 ruflo-loop-workers 插件 及其 循环 Worker 契约 ADR 进一步约束。十一、适用前提与实操建议命令来源Quick Start 命令通过npx agentic-flow调用属于 agentic-flow 运行时生态本仓库 v3 侧swarm/workers、mcp/tools实现的是与其兼容的触发器与 MCP 工具契约。以当前仓库内容为准理解行为时应优先核对仓库源码中的枚举与 Schema。映射表可扩展agentMappings只需在.claude/settings.json中按第三节表格补键即可覆盖全部 8 个触发器未列出的触发器沿用默认映射。反馈是闭环前提若不接入recordFeedbackselectBestAgent只能退化为静态映射Total Feedback统计也将为零——部署后应先用workers metrics与stats --integration验证反馈样本是否在增长。阈值按 Agent 定制新增 Agent 时参照第六节 JSON 的结构补充 p95 延迟、内存或质量分维度再用checkBenchmarkCompliance验证违规项。至此本文完整继承了worker-integration技能文档的触发器映射表、命令、API 与配置并结合 WorkerDispatchService、MCP Worker 工具 及循环 Worker 插件的源码证据给出了一份可直接用于 ruflo Worker-Agent 集成部署与调优的实战参考。【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