MCP HubMCP Hub
Вернуться к навыкам

coordinate-swarm

pjt222
Обновлено Yesterday
5 просмотров
17
2
17
Посмотреть на GitHub
Метаautomationdesign

О программе

Навык coordinate-swarm предоставляет такие паттерны, как стигмергия и кворумное чувство, для проектирования распределенных систем, которые самоорганизуются без централизованного управления. Он помогает разработчикам заменить хрупкую оркестрацию на устойчивую, эмерджентную координацию в событийно-ориентированных архитектурах или автономных командах. Используйте его, когда необходимо устранить узкие места в координации и культивировать организованное поведение через локальные правила и петли обратной связи.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add pjt222/agent-almanac -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/pjt222/agent-almanac
Git клонированиеАльтернативный
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/coordinate-swarm

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

協群

以遺跡之通(改環境而間接通)、局部之規、法定人數之察,立諸散處之群之協,無中央之司而生諧調之集體行。

用時

  • 設散處之系,無一節宜為協之瓶頸
  • 團隊或流程宜自協,不賴監管常督
  • 建事件驅動之構,構件以共享狀態通而不直傳
  • 三人之法推至三十人則潰
  • 群式新域之協初建(參 forage-resourcesbuild-consensus
  • 以韌之湧現協代脆弱之中央調度

  • 必要:需協之諸行者(工、服、人)之述
  • 必要:集體之志或所欲湧現之行
  • 可選:當前協法及其敗模
  • 可選:行者之數(影響法之選——小群與大巢異)
  • 可選:延遲之容(即時與終究之別)
  • 可選:環境之限(共享狀態之可得、通信之寬)

第一步:定協題之類

別協之難以選合宜之法。

  1. 圖當前之狀:行者何人、各為何事、協於何處潰
  2. 別題:
    • 覓食 — 行者尋散處之資而用之(參 forage-resources
    • 共識 — 行者宜合於集體之決(參 build-consensus
    • 建構 — 行者逐步建或守共享之構
    • — 行者集體察而應之(參 defend-colony
    • 分工 — 行者宜自組為專角
  3. 識當前協之敗模:
    • 單點之敗(中央之司)
    • 通之瓶頸(直傳過繁)
    • 諧之失(行者無饋而相離)
    • 僵(不能應變)

得: 協題之別明,所處敗模清。此定所施群法。

敗則: 若題不歸一類,或為合成。分為子題,各以合宜之法應。若行者異質過甚,一法難行,宜層協——同質之簇內協,簇間以遺跡協。

第二步:設遺跡之訊

建間接之通道,行者以之相影響。

  1. 定共享之環境(庫、隊列、文件系、物理空間、共板)
  2. 設行者置於環境之訊:
    • 徑訊:成功之徑所積之標(如蟻之費洛蒙)
    • 閾訊:計數過閾則觸行變
    • 抑訊:斥行者離已竭之域之標
  3. 定訊之性:
    • 衰率:訊褪之速(防陳狀獨霸)
    • :成之果強訊
    • 視半徑:訊播之遠
  4. 訊映行者之行:
    • 行者察訊 X 過閾 T,則行 A
    • 行者成 A,則置訊 Y
    • 無訊可察,行者依默之探行
Signal Design Template:
┌──────────────┬───────────────────┬──────────────┬────────────────────┐
│ Signal Name  │ Deposited When    │ Decay Rate   │ Agent Response     │
├──────────────┼───────────────────┼──────────────┼────────────────────┤
│ success-trail│ Task completed OK │ 50% per hour │ Follow toward      │
│ busy-marker  │ Agent starts task │ On completion│ Avoid / pick other │
│ help-signal  │ Agent stuck >5min │ 25% per hour │ Assist if nearby   │
│ danger-flag  │ Error detected    │ 10% per hour │ Retreat & report   │
└──────────────┴───────────────────┴──────────────┴────────────────────┘

得: 訊表映環境之標至行者置之條件、衰率、應之行。訊宜簡、可組、各有獨立之義。

敗則: 訊設過繁,減至二:正(成徑)與負(險旗)。多協題以引斥之動可初建。證之必要後再增微妙。

第三步:定局部交互之規

每一行者所循之簡規,唯用局部之訊(己之狀加近之訊)。

  1. 定行者察之半徑(能感何物?)
  2. 書三至七局部規,按優先列:
    • 規一(安):察險旗則避
    • 規二(應):察助訊且閒則近
    • 規三(用):察成徑則循最強之訊
    • 規四(探):無訊可察則隨動,偏於未探之域
    • 規五(置):成任務則置成徑於所在
  3. 每規宜:
    • 局部:唯依行者所能直接察者
    • :一「若—則」可表
    • 無狀(宜):不賴行者記過去之狀
  4. 心試諸規:若眾行者皆循此規,所欲之集體行湧現乎?

得: 按優先之規集,每行者獨立執之。施於群,局部之規生所欲之集體行(覓食、建構、禦等)。

敗則: 若心模不生所欲湧現,規當缺反饋環——行者宜能察集體行之果。增一訊表集體之狀(如「任務成率」),增一規依之調行。

第四步:校法定人數之察

設閾以觸集體狀變,於足數行者合時。

  1. 識需集體合(非個別應)之決:
    • 由探轉用
    • 擇新工所或棄舊者
    • 由常升至急應
  2. 每集體之決,定:
    • 法定閾:宜合者之數或百分比
    • 察窗:計訊之時段
    • 遲滯:啟閾與停閾異(防震盪)
  3. 以訊積為法定:
    • 每支持者置票訊
    • 察窗內累票過閾則啟決
    • 票降至停閾下則反決

得: 法定閾使群無首而決。遲滯之差防狀速盪。

敗則: 若群盪於狀間,闊遲滯差(如 70% 啟、30% 停)。若群永不達法定,降閾或增察窗。若決過遲,減窗——然防早熟共識。

第五步:試而調湧現之行

驗局部之規生所欲之集體行,而後調參。

  1. 以小數行者(五至十)模擬或試運
  2. 察:
    • 群聚於所欲之行乎?
    • 聚需幾時?
    • 條件中變則如何?
    • 行者敗或增則如何?
  3. 調參:
    • 訊衰率:過速則協無記;過遲則陳訊獨霸
    • 法定閾:過低則集體決早熟;過高則癱
    • 探用之衡:探過則效低;用過則陷局部
  4. 壓試:
    • 驟去 30% 行者——群復乎?
    • 倍增行者——群猶協乎?
    • 引衝突之訊——群解或鎖?

得: 調好之參集,群自組向所欲之行,能復於擾,優雅而擴。

敗則: 若群敗於壓試,訊設過緊。簡之:減訊數、增衰率(訊鮮)、確保行者於無訊時有堅默之行。零訊仍為合理者之群比依訊者韌。

  • 協題別入既知之類(覓食、共識、建構、禦、分工)
  • 遺跡訊表已定,含置條件、衰率、行者應
  • 局部交互規簡、局部、有優先(三至七規)
  • 法定閾有遲滯以防盪
  • 小規模試顯湧現合集體之志
  • 壓試(去、增、擾訊)顯優雅降級

  • 訊過度工程:訊型初多則生惑。始於二訊(引/斥),證必要再增
  • 隱中央之思:若「局部規」需知全局之狀,非局部也。重構至每規唯依行者可直察者
  • 忽衰:訊永不衰則生化石之協狀。每訊需半衰期合任務之時尺
  • 無遲滯:法定閾無啟停之差則速盪。宜設停低於啟
  • 設同質:若行者能異,一規集難行。考異角之規(參 scale-colony

  • forage-resources — 將群協專施於資源尋與探用之衡
  • build-consensus — 深究散處合之法,延本技之法定察
  • defend-colony — 集體禦之法,建於此之訊規架上
  • scale-colony — 當群逾其初協設之擴法
  • adapt-architecture — 變形之技以轉系構,與群協觸結構變時相補
  • deploy-to-kubernetes — 散系之實地布,群協之法可施
  • plan-capacity — 依群擴之動而劃容
  • coordinate-reasoning — AI 自施之變;映遺跡之訊至脈絡管理,含信息衰率與局部規

GitHub репозиторий

pjt222/agent-almanac
Путь: i18n/wenyan/skills/coordinate-swarm
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Похожие навыки

content-collections

Мета

Этот навык предоставляет проверенную в продакшене настройку для Content Collections — TypeScript-ориентированного инструмента, который преобразует файлы Markdown/MDX в типобезопасные коллекции данных с валидацией Zod. Используйте его при создании блогов, сайтов документации или контентных приложений на Vite + React для обеспечения типобезопасности и автоматической проверки содержимого. Он охватывает всё: от настройки плагина Vite и компиляции MDX до оптимизации развертывания и валидации схем.

Просмотреть навык

polymarket

Мета

Этот навык позволяет разработчикам создавать приложения на платформе прогнозных рынков Polymarket, включая интеграцию с API для торговли и получения рыночных данных. Он также обеспечивает потоковую передачу данных в реальном времени через WebSocket для отслеживания текущих сделок и рыночной активности. Используйте его для реализации торговых стратегий или создания инструментов, обрабатывающих обновления рынка в реальном времени.

Просмотреть навык

creating-opencode-plugins

Мета

Этот навык помогает разработчикам создавать плагины OpenCode, которые подключаются к более чем 25 типам событий, таким как команды, файлы и операции LSP. Он предоставляет структуру плагина, спецификации API событий и шаблоны реализации для модулей на JavaScript/TypeScript. Используйте его, когда вам нужно перехватывать, отслеживать или расширять жизненный цикл ассистента OpenCode AI с помощью пользовательской событийно-ориентированной логики.

Просмотреть навык

sglang

Мета

SGLang — это высокопроизводительный фреймворк для обслуживания больших языковых моделей (LLM), специализирующийся на быстрой структурированной генерации JSON, regex и рабочих процессов агентов с использованием кэширования префиксов RadixAttention. Он обеспечивает значительно более высокую скорость вывода, особенно для задач с повторяющимися префиксами, что делает его идеальным для сложных структурированных результатов и многократных диалогов. Выбирайте SGLang вместо альтернатив, таких как vLLM, когда вам требуется ограниченное декодирование или вы создаете приложения с интенсивным совместным использованием префиксов.

Просмотреть навык