蜂群Agent来了！openJiuwen社区发布JiuwenSwarm，引领Coordination Engineering新范式

TL;DR

• 华为支持下的 openJiuwen 社区开源了面向多智能体协作的蜂群智能体平台 JiuwenSwarm，标志着 Agent 工程范式从单 Agent 约束（Harness）向多 Agent 协同（Coordination Engineering）的演进。
• 在权威评测基准 PinchBench 上，JiuwenSwarm 以 94.2% 的综合得分刷新业界 SOTA，较对标系统 OpenClaw（91.6%）提升近 3 个百分点，同时平均 Token 消耗降低 34.8%。
• 该架构采用“Agent Swarm + Swarm Skills + Hub + 自演进”四层全栈技术体系，支持从一次性流程编排到可复用、可进化团队能力的闭环。
• 引入 HOTS（人类在蜂群之上）与 HITS（人类在蜂群之中）两种人机交互模式，允许用户作为指挥官或团队一员沉浸式参与多 Agent 博弈与协作。
• 长期对话记忆机制在 LOCOMO 基准测试中达到 85% 准确率，使用 8B 参数模型即可高效完成记忆加工与问答判别，优于主流记忆系统。

为什么值得看

这篇文章展示了 AI Agent 领域从“单体工程化”向“群体协作工程化”的关键转折点，为解决长链路、多角色复杂任务提供了可落地的开源工程范式。其对多智能体如何分工、沉淀经验及自我进系统化机制的解析，对构建下一代 AI 应用架构具有直接的参考价值。

关键数据

• PinchBench 综合得分：JiuwenSwarm 取得 94.2% 的业界 SOTA 成绩，对比 OpenClaw 的 91.6%，提升幅度约为 2.6-3 个百分点。
• Token 消耗效率：JiuwenSwarm 相比 OpenClaw 平均 Token 消耗降低 34.8%，在保持更高准确率的同时显著降低了推理成本。
• 长期记忆准确率：在 LOCOMO 长期对话评测集中，基于 8B 大模型的记忆机制准确率达到 85%。
• 医疗协作规模：在医疗联合会诊案例中，系统由 23 位不同专科的 AI 医学专家组成团队，支持按需动态创建专家成员。

技术解析

• Coordination Engineering 范式：区别于传统的 Harness Engineering（侧重单 Agent 约束与纠错），Coordination Engineering 聚焦于多 Agent 的组织、动态协商、经验沉淀及持续进化，解决复杂场景下任务拆解与角色分配问题。
• 全栈技术组件：
  • Agent Swarm：提供多智能体协同内核，支持针对不同角色路由不同模型（如复杂角色用大模型，简单角色用小模型），实现“因材施教”以减少负载。
  • Swarm Skills：将团队协作中的 SOP、角色搭配、调度策略标准化封装为可复用的“团队级技能”。
  • 自演进引擎：通过分析任务执行轨迹（Task Trajectory），自动反推出可复用的 Swarm Skill 并提交审批；同时在团队层优化 Leader 规划能力，在成员层沉淀个体工具报错与调用经验，实现“越用越强”的闭环。
• 人机交互双模式：
  • HOTS (Human on the Swarm)：人类作为指挥官，具备上帝视角，可实时观察团队状态并进行粒度可调的干预（从单条指令到宏观方向调整）。
  • HITS (Human in the Swarm)：人类作为团队成员之一，与 AI 共同推理、投票、互动，适用于狼人杀博弈或多学科辅导等沉浸式场景。
• 底层支撑：基于 openJiuwen Harness 的 DeepAgent 架构，结合上下文工程与长期记忆机制，确保每个“蜂群”成员具备扎实的单点任务执行力，为协同提供基础保障。

行业启示

• 从“超级个体”到“智能团队”：未来 AI Agent 的竞争力不再单纯依赖单一模型的能力上限，而是取决于多智能体系统的设计、协作机制及经验沉淀能力。企业应开始布局 Agent 团队的编排框架，而非仅仅关注单 Agent 的提示词工程。
• 技能即资产（Skills as Assets）：多智能体协作的最佳实践正在标准化为可流通、可交易的“团队技能”（Swarm Skills）。构建技能共享市场（Hub）将成为 Agent 生态的重要基础设施，促进知识的跨领域复用。
• 成本与效果的再平衡：通过多模型路由（Model Routing）和高效的记忆机制，可以在不牺牲甚至提升效果的前提下大幅降低 Token 成本。这种“高性价比的群体智能”是商业化落地多 Agent 系统的关键路径。

常见问题

Q: JiuwenSwarm 中的“自演进”机制具体是如何工作的？
A: 自演进引擎会持续观察任务拆解、角色调度及消息往来的完整轨迹。团队层用于自动增减角色、补充约束规则并优化协作流程；成员层则将工具报错、接口超时等实战经验沉淀下来。系统会自动从轨迹中反推出可复用的 Swarm Skill，经用户审批后入库，从而实现系统的持续进化。

Q: HOTS 和 HITS 两种模式的核心区别是什么，分别适用于什么场景？
A: HOTS（Human on the Swarm）中人类处于团队之外，扮演指挥官角色，侧重于全局调度和状态监控，适用于需要宏观把控复杂业务的场景；HITS（Human in the Swarm）中人类是团队内部成员，与 AI 同流程实时协作，侧重于沉浸式互动与共同推理，适用于博弈游戏、多学科课程辅导等需要深度互动的场景。