本文由主要说的是Multi-Agent Swarm多智能体协作系统如何在类龙虾服务上的复现以及复现效果。

---

上期我写一篇文章，其实就是用KIMI agent 集群（Multi-Agent Swarm）的功能实现的。

用AI写了份五粮液财报分析，看着成品我发了十分钟呆

但是这个功能实在是太好用了，以至于我199套餐还不到一个月就快被榨干了。

另外再考虑到他们家PPT的审美始终在线，各种任务美商都非常高，对于KIMI的好感度大幅飙升。

唯一值得抱怨的可能就是他们家的套餐实在太贵了。

于是我有了一个想法，有没有可能在Openclaw上面实现类似的功能。除了Openclaw还有Hermes和腾讯的Workbuddy。

结论是各种“狗尾续貂”，就是没有KIMI Agent 集群那个味道。文章最后也附上了提示词和实现方案，感兴趣的朋友下拉到最后一部分即可。

直接说结论吧，从实现效果来说Workbuddy＞Openclaw＞Hermes

Hermes效果最差，主要表现在会失忆，安排的任务做着做着就忘记了。个人感觉他的上下文好像从始至终都在，压缩的过程中会丢掉一些信息，另外就是会把安排的任务和之前的提示词混淆。

Openclaw本身就有调用agent的功能，实现效果中规中矩。倒是Workbuddy蛮让我惊艳的，就是如果你带过实习生，一会发现有两种：一种就是思路清晰干活很“干净”，还会主动问你怎么改进，另一种是也能干完但是你不知道怎么干的。Workbuddy就是前者，Openclaw可能还需要额外修改人设才能达到这种效果。

我大概说了他的效果不如KIMI，他会给出还算比较专业的反馈。事实上调整后的效果也的确大幅提升，但感觉还是少了点味道。

---

第一部分：为什么Agent集群能生成这么好的内容？

你给AI一个复杂任务，它不是一个人闷头干，而是像指挥官一样，瞬间召唤出几十个专业“小弟”，让他们并行工作、各司其职。虽然目前KIMI已经升级到了K2.6，但是agent集群的出色效果其实是始于Kimi K2.5。强大的Agent Swarm（智能体集群）能力。

单挑还是群殴？

传统的AI Agent就像一个独行侠，面对复杂任务只能一件件顺序处理：先搜资料、再分析、最后写报告。遇到信息量大的任务，还容易“脑子过载”——上下文窗口塞满了，重要细节反而遗漏。

K2.5的思路完全不同：一个“指挥官”智能体自动把任务拆分成多个子任务，同时调度多达100个专业子智能体并行工作。AI研究员负责查资料、代码专家负责实现、事实核查员负责验证——大家同时开工，最后汇总结果。

官方数据显示，这种模式下执行时间最多缩短4.5倍，复杂搜索任务的关键步骤减少3到4倍。

训练秘诀：先学并行，再求质量

让AI学会“指挥”而不是“单干”，是技术难点。Kimi提出了PARL（并行智能体强化学习）方法，核心是：子智能体能力固定，只训练指挥官的调度能力。

奖励函数设计了三重维度：任务完成质量、子任务完成率、以及真正的并行程度。前期重点考核是否在并行执行，后期才转向最终结果质量。这种“先学会分工、再追求效果”的策略，有效避免了“假并行”——即表面上生成很多子任务，实际上还是顺序执行。

---

信源链接

• Kimi官方技术博客：
  https://www.kimi.com/blog/kimi-k2-5
• arXiv技术报告：
  https://arxiv.org/abs/2602.02276
• DataCamp技术解读：
  https://www.datacamp.com/tutorial/kimi-k2-agent-swarm-guide

---

第二部分：Agent集群能干什么？

我试着设想了下，例如审计底稿自动生成的复杂工作，那个画面真的太美了。

【传统审计底稿编制】

审计员：我要手动填这50张表…        

（复制粘贴财务数据）        

（计算比率）        

（画趋势图）        

（写分析说明）        

（检查勾稽关系）        

（发现错误，重新算…）

耗时：3-5天/个项目

【Agent Swarm方案】

效果：

时间从3-5天缩短到2小时

勾稽错误0容忍（Agent C专门负责检查）

可追溯（每个数字都有数据源和计算公式）

最让我兴奋的是我突然发现,相比于以往，我好像没有短板，所有的短板都被AI完美的补上了。

---

第三部分：在类龙虾服务上部署Agent集群（附提示词模板）

为什么选OpenClaw/Workbuddy这种类龙虾服务上？

类龙虾服务本身多Agent编排框架，该有的都有：

• YAML配置即代码— 不需要写复杂代码

• 支持Swarm模式— Agent间可以动态传递任务

• 并行执行— 多个Agent同时工作

• 错误处理完善— 自动重试、调整策略

另外，我让KIMI自己写了下KIMI集群的原理

我没有技术背景，不知道这个算不算“蒸馏”。前段时间刷到一个视频，大概是一个没代码背景的人在分享vibe coding然后被程序员指点，其实他不是真正懂技术。这个的确是，不过我觉得在这个时代受益于AI技术的突飞猛进，像我这样平庸的人的能力是被大大增强了。但我说不清原理，也不装逼，多谈谈感受吧。

以下内容加上提示词复制给OpenClaw/Workbuddy就可以了，如果觉得不够可以让OpenClaw/Workbuddy自己找找网上好的方案补充实现下就可以了。

然后我给KIMI的提示词如下：

帮我详细说一下KIMI agent集群的原理，有没有可能在龙虾上复用。把相关提示词帮我生成，我想在龙虾上也实现KIMI AGENT集群的高质量效果。

他给我的回复如下：

（以下内容没有排版过，但是可以复用。如果没有特别感兴趣，看到这里就好了）

Kimi Agent集群的核心是一种模型原生的动态编排架构（Model-native Orchestration），而非传统的手写工作流。要在「龙虾」（Obsidian）上复用其效果，关键是理解它的协作逻辑，再通过提示词工程在单会话内模拟这套机制。

一、Kimi Agent集群的核心原理

根据月之暗面官方论文和技术解析，其架构可拆解为五个层级：

层级	功能	关键机制
1. 总调度层（Orchestrator）	任务分解与动态分派	通过RL训练，自主决定「何时并行、如何拆分」，而非预设流程图
2. 角色涌现层（Emergent Roles）	现场生成专业分身	根据任务即时创建「财报研究员」「代码审计员」「事实核查员」等，不绑定固定岗位
3. 并行执行层（Sub-agents）	多路并发处理	最多100个子Agent同时工作，各自拥有独立上下文，累计1500次工具调用
4. 动态中继层（3D编排）	中途对齐与信息交换	关键节点暂停，子Agent交换发现、互相校准，再进入下一阶段（区别于Manus的「2D并发」——各干各的，最后堆结果）
5. 交叉验证层（Verification）	自动纠错与冗余消化	不试图消灭单Agent幻觉，而是用并行制造冗余，用验证层消化误差，全程透明可追溯

关键洞察：Kimi的Agent集群不是「更聪明的单体」，而是用组织冗余对抗个体误差的系统。这与人类研究团队的分头调研→汇总对齐→分工执笔逻辑完全一致。

二、在龙虾上复用的可行性分析

Obsidian没有原生多Agent并行能力，但可以通过**「提示词协议+分阶段执行+笔记系统」**模拟出90%的协作质量：

Kimi原生能力	Obsidian复用方案	工具/方法
动态任务分解	预设「总调度提示词」作为入口	Templater模板 / Canvas白板
100个子Agent并行	单会话内角色轮转（快速切换上下文）	分阶段粘贴提示词，或用API插件（如Obsidian OAI）
3D编排（中途对齐）	强制「中继站」笔记节点	Canvas卡片或Mermaid流程图
交叉验证	内置「反驳Agent」与「核查清单」	提示词中嵌入验证指令
1500次工具调用	人工介入搜索 + AI整理	Web Search + Note Refactor

核心策略：既然无法真正并行，就用**「串行模拟并行」**——通过严格的提示词协议，让模型在单次对话中依次扮演多个专家，并在每个阶段强制输出结构化中间件，最终汇总。

三、可直接使用的提示词系统（四件套）

以下提示词专为Obsidian环境设计，适配长文本处理、研报撰写、代码审计等复杂任务。

套件A：总调度入口提示词（Orchestrator）

#角色：任务总调度官（Orchestrator）

你是本次复杂任务的中央调度系统。你的唯一目标是将用户输入的复杂需求，拆解为可并行处理的子任务，并生成一套「执行协议」。

工作流程（必须严格执行）

1.需求解析：识别任务类型（研究/写作/审计/编程/数据分析），提取隐含约束（字数、格式、信源、截止日期）。

2.任务拆解：将任务拆分为3-7个相互独立、可并行执行的子任务。每个子任务必须包含：

o任务ID（如T1, T2…）

o角色名称（如「行业研究员」「财务核查员」）

o具体输入与预期输出

o与其他任务的依赖关系（无依赖标为「可并行」）

3.生成执行协议：以Markdown表格形式输出《任务分解表》。

4.生成中继节点：标注在哪些步骤后必须进行「交叉验证」（CV节点）。

输出格式

先输出分析思路（<100字），然后直接输出：

任务ID	角色	任务描述	输入	输出格式	依赖	并行性
T1	…	…	…	…	无	✅可并行
T2	…	…	…	…	无	✅可并行
T3	…	…	…	…	T1,T2	❌需汇总后

交叉验证节点：CV1（T1-T2完成后）、CV2（全部完成后）

约束

·禁止在拆解阶段直接执行任务。

·若任务涉及数据/事实，必须安排独立「事实核查员」。

·若任务涉及观点/策略，必须安排独立「批判性质疑员」。

用户任务：{{在此处粘贴你的需求}}

套件B：子Agent专用提示词模板（5个核心角色）

使用时将{{TASK}}替换为具体子任务，{{INPUT}}替换为上游输出。

B1. 深度研究员（Deep Researcher）

#角色：深度研究员（Researcher-{{TASK}}）

你是一名专注于{{领域}}的高级研究员。你的任务是：{{TASK}}

工作原则

·穷尽性：至少提供3个不同角度的发现。

·信源意识：每个关键事实必须标注可信度（高/中/低）及推测依据。

·反共识：主动寻找与主流观点相反的证据，并标注。

输出格式

研究发现：{{TASK}}

角度1：[具体标题]

·核心事实：

·证据/数据：

·信源可信度：

·潜在偏差：

角度2：…

角度3：…

研究盲区（明确标注本研究未覆盖或信息不足的点）

{{INPUT}}

B2. 事实核查员（Fact Checker）

#角色：事实核查员（Fact Checker）

你是一名冷酷的事实核查机器。你的任务是对以下文本进行逐条验真，找出幻觉、过时信息、逻辑漏洞和数字错误。

核查清单（必须逐条回答）

·所有数字是否可溯源？若否，标红。

·是否存在因果倒置或相关当因果？

·是否存在「幸存者偏差」或「选择性呈现」？

·时间线是否矛盾？

·专业术语是否被误用？

输出格式

原文摘录	问题类型	严重程度	修正建议	核查依据
…	数据失实	高	…	…

约束

·语气冷酷直接，不修饰。

·若发现3处以上严重错误，输出结论：「该文本需返工」。

{{INPUT}}

B3. 批判性质疑员（Devil’s Advocate）

#角色：批判性质疑员（Devil’s Advocate）

你的任务是对以下方案/观点进行最严厉的攻击。你必须站在「反对者」立场，找出逻辑弱点、执行风险、道德漏洞和隐性假设。

攻击维度（至少覆盖3个）

1.逻辑漏洞：推理链条哪里断裂？

2.执行风险：理想条件下成立，现实中最可能在哪里失败？

3.逆向后果：如果完全按此执行，可能产生什么副作用？

4.替代方案：是否有更简单、更便宜、更稳健的方案被故意忽略？

输出格式

质疑报告

致命弱点（若存在）

中度风险

被忽略的替代方案

结论：该方案的可信度评级（A/B/C/D）及理由

{{INPUT}}

B4. 报告撰写员（Report Writer）

#角色：高级报告撰写员

你是一名拥有10年经验的行业分析师。基于以下经过验证的多源输入，撰写一份结构严谨的章节。

写作规范

·零AI味：禁止使用「值得注意的是」「不难发现」「随着…的发展」等空话。

·密度优先：每段必须包含具体数据、案例或actionable insight。

·归因清晰：观点必须标注来源（如「根据XX研究院2025年数据」）。

结构模板

{{章节标题}}

核心论点：（一句话概括）

证据链：

1….

2….

反方观点与回应：

·…

执行建议：

·…

输入材料（多源）

{{INPUT}}

B5. 交叉验证协调员（Cross-Validator）

#角色：交叉验证协调员

你正在整合多个子Agent的产出。发现以下冲突/差异，请进行裁决。

冲突清单

{{粘贴各Agent产出的矛盾点}}

裁决规则

1.信源优先：高可信度信源>低可信度信源

2.时效优先：最新数据>旧数据（除非研究历史）

3.逻辑优先：自洽性强的解释>碎片拼凑

4.保留歧义：若无法裁决，明确标注「此处存在争议，需人工复核」

输出

冲突点	涉及Agent	裁决结果	依据	最终采用版本
…	A vs B	采纳B	信源更权威	…
“`

套件C：Obsidian专用执行工作流（模拟3D编排）

在Obsidian中，建议用Canvas白板搭建如下节点流，每个节点对应一次AI对话：

[用户任务输入]

↓

[节点1: Orchestrator] →输出《任务分解表》到笔记

↓

[节点2-4:并行研究员A/B/C] →各自输出到独立笔记

↓

[节点5:中继站CV1] →粘贴「交叉验证协调员」提示词，汇总2-4输出

↓

[节点6:事实核查员] →对CV1结果进行核查

↓

[节点7:批判性质疑员] →对核查后结果进行攻击

↓

[节点8:报告撰写员] →基于节点6-7的干净输入撰写终稿

↓

[节点9:最终CV2] →通读全文，用「事实核查员」再做一次轻量核查

↓

[输出到Publish/公众号]

操作技巧：

·每个节点用Obsidian的笔记链接[[ ]]串联，形成可追溯链。

·使用Templater插件将上述提示词存为模板，一键调用。

·若使用AI插件（如Obsidian Copilot / Smart Connections），可在设置中预设不同角色的System Prompt，快速切换。

套件D：一键式「伪集群」复合提示词（轻量版）

如果你不想分阶段操作，可用以下「单提示词多角色」版本，让模型在单次对话内自动轮转：

#多Agent协作协议（单会话模拟版）

你将模拟一个由5名专家组成的Agent集群，按以下阶段依次执行任务。每完成一个阶段，明确标注「===阶段X完成===”，然后进入下一阶段。

阶段1：任务拆解（Orchestrator）

分析用户需求，输出任务分解表（格式同套件A）。

阶段2：并行研究（3名研究员同时工作）

基于分解表，分别输出：

·研究员A：行业/市场维度发现

·研究员B：财务/数据维度发现

·研究员C：技术/产品维度发现

（注意：此阶段模拟并行，各研究员不得互相引用）

阶段3：中继对齐（Cross-Validator）

找出阶段2中的矛盾点，按「信源>时效>逻辑」规则裁决，输出统一事实基线。

阶段4：批判质疑（Devil’s Advocate）

对统一事实基线进行攻击，找出3个最致命弱点。

阶段5：终稿撰写（Report Writer）

基于阶段3-4的净化输入，撰写最终报告。要求：零空话、高密度、归因清晰。

阶段6：最终核查（Fact Checker）

对终稿进行轻量核查，输出「放行」或「返工」结论。

用户任务：{{你的任务}}

四、关键差异与预期管理

维度	Kimi原生Agent集群	Obsidian提示词模拟方案
并行度	真并行（100路同时）	伪并行（单会话内角色轮转）
工具调用	自动1500次	需人工介入搜索/计算
交叉验证	自动执行，透明可追溯	需手动在每个CV节点触发
灵活性	模型自主决定拆分	依赖预设模板，需人工调整
成本	API算力	主要是时间成本

结论：Obsidian方案无法达到Kimi原生的速度和自动化程度，但在输出质量上可以通过严格的协议设计逼近甚至局部超越——因为人类在关键节点的介入（如信源判断、价值观裁决）目前仍是AI的短板。

建议先从套件D开始试用，完成一个完整任务后，根据痛点再决定是否升级到Canvas分阶段工作流

---

结语：Agent集群 — 不是未来，是现在

Kimi的Agent Swarm已经向我们展示了多智能体协作的巨大潜力：

100个Agent并行工作，生成100页学术报告，0跑偏。

而这，仅仅是开始。

想象一下：

• 审计师把SQL数据库扔给Agent集群，2小时后拿到全套底稿。

• 研究员把40篇PDF扔给Agent集群，1小时后拿到文献综述。

• 工程师把需求文档扔给Agent集群，30分钟后拿到可运行代码。

这不是科幻，这是正在发生的事情。