Swarm：让 AI 编程工具学会「团队协作」

当一个人干不完的活，变成一群 Agent 来接

2024年的某天，AI 编程工具开始普及，但一个根本问题始终没有解决：单个 Agent 在处理大型任务时，会因为上下文耗尽而「失忆」——它会忘记五分钟前自己做了什么决定，导致代码风格混乱、逻辑重复、甚至产生冲突。

Joel Hooks 决定解决这个困境。他提出的方案不是让单个 Agent 更强，而是让一群 Agent 能像真实团队一样协作——有人负责规划、有人负责写代码、有人负责审查、有人负责记忆。它们通过消息传递分配任务，通过 Git 分支隔离工作，通过事件溯源记录决策。

这就是 Swarm（蜂群） 项目的起点。

背景：Joel Hooks 与他的 AI 工程哲学

Joel Hooks 是 AI 工程领域的老兵，曾任 AI FOUNDATION 技术负责人，现活跃于 OpenCode 和 Claude Code 生态。他长期关注一个问题：当 AI Agent 处理真实生产级代码库时，如何保持上下文完整性和团队协作能力？

Swarm 项目的核心灵感来自两个方向：一是传统软件工程中的 Issue Tracker 系统（如 Jira、Linear），二是分布式系统中的 事件溯源（Event Sourcing） 架构。两者的结合，让 Swarm 成为了一个「Git 原生的 AI 协作框架」。

核心概念：用「蜂巢」管理 AI 团队

Swarm 的架构围绕几个核心概念展开，这些概念共同构成了一个完整的 AI 多智能体协作范式。

Hive（蜂巢） 是 Swarm 的任务追踪系统，替代了传统的 Jira/Linear。它以 Git 内部文件（.hive/ 目录）存储任务数据，因此天然具备版本控制和跨团队同步能力。每个任务在 Hive 中被称为一个 Cell（格子），整个任务树被称为 CellTree。Cell 有完整的状态机（待办 → 进行中 → 已完成），Agent 在执行过程中必须主动更新状态，不得「静默推进」。

Swarm（蜂群） 是任务分解与编排的核心。当用户输入 /swarm "添加 OAuth 用户认证" 这样的指令时，Coordinator（协调者）Agent 会执行以下步骤：首先将任务分解为多个可并行执行的子任务；其次为每个子任务分配独占的文件锁，防止多 Agent 同时修改同一文件产生冲突；然后通过 Swarm Mail（嵌入式事件存储）协调 Agent 间的通信；最后在每个子任务完成后，由协调者进行 对抗性审查（Adversarial Review），确保代码质量达标。

Hivemind（集体智慧） 是 Swarm 的记忆系统。它将 Agent 的「学习」分为两类：短期的会话记忆（Session Memory），记录当前任务上下文；长期的知识学习（Learnings），记录哪些策略有效、哪些反模式需要避免。Hivemind 通过 SQLite（基于 swarm-mail 的 libSQL）持久化存储，支持语义搜索。

Compaction（压缩） 是 Swarm 应对上下文耗尽的核心机制。当 Agent 的上下文即将达到模型限制时，Compaction Hook 会自动触发，将历史对话压缩为结构化的「决策轨迹」（Decision Trace），保留关键信息的同时大幅减少 token 消耗。这一机制由 evalite 框架支撑，Swarm 内置了 swarm-decomposition、coordinator-session、compaction-prompt 等多个评测任务。

技术架构：Monorepo 分层设计

从代码结构看，Swarm 是一个典型的 TypeScript/Bun Monorepo，由 Turborepo 管理工作空间：

• packages/opencode-swarm-plugin：最核心的包，v0.63.2，提供 OpenCode 插件和 Claude Code MCP 服务器。导出了 swarmTools、hiveTools、swarmMailTools、structuredTools、reviewTools 等多组工具集。支持 /swarm、/hive、/structured 等命令行斜杠指令。
• packages/swarm-mail：Swarm Mail，嵌入式事件存储库。基于 libSQL（SQLite）实现，提供 createEvent、appendEvent、getSwarmMailLibSQL 等 API，支持通过 Redis 消息队列实现跨进程通信。
• packages/swarm-dashboard：Web 可视化面板。
• packages/swarm-evals：评测框架，基于 evalite 构建。
• packages/swarm-queue：基于 Redis 的任务队列。
• packages/shared-types：跨包共享的 TypeScript 类型定义（Zod Schema）。
• apps/web：文档站点，基于 Next.js + Fumadocs 构建。

技术栈上，Swarm 主要使用 TypeScript + Bun（构建工具链）、Zod v4（运行时类型校验）、Effect（函数式错误处理）、Model Context Protocol (MCP) SDK（与 Claude Code 集成）、ioredis（Redis 客户端）、pino（结构化日志）。整体架构遵循 插件化 + 事件驱动 的设计原则，各模块间通过 TypeScript 接口和共享 Schema 解耦。

上手体验：开箱即用的 AI 团队协作

对于 OpenCode 用户，安装 Swarm 只需要两步：

npm install -g opencode-swarm-plugin
swarm setup

安装完成后，在任何 OpenCode 会话中直接输入 /swarm "你的任务描述"，Swarm 就会自动启动协调流程。对于 Claude Code 用户，通过 Marketplace 安装插件后，Swarm 以 MCP 服务器方式运行，提供相同的功能接口。

对于普通开发者来说，Swarm 的核心价值在于将一个复杂的编程任务自动拆解为可并行的子任务，每个子任务由独立的 Agent 处理，过程中通过文件锁避免冲突、通过事件总线协调状态、通过审查机制保证质量。这是 AI 编程从「单人助手」向「AI 团队」演进的标志性实践。

局限与挑战

Swarm 目前的局限主要集中在以下方面。首先，它强依赖 OpenCode 或 Claude Code 生态，对于使用其他 AI 编程工具的用户（如 Copilot、Cursor）的直接价值有限。其次，缺乏一键部署方案——项目没有提供 Dockerfile 或 Docker Compose，部署依赖用户的本地环境配置。第三，文档主要面向有经验的 AI 开发者，对于 AI 编程新手来说，Hive、Cell、Compaction 等概念需要一定的学习成本。第四，Swarm 的评测框架和决策轨迹系统虽然设计精巧，但在实际大型生产项目中的长期稳定性尚未得到充分验证。

行业意义：多 Agent 协作范式的先行者

Swarm 项目在 GitHub 上获得了 700+ stars，虽然规模不大，但其在多 Agent 协作领域的探索具有重要的先导意义。它证明了通过事件溯源 + 文件锁隔离 + 统一协调者的组合，可以让多个 AI Agent 在同一个代码库上并行工作而不产生灾难性的冲突。

这一思路与 OpenAI 的 Swarm（现已演变为 OpenAI Agents SDK）以及 LangChain 的 LangGraph 在理念上有相通之处，但 Swarm 的独特之处在于它深度集成 Git 生态系统，任务追踪和代码变更天然共存于同一个版本控制系统内。这种设计避免了引入额外的数据存储和服务依赖，让 AI 协作更容易融入现有的开发工作流。

随着 AI 编程工具从「单 Agent 辅助」向「多 Agent 协作」演进，Swarm 作为这一趋势的早期实践，值得 AI 开发者和 AI 编程爱好者持续关注。