claude-code-flow
给 Claude Code 装上「群体智慧」的多 Agent 编排平台，支持蜂群协作、向量记忆和联邦
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
给 Claude Code 装上「群体智慧」的多 Agent 编排平台，支持蜂群协作、向量记忆和联邦
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
Ruflo：给 Claude Code 装上「群体智慧」的 AI Agent 编排平台
想象一个场景：产品经理提了一个需求——「给我们的电商网站加一个智能推荐模块，需要从用户浏览历史、实时库存和竞品价格三个维度综合计算」。传统做法是让 Claude 一个人扛：先分析需求，再查库存接口，再抓竞品数据，再写推荐算法，再写前端——一个人干完所有角色，思维链路长达十几步，每一步都可能出错。
Ruflo（前身为 Claude Flow）做的事，就是把这种「一个人干活」的模式，变成「一群专家分工协作」。它让 Claude Code 拥有了多 Agent 协同能力：任务来了，自动分发给最合适的专家 Agent，各司其职，结果汇总——就像一家运转有序的公司，而不是一个焦虑的全栈工程师。
图1：Ruflo 项目 Banner
Ruflo 起源于开发者 rUv 对 Claude Code 的深度改造。Claude Code 本身是 Anthropic 官方推出的 CLI 编程工具，能在终端里帮开发者写代码、跑命令、审查 PR。但它本质上是单人单线程的——一次只能专注一个任务，做完才能做下一个。
rUv 在 2025 年中开始构建 Claude Flow，希望给 Claude Code 添加「群体协作」能力。经过近一年的迭代，项目从最初的简单脚本演化为今天拥有 54,000+ Star 的复杂平台，并在 2026 年初正式更名为 Ruflo（Ru 来自 rUv，flo 来自 flow state）。
根据 GitHub 数据，该项目目前拥有：
这一串数字背后，是大量开发者和 AI 爱好者用脚投票，证明了这个方向确实有真实需求。
Ruflo 的核心能力是多 Agent 协同。通过 MCP（Model Context Protocol）协议接入 Claude Code 后，可以同时启动多个专业化 Agent：
这些 Agent 之间可以共享记忆、互相通信，形成层次化网格拓扑（Hierarchical Mesh）。一个复杂任务进来，Queen Agent 自动拆解，分发给最适合的 Worker Agent，过程中还能动态调整。
类比一下：传统编程是写一段顺序执行的代码；Ruflo 是在写一段可以自我组织的代码——任务来了，系统自己判断需要几个 Agent、谁干什么、结果怎么合并。
Ruflo 内置了向量记忆系统，基于 AgentDB + HNSW 索引。这意味着每次任务完成，系统会自动提取「模式」和「经验」，存入向量数据库。下次遇到类似任务，Agent 会先查记忆，相似度 > 0.7 的历史经验会被自动复用。
这个机制解决了一个长期痛点：AI Agent 在长对话中「遗忘」早期发现的有效解法。Ruflo 让 Agent 拥有了「集体记忆」，不再每次都从零开始。
这是 Ruflo 3.5+ 版本引入的重磅功能：跨机器、跨信任边界的 Agent 安全通信。
传统多 Agent 系统，所有 Agent 都在同一台机器或同一网络内。Federation 让不同开发者机器上的 Agent 能够加密通信，交换任务结果而不泄露内部数据。rUv 在文档中提到，这是为企业级部署设计的关键能力。
Ruflo 通过 MCP 协议暴露了 314+ 工具，涵盖：
开发者可以按需启用/禁用工具组，像搭积木一样构建自己的 Agent 工作流。
通过 docker-compose up 可以一键启动完整的 Web 聊天界面（SvelteKit 构建），支持：
图2：Ruflo 插件生态一览
Ruflo 采用了独特的三运行时架构设计：
这个设计的精妙之处在于：编排逻辑和执行逻辑分离。Ruflo 负责「想清楚怎么分工」，Claude Code/Codex 负责「动手干活」。两者各司其职，不互相拖累。
项目代码按照 DDD（Domain-Driven Design） 架构组织，分为多个 bounded contexts：
cli-core：CLI 入口shared：跨模块共享类型guidance：治理与策略控制memory：记忆与向量存储hooks：生命周期钩子系统mcp：MCP 协议实现每个模块都有清晰的边界，通过事件总线（Event Bus）通信。V3 版本采用了事件溯源（Event Sourcing），所有状态变更都有完整审计轨迹。
根据项目 benchmarks 文档，关键性能指标：
| 场景 | 优化前 | 优化后 | 提升幅度 |
|---|---|---|---|
| 事件总线（10万事件） | ~600ms | ~6ms | 100x |
| Map 查找（10万次） | ~15600ms | ~16ms | 975x |
| AgentDB 向量搜索 | 线性扫描 | HNSW索引 | 150-12500x |
| Flash Attention | 基准 | 2.49-7.47x | 2.49-7.47x |
| 内存占用 | 基准 | 减少 50-75% | 50-75% |
这些数字来自 Rust 重写核心模块（RuVector）和从 Jest 切换到 Vitest（测试速度提升 10x）的收益。
# 一行命令安装
npx ruvflo init
# 启动单 Agent
npx ruvflo agent spawn --type coder
# 启动蜂群
npx ruvflo swarm start --topology hierarchical --max-agents 5
CLI 方式灵活但需要一定配置，适合深度用户。
cd ruflo
cp .env.example .env # 填入 API Key
docker compose up -d
5 分钟后，打开 http://localhost:3000 就能看到完整的 Web UI，内置 MongoDB、MCP Bridge、Nginx 反向代理，一条命令全部搞定。
硬件要求：无 GPU 需求，2GB RAM + 500MB 磁盘即可运行核心功能。
任何项目都有其局限性，Ruflo 也不例外：
Ruflo 的出现，折射出一个更大的趋势：AI Agent 正从「单兵作战」走向「群体协作」。
当 GPT-4、Claude 能独立完成复杂推理时，如何让多个 AI Agent 分工合作、共享记忆、相互验证，就成了下一代 AI 系统的核心课题。Ruflo 在这个方向上做了非常前沿的探索——它的 MCP 集成、向量记忆、联邦通信，都是为这个目标服务的。
从数据看，54K Star、22M 月下载，不是小众极客玩具，而是被真实使用的生产级工具。它的架构选择（DDD + 事件溯源 + Rust 高性能模块）也说明团队在认真对待「可维护性」和「性能」这两个往往互相矛盾的追求。
下一步关注点：rUv 正在推进 Agent Federation 的企业级安全加固，以及与更多 LLM Provider 的深度集成。如果你是 AI 开发者或对多 Agent 系统感兴趣，Ruflo 是一个值得深入研究的方向。
图3：RuFlo Summit 将于 2026 年 6 月 2-3 日在布达佩斯举行