开源社区OpenJiuwen发布JiuwenSwarm 开启群体智能养蜂新纪元
刚刚，华&为支持的开源AI Agent平台社区openJiuwen，正式发布并开源了其蜂群智能体——JiuwenSwarm。
从“一只龙虾”到“一群蜂”，变化的可不止是名字，更是底层的技术范式。这意味着，让多个AI智能体像蜂群一样高效协作、自主演进，已经按下了“群体智能”的加速键，AI时代的“养蜂”序幕，就此拉开。
这背后，正是openJiuwen提出的下一跳范式主张——Coordination Engineering（协同工程）的一次完整落地。
要真正理解这次升级的意义，我们得先回答一个根本问题：
为什么从Harness走向Coordination？
如果把时间线拉长来看，AI Agent领域的工程范式其实一直在持续演进：从最初的Prompt Engineering（调试提示词），到后来的Context Engineering（组织上下文与记忆），再到今年初席卷行业的Harness Engineering（单智能体的工程化与长程执行管理）。
行业一路卷到了单智能体能力的极致。那么，下一个必然浮现的工程命题是什么？
如何让多个Agent，像一支精锐团队一样协同作战？
道理很简单：真实世界中的复杂任务，无论是跨领域的深度调研、大型软件项目交付，还是多角色协同决策、复杂业务流程编排，从来都不是靠“一个人”能搞定的，它需要一支分工明确、配合默契的团队。软件项目需要产品、研发、测试、运维；教育需要多学科老师与家长的配合；医疗更需要分诊师与多个科室专家的联合会诊。
这正是openJiuwen提出下一跳范式Coordination Engineering（协同工程）的出发点——围绕“多Agent协同”进行系统性的工程化。而这一次，他们不仅提出了理念，更将其做成了一套可运行、可部署、可共建、且全套开源
要让一支AI团队真正运转起来，需要解决一连串递进的问题：多个Agent如何自主分工与动态协商？成功的协作模式如何沉淀为可复用的资产？这些资产又如何在开发者间流通与二次创作？最终，整套系统如何实现越用越强，而非僵化停滞？ 这四个问题环环相扣。JiuwenSwarm给出的答案，是一组对应的全栈技术体系：Agent Swarm、Swarm Skills、Swarm Skills Hub，以及贯穿始终的Swarm Skills自演进。 这四个关键组件构成了一个完整的闭环： Agent Swarm——让多个Agent“成军” 这是体系的内核，提供了一套多智能体团队的协同机制，实现了从“单兵作战”到“精锐团队”的跨越。它支持成员对不同模型的路由，能为不同角色分配合适能力的模型，从而提升整体效率与效果。 Swarm Skills——让“一支团队”沉淀成“一套作战能力” 如果说Agent Swarm解决了“怎么协作”的问题，那么Swarm Skills则解决了“如何沉淀”的问题。它将团队协作中验证过的最佳实践、标准流程、角色搭配等，封装成可复用的“团队级技能”，使得优秀的协作模式能够被一键调用。 Swarm Skills Hub——团队技能的共享市场 能力需要流动才能创造更大价值。Swarm Skills Hub构建了一个开放的共享生态，让开发者可以像在应用市场一样，发现、复用并二次创作各类团队技能，加速经验的流通与社区的繁荣。 Swarm Skills自演进——越用越强的飞轮 这是最具想象空间的一环。系统能在任务执行过程中，持续观察完整的协作轨迹，并自动从中反推出可复用的Swarm Skill，经用户审批后即可入库。这种自演进同时在两个层面发生：在团队层，优化角色配置与协作流程；在成员层，沉淀每个智能体的实战经验，避免重复踩坑。真正实现了团队与个体的共同成长。 在协同骨架之上，还有一个根本性问题：人，如何与这支AI团队协作？ JiuwenSwarm提供了两种核心模式：HOTS（Human on the Swarm）和HITS（Human in the Swarm）。 1. HOTS（Human on the Swarm）：人，是Agent团队的指挥官 在这种模式下，人处于全局调度的位置，实时俯瞰整个团队的运行状态——任务进展、角色负载、协作瓶颈一目了然。需要时，可以随时介入调整任务优先级、切换角色甚至变更方案，指挥粒度可粗可细。 2. HITS（Human in the Swarm）：人，也是团队中的一名成员 这种模式则更为沉浸。人不再是场外指挥，而是作为团队的一份子，与其他AI智能体在同一个场景、同一条流程中实时协作、共同推演。就像玩狼人杀时，你作为玩家之一，需要与其他玩家（包括AI）互动、推理、决策。 简而言之，HITS是沉浸式参与，HOTS是全局调度，这两种模式为人与AI团队的深度协作提供了灵活的姿态。 理念再先进，也需要实战检验。来看看JiuwenSwarm在几个典型领域的应用，便能切身感受协同工程带来的价值。 案例1：多智能体协同开发，提升昇腾算子生成质量 在复杂的昇腾算子开发任务中，JiuwenSwarm能组建一个包含算法设计、Kernel实现、性能优化等角色的专家团队。各专家在TUI（文本用户界面）模式下各司其职、协同优化，整个协作过程实时可见，有效提升了复杂算子的开发效率与生成质量。 案例2：多学科医疗专家团队联合会诊 在这个案例中，系统能根据病情动态创建由多达23位不同专科AI医学专家组成的会诊团队。各位“专家”从自身专业角度分析病情，并实时沟通诊断结果，通过求同存异，最终给出更全面、准确的诊断与方案，显著提升了会诊水平。 案例3：短视频生产创作，沉淀经验并群体演进 用户首次发起短视频创作任务后，系统能自动识别其中可复用的协作模式，生成对应的Swarm Skill。当基于该技能再次执行任务时，系统又能根据新信号（如画风不一致、需适配多平台）自动演进，优化技能，例如新增高点击率标题文案角色。结果是，用得越多，产出的视频效果越好，团队经验也越丰富。 案例4：多模型路由与人类角色沉浸式体验 在狼人杀游戏场景中，JiuwenSwarm可以为不同角色分配不同的模型。人既可以作为“上帝”（HOTS模式）全局操控游戏，也可以作为玩家一员（HITS模式）沉浸其中，与其他AI玩家讨论、投票、推理，体验真实的博弈乐趣。 案例5：沉浸式多学科课程辅导 学生或家长可以“以身入局”。当人以学生身份参与时，可与各学科老师AI互动，获得个性化的学习评估与建议；切换为家长身份时，则可与老师AI讨论孩子的学习情况与监督机制，实现深度的家校协同。 JiuwenSwarm的蜂群协同能力固然亮眼，但别忘了，每只“蜂”的个体能力同样至关重要。这背后的硬实力，来源于其底座——openJiuwen Harness。没有强大的单智能体执行力，再精妙的协同也只是空中楼阁。 这一点在权威评测集PinchBench上得到了验证。该基准覆盖代码开发、创意写作、文档处理等多个真实业务场景。结果显示，JiuwenSwarm以94.2%的综合得分达到业界SOTA水平，同时平均token消耗降低了34.8%，实现了更高准确率与更低成本的双重优势。 此外，在长期对话评测集LOCOMO上，其记忆准确率也达到了85%的优异水平。这些成绩并非偶然，而是openJiuwen Harness在智能体架构、上下文工程与长期记忆等底层能力上持续打磨的结果，确保了JiuwenSwarm中每一位“队员”都具备扎实的任务执行力。 回过头看，从Harness Engineering到Coordination Engineering，再到今天的JiuwenSwarm，openJiuwen社区做了一件相当超前的事。当行业刚将视线从“更强的单智能体”转向“更强的智能体团队”时，他们已经把这条路完整地铺出了一段： 一套理念主张、一组全栈技术体系、一个标杆智能体，并且，全套能力开源。 多智能体协同是行业共识，但能将共识迅速转化为一套可运行、可部署、可共建的全栈开源工程，目前做到的团队并不多。这标志着，AI Agent的星辰大海，或许不再是一个无所不能的“超级个体”，而是一群各有所长、彼此协同、并能持续进化的“群体智能”。 JiuwenSwarm，为这条路标出了第一面鲜明的旗帜。它让每一位开发者，都能更轻松地培育和驾驭属于自己的智能体蜂群。未来已来，或许我们都可以成为AI时代的“养蜂人”，见证并参与群体智能的蓬勃发展。Coordination Engineering核心设计理念
人如何参与协同：HOTS & HITS
JiuwenSwarm实战效果
协同背后：openJiuwen Harness提供硬实力
结语：全套开源，一起做AI时代的“养蜂人”
相关攻略
5月15日，蚂蚁开源万亿参数模型Ring-2 6-1T。其核心创新是可调节推理强度机制，提供“high”与“xhigh”模式，分别优化智能体任务与高难度科研数学。采用异步强化学习与“棒冰算法”，显著提升训练效率与稳定性。基准测试表现顶尖，在代码生成、财务分析、3D游戏开发等场景展现广泛应用潜力。
深夜，一位电商运营专员仍在手动将数千条订单数据从一个平台复制粘贴到另一个系统；而隔壁技术团队的工程师，早已通过简洁的脚本指令，让“数字员工”在十分钟内精准无误地完成了全部工作。 这巨大效率差距的背后，核心驱动力正是机器人流程自动化（RPA）技术。如今，开源RPA框架已成为众多企业和开发者实践自动化、
在AI辅助开发的日常中，我们常常会遇到一个令人头疼的问题：项目初期文档清晰、记忆整洁，但随着功能迭代和Bug修复，代码库越来越庞大，而配套的文档和AI记忆却逐渐“腐化”，变得过时甚至矛盾。这直接导致了一个普遍现象——你的AI助手似乎越用越“笨”，给出的建议开始偏离实际，甚至犯下一些莫名其妙的错误。
在多模态人工智能处理领域，传统的检索增强生成（RAG）框架长期面临一个核心瓶颈：它们通常专精于文本处理，一旦涉及图像、视频等非文本信息，要么需要依赖OCR等技术进行“翻译”，要么就完全无法处理。这种割裂的处理模式不仅损失了原始数据的丰富语义和视觉细节，也让整个推理过程如同黑箱，难以追溯、验证与优化。
全球AI图像生成领域的竞争格局，正迎来前所未有的激烈变革与范式升级。 就在上周，OpenAI正式推出GPT-Image-2，其卓越的视觉表现力与精准的文本遵循能力引发了行业广泛关注。无论是高度拟真的电商直播场景、充满复古质感的90年代风格照片，还是逻辑缜密的知识图谱可视化，一系列令人惊叹的演示案例迅
热门专题
热门推荐
上海启动全球首颗光计算卫星研制，其天基光计算具备抗辐照、低功耗特性，适应太空环境，可支撑在轨大算力任务。目前芯片太空验证已完成，全链条研制能力基本形成。产业面临成本与规模化挑战，需重构航天制造体系。长三角已成立创新联合体聚焦七大技术攻坚，上海将天基计算列为未来。
苹果与OpenAI合作因商业回报未达预期出现裂痕。腾讯地图推出AI骑手模式优化配送。百度成立模型委员会强化AI布局。荣耀将发布搭载云台系统的RobotPhone。Anthropic拟以9000亿美元估值融资。阿里发布智能体开发工作台Qoder1 0。千问APP接入药监局数据。发那科与英伟达深化合作，利用AI加速机器人开发。
面对海量书籍资源，数字化管理工具至关重要。小满图书管理侧重会员与库存管理，适合书店。库存管理通轻量化，支持多货品进销存。藏书馆兼具藏书管理与数字阅读功能。移动图书馆对接高校资源，提供学术服务。个人图书馆专注个人知识收集与创作。各类软件功能各异，需根据核心需求选择。
英文朗读软件能有效辅助学习。推荐几款特色应用：全能型《朗读器》操作简便；《朗读者》结合翻译与朗读；《英文翻译》支持长文朗读；《朗读大师》擅长图像识别与发音反馈；《中英文翻译》提供系统化学习路径。根据需求选择工具并坚持练习，可提升理解与发音能力。
飞机是远距离出行的高效选择，提前购票可锁定行程并享受优惠。主流购票平台包括飞猪旅行、携程旅行、航班管家、美团、飞行卡和去哪儿旅行。这些应用不仅提供机票预订，还整合酒店、景点门票、本地生活等服务，满足用户对价格、一站式规划或特定优惠的不同需求。