智能体团队

跨智能体、模型和提供商组建团队 — 然后运行带有共享内存的顺序或并行工作流。

智能体团队让您可以将编码智能体（来自 Agent Hub）、云模型和本地提供商编组为命名角色，然后运行在它们之间传递工作的工作流。

​

概念

部件	是什么	存储位置
团队	映射到智能体、模型或提供商的命名角色（lead、analyst 等）	~/.config/arka/teams/
工作流	团队的步骤 — 顺序、并行或轮询式的交接	~/.config/arka/workflows/
运行	用任务字符串执行工作流；结果通过 {task}、{results}、{step_N} 在步骤之间传递	CLI

成员类型：

• agent — 来自 Agent Hub 的 ollama launch 智能体（claude、codex、hermes 等）
• model — 具体的模型 + 提供商（gpt-4o + openai、gemini-2.0-flash + gemini）
• provider — 提供商默认模型（ollama、groq 等）

​

快速开始

首次使用时会预置入门团队和工作流：

arka team list
arka workflow list

arka team show research --resolve
arka team run research --task "Summarize Rust async patterns"

arka workflow run review-and-ship --task "Plan a v2 auth redesign"
arka workflow run code-review --task "Review PR #42: add JWT refresh"
arka workflow run brainstorm --task "Cache invalidation strategies for edge CDN"

来自 fish：

team list
team run research --task "Compare Postgres vs SQLite for edge caches"
workflow run code-review --task "Review auth middleware changes"
workflow run brainstorm --task "Ideas for offline-first mobile sync"

​

团队示例

name: research
description: Deep research team
members:
  - kind: agent
    id: claude
    role: lead
  - kind: model
    id: gemini-2.0-flash
    provider: gemini
    role: analyst
  - kind: provider
    id: ollama
    role: local-fallback
defaults:
  memory: unified
  mcp: true
  workflow: review-and-ship

​

工作流示例

name: review-and-ship
team: research
steps:
  - member: lead
    action: plan
    prompt: "Break down: {task}"
  - parallel:
      - member: analyst
        action: analyze
        prompt: "Analyze: {task}\n\nPlan:\n{step_1}"
      - member: local-fallback
        action: verify
        prompt: "Sanity-check: {step_1}"
  - member: lead
    action: synthesize
    prompt: "Merge results: {results}"

​

轮询模式 (v2)

不使用显式步骤，成员轮流参与，直到达到 max_turns。输出在 {results}、{transcript} 和 {last_result} 中累积。

name: brainstorm
team: research
mode: round_robin
max_turns: 6
prompt: |
  Continue brainstorming on: {task}
  Previous: {last_result}
members:
  - lead
  - analyst
  - local-fallback
defaults:
  retries: 2
  mcp: true

运行：

arka workflow run brainstorm --task "Edge cache invalidation patterns"

如果省略 members，则所有团队角色按定义顺序轮换。

​

重试 (v2)

在将运行标记为失败之前，重试失败的智能体/LLM 步骤。

单步：

- member: analyst
  action: analyze
  prompt: "Analyze: {task}"
  retries: 3
  retry_delay: 2

工作流或团队默认值：

defaults:
  retries: 2
  retry_delay: 1

优先级：步骤 → 工作流 defaults → 团队 defaults。重试次数会出现在 CLI 输出中（retries=N、attempts=N）。设置 TEAM_RETRY_BACKOFF=1 使用指数延迟。

​

单步 MCP (v2)

按步骤启用 MCP 上下文（或继承工作流/团队默认值）：

- member: analyst
  action: fetch
  prompt: "Summarize open PRs for: {task}"
  mcp: true
  mcp_servers: [github]

设置	效果
mcp: true	注入 ~/.config/arka/mcp.json 中所有已配置的 MCP 服务器
mcp_servers: [github]	限制为命名的服务器
defaults.mcp: true	除非被覆盖，否则对所有步骤启用

对于智能体步骤，MCP 工具摘要会被添加到提示前。对于模型/提供商步骤，它们会被添加到系统提示中。模型步骤的可选工具循环：设置 TEAM_MCP_TOOL_ROUNDS=1，让模型发出类似 {"mcp_tool": "github", "tool": "search", "arguments": {}} 的 JSON。

​

CLI 参考

arka team list
arka team show <name> [--resolve]
arka team create <name> [--template research]
arka team run <name> --task "..." [--workflow <name>]

arka workflow list
arka workflow show <name>
arka workflow create <name> [--template review-and-ship] [--team research]
arka workflow run <name> --task "..."

--resolve 打印每个角色如何映射到具体的智能体或 LLM 目标。

​

运行时行为

1. 加载来自配置目录（或捆绑模板）的团队 + 工作流 YAML/JSON。
2. 解析成员 — 智能体通过 Agent Hub 目录；模型/提供商通过 LLM 注册表。
3. 当 defaults.memory: unified 时召回统一内存。
4. 执行步骤：
   • 智能体角色 → 带角色上下文的 answer_question（轻量级；不是完整的 ollama launch）。
   • 模型/提供商角色 → 带有固定提供商/模型链的 LlmOrchestrator。
   • 并行块 → 线程池（TEAM_MAX_PARALLEL，默认 4）。
   • 轮询 → 使用共享的转录变量为 max_turns 轮换成员。
5. 重试根据 retries / retry_delay（工作流或团队默认值）失败的步骤。
6. 当步骤启用 mcp 时注入 MCP 工具摘要。
7. 通过模板变量向前传递输出。

​

捆绑模板

模板	类型	角色
research	团队	lead (claude)、analyst (gemini)、local-fallback (ollama)
code-review	团队	lead (codex)、analyst (groq)、local-fallback (ollama)
clawbox-edge	团队	openclaw lead + ollama fallback；为 Jetson 提供范围化内存
review-and-ship	工作流	plan → parallel analyze/verify → synthesize
code-review	工作流	审查清单 → 并行审查 → 摘要
brainstorm	工作流	跨团队角色的轮询构思

从模板创建：

arka team create my-research --template research
arka workflow create my-ship --template review-and-ship --team my-research

​

环境

ARKA_TEAMS_DIR=~/.config/arka/teams
ARKA_WORKFLOWS_DIR=~/.config/arka/workflows
TEAM_MAX_PARALLEL=4
TEAM_RETRY_BACKOFF=0
TEAM_MCP_TOOL_ROUNDS=0

​

范围化内存 (v3)

团队可以选择加入带溯源信息的策略过滤召回和便签写入：

defaults:
  memory: scoped          # unified | scoped | off
  memory_scope:
    read: [global, team, workflow]
    write: workflow
    ttl_hours: 72
    promote: manual
  trust_tier: team

模式	召回	步骤输出
unified（默认）	全局统一内存	不持久化
scoped	按信任层级 + 团队/工作流过滤	带溯源的便签
off	无	不持久化

单步覆盖：在工作流步骤上使用 memory_scope: { write: run }。

arka workflow run review-and-ship --task "..." --promote-final
arka memory scratchpad list --team research
arka memory promote abc123def456

工作流运行在 CLI 输出中打印 run_id 和 scratchpad_writes。

团队和工作流包含在 arka config backup 中。

​

限制

• 智能体步骤使用 Arka 聊天路由，而不是完整的交互式 ollama launch 会话。
• 模型步骤的 MCP 工具循环需要选择加入（TEAM_MCP_TOOL_ROUNDS），且默认为单轮。
• 轮询没有提前停止条件 — 会运行到 max_turns。
• 尚未实现工作流条件和人机回环网关。
• 提供商健康检查在 LLM 调用时运行，而不是在团队解析时。

​

相关

• Agent Hub — 共享 MCP、内存和智能体目录
• LLM 回退 — 模型/提供商角色使用的提供商/模型路由
• 内存 — 注入团队运行的统一内存