多数多智能体框架都在要求你打开一个新的网页控制台，注册一个新账号，把工作流搬进它的界面里。华为开源的JiuwenSwarm走了一条反方向的路：不要求你切换场景，而是把多智能体能力直接投递到你已经在用的聊天窗口里。

它的核心理念是 " 理解意图、自主进化 " ——用户用自然语言下达复杂任务，由 Leader 智能体分解任务、组建专家团队、调度技能与工具，交付端到端结果。值得注意的是，它不内置任何模型，是一个纯粹的 Harness，可对接 OpenAI 兼容 API、华为云 MaaS 及本地模型。

入口层：Agent 住进你的聊天软件

JiuwenSwarm 支持的入口覆盖了 Web、TUI 终端、JetBrains/VS Code 插件、浏览器扩展，以及大量 IM 渠道：国内的飞书、钉钉、企微、个人微信，海外的 Telegram、Discord、Slack、WhatsApp。

这个产品取向在同类框架里并不常见。它不要求用户改变工作习惯，而是把多智能体能力放进你每天已经开着的那些窗口里。

协议层：E2A 统一信封

工程设计上最值得注意的部分是协议层。所有外部协议（ACP、A2A、各 IM 渠道）不直接进入系统内部，而是在 Gateway 统一转换为规范化的 E2AEnvelope 请求结构和三层 E2AResponse 响应结构——信封、判别载荷、协议投影。

这个设计带来的直接结果是：新增一个渠道只需写一个适配器，内部系统与外部协议彻底解耦。同时它兼容 MCP 工具生态，并对外实现 A2A 智能体间通信协议。

执行层：从单机到蜂群

多智能体采用 Leader/Teammate 模式：Leader 负责任务分解与编排汇总，Teammate 是执行专家。单机模式下多进程运行；分布式模式下（team.runtime.mode=distributed）控制面与数据面分离，Teammate 向独立的 A2X 注册中心注册为空闲节点，Leader 组队时预约、通过 ZMQ 直连 bootstrap，任务数据走共享 PostgreSQL。Leader 与 Teammate 可以跨机器部署，形成真正的 " 蜂群 "。

编排层则提供了另一种选择。面对需要可控执行的任务，纯自主的多智能体协商可能不稳定，SwarmFlow 用 Python 脚本描述确定性编排：提供 agent、pipeline（无 barrier，官方默认首选）、parallel（fork-join）、human（人工介入）等算子，支持结构化输出、Git worktree 隔离、Leader 级共享 token 预算，TUI 中以三层运行树（工作流、阶段、节点）实时监控。它依附于 Team 模式，本质是在 " 自由协商 " 和 " 确定性流水线 " 之间给了用户一个显式选择。

自我进化：给 Harness 做后训练

Skill 自演进是这套体系里最具特色的部分。Skill 不再是静态文档，Agent 按每 5 轮任务自检（团队则在任务验收后），基于任务证据判断是否存在可复用的改进。触发后由 evolution_reviewer 子智能体用只读工具审查证据、生成结构化提案，默认走人工审批，经验存入 evolutions.json 并在后续调用时自动加载，可用 /evolve_rebuild 永久合入 SKILL.md。这个 " 证据门槛加人工审批默认开启 " 的设计，体现了对自动化改写指令风险的克制。

AutoHarness 则是给 Harness 做 " 后训练 "：不改模型权重，让 Agent 为自己生成评测、定位短板、修改提示词 / 工具 / 护栏 / 技能、再验证。它分两层—— Meta 层改通用底座（改源码提 PR，须人工审查），Expert 层生成领域扩展包（热加载即插即用，无需重启），全程 Git worktree 隔离加 CI 自动修复循环。

当技能装到上百个时，全部注入上下文会撑爆注意力。Symphony 的方案是 " 检索用树，编排用图 "：离线构建技能树索引供 Agent 像查目录般逐层浏览；再基于技能图谱（节点为技能，边代表输出可衔接输入）生成可确认的技能执行链。它不替代 Leader 的任务派发，只做辅助。

记忆系统：文件即数据源

记忆系统以文件为数据源：USER.md（用户档案）、MEMORY.md（长期记忆）、每日会话日志、TEAM_MEMORY.md（Leader 每 round 自动提炼团队经验）。检索用 BM25 全文加向量语义的混合搜索（默认 0.7/0.3 加权），基于 SQLite + FTS5 + vec0 实现，watchdog 监控文件异步更新索引；也可外接 Mem0、OpenViking 等第三方记忆服务。还有可选的 "Dreaming" 机制，空闲时用 LLM 周期性整理历史会话提取长期信息，带忙碌退避和增量扫描。

项目已在 GitHub 开源，地址为 github.com/openJiuwen-ai。