TensorFold 开发者分享多智能体协作快速交付工作流

我用 TensorFold 快速交付的方式。👇

在社区贡献之外，我围绕一个 Opus 5.5（参谋长）和 AI 实习生搭建了一套工作流，实习生包括 Claude、Codex、Naive 和 DeepSeek。我的参谋长通过 tmux 管理这些实习生。实习生接收范围明确的任务，在各自的工作区里干活，然后带着报告返回代码。参谋长负责规划工作、审查改动、管理测试，并处理合并和发布。

我搭了一个本地工作流看板，方便我们随时看到进展。Issue、PR、任务、测试队列、阻塞项和决策都在上面。Agent 的签到记录显示谁在做什么，交接环节把结果传递下去。当某个会话丢失上下文时，工作成果不会随之消失。

ATC 也帮助协调我们与开源贡献者之间的工作。开始之前，agents 会检查谁已经在处理某个 issue，以及文件在哪里有重叠。评审和测试结果会绑定到被测试的 commit 上，所以旧的通过结果不能为新的 push 背书。

我还给参谋长写了一些技能，用来设定工程规则：
• 不要为了速度牺牲输出质量。
• 保持文件职责单一，不要搞巨大的上帝文件。
• 不要写 AI 味的废话长文，也不要加不必要的多行注释。
• 写出清晰的代码，只加这次改动真正需要的东西。
• 当你觉得满意时，问问自己：这件事能不能做得更好、更高效？如果能，就去做。

我的两个 Sparks 和 Studio 现在用于 A/B 测试。我们在真实硬件上把候选构建和基线版本做对比，同时检查正确性和性能。让引擎回退的改动会被打回去继续改。

对于需要长期跟进的深度研究、新模型和实验，我也用 Codex computer use 来管理网页版 chatGPT。完成的代码会回到本地分支，Opus 在合并前对其进行审查和测试。这样就把那些研究任务从我的测试机器上挪开了。

我负责定方向，并不断完善规则。大量精力花在检查我们已经构建的东西，以及决定哪些东西真正应该发布。

我大部分时间都待在这个 Workflow 仪表盘里。

他们会写一个小的 JSON 文件，基本上就是说明这次改动是不是改进、是否可以合并，以及有没有什么特定的回退问题。说实话，我还没真正遇到瓶颈。瓶颈在于跑测试的硬件。如果我有更多硬件，交付速度可以快得多。