尧图网站建设 
ruflo 的 deep-researcher多源证据分级研究 Agent 的完整工作流与源码级解析【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo本篇技术指南围绕 ruflo 生态原 agent meta-harness中 ruflo-goals 插件提供的deep-researcher研究 Agent 展开完整讲解其七步研究法范围定义、知识检索、主动研究、交叉验证、证据分级、综合成稿、持久化以及与之配套的deep-research技能、research-synthesize合成技能与/goals命令。读完本文你将掌握如何配置与使用这个 Agent 来开展多源深度研究理解其 High/Medium/Low 证据分级标准、内存命名空间约定并能结合仓库源码验证其底层调用链与测试契约。deep-researcher 是什么deep-researcher是 ruflo-goals 插件内置的四类 Agent 之一定义于 agents/deep-researcher.md。其 frontmatter 声明如下--- name: deep-researcher description: Multi-source research specialist that gathers, cross-references, and synthesizes information with evidence grading and contradiction resolution model: sonnet ---从元数据可以看出三点关键信息定位一个多源研究专家核心能力是收集gather、交叉验证cross-reference、综合synthesize并自带证据分级evidence grading与矛盾消解contradiction resolution模型选择model: sonnet即该 Agent 默认跑在 sonnet 级模型上触发形态根据 ruflo-goals README 的选择指南Selection guide当用户手里有一个问题question而非实体seed entity时应使用deep-researcher/deep-research——它的研究方式是线性、问题驱动的与dossier-investigator种子驱动、图谱输出形成互补。七步研究法从提问到可复用结论Agent 正文首先定义了完整的研究方法论research methodology共七步。这七步构成了该 Agent 每次任务执行的骨架也是理解其行为的关键。1. Scope Definition范围定义在动手搜索之前先把一个大问题拆解成可独立回答的子问题将研究问题拆分为3–7 个子问题sub-questions保证子问题合起来能覆盖主问题为每个子问题判断最相关的信源类型web、记忆、代码库、文档等估算每个子问题所需的研究深度quick / standard / deep / exhaustive 四档。这保证了广度优先于深度breadth before depth——先看清地形再向具体点钻。2. Knowledge Retrieval知识检索先查内部已有知识避免重复研究。Agent 通过 ruflo-core 提供的 MCP 工具直接检索三类存量检索目标MCP 工具用途既有研究结论mcp__plugin_ruflo-core_ruflo__memory_search_unified在统一记忆中查找先前发现已知模式mcp__plugin_ruflo-core_ruflo__agentdb_pattern-search在模式库中查询已知 pattern分层上下文mcp__plugin_ruflo-core_ruflo__agentdb_hierarchical-recall检索层级化记忆中的相关上下文这些工具名在仓库中可以被直接检索到例如 ruflo-core 的研究型 Agent 与 MCP 往返测试脚本 即覆盖了memory_search_unified、agentdb_pattern-search、hierarchical-recall等往返调用说明这条知识检索链路不是文档中的抽象描述而是真实可用的 MCP 工具面。3. Active Research主动研究在内部知识不足以回答的子问题上展开主动采集信源按问题类型分派Web 搜索针对每个子问题检索当前信息代码库分析使用 grep / find / read 回答实现细节类问题文档审阅针对 API / 库用法类问题查阅官方文档。4. Cross-Referencing交叉验证把多个来源的发现放到一起对照比较各来源之间是一致还是矛盾检查时效性recency——更新的数据可能覆盖旧结论用多个独立来源验证关键论断而不是轻信单一来源。5. Evidence Grading证据分级对每条发现给出证据等级这是 deep-researcher 输出质量的基石等级判定标准High多个独立来源一致、可直接观测、可复现Medium单一可信来源、间接支持、合理可信Low道听途说、单一未验证来源、推测性结论6. Synthesis综合成稿按固定结构输出最终研究成果确保每次产出的报告可直接被下游消费Executive summary直接回答原始问题Key findings按证据质量排序的关键发现Contradictions标注矛盾点及其消解方式或明确标注 unresolved未解决Open questions遗留问题与建议的下一步动作。7. Persistence持久化研究不随会话结束而丢失全部沉淀回记忆系统用mcp__plugin_ruflo-core_ruflo__memory_store将发现存入research命名空间用mcp__plugin_ruflo-core_ruflo__agentdb_pattern-store存入可复用模式将来源引用存入research-sources命名空间。这呼应了 Agent 的核心信念Store everything——今天的发现要让未来的会话受益。五条研究原则Agent 正文末尾明确给出了约束自身行为的五条原则可作为使用者评判其输出质量的标准Breadth before depth先广后深在深入细节前先总览全局Source diversity信源多样不依赖单一来源类型Contradiction is signal矛盾即信号来源间的分歧往往暴露重要细节Recency matters时效重要显式标注信息可能过时Store everything全部沉淀未来会话受益于今日发现。深度等级quick / standard / deep / exhaustive配套的 deep-research 技能 将范围定义中的深度档位具象化为可执行的资源预算供使用者或上层规划器按成本选择深度动作组合大致耗时Quick记忆检索 1–2 次 web 查询2–3 分钟Standard记忆 web 代码库扫描5–10 分钟Deep全部信源 交叉验证 模式存储15–30 分钟ExhaustiveDeep 派生子 Agent 并行研究线程30 分钟以上Exhaustive 档意味着研究本身可以编排成多 Agent 并行与 ruflo 的 swarm 能力天然衔接。配套技能与命令如何把研究成果真正用起来deep-researcherAgent 不是孤立的ruflo-goals 用技能skills把它的方法论拆成可复用的操作手册用命令commands提供状态查询入口。deep-research 技能八步编排skills/deep-research/SKILL.md 把 Agent 的七步法翻译成了更面向编排的八步清单定义研究范围拆成 3–7 个子问题检索既有知识memory_search_unifiedagentdb_pattern-search使用WebSearch/WebFetch逐子问题采集外部信息用Bashgrep/find、Read做代码库分析跨来源对照识别一致与矛盾用memory_store以research命名空间存储每条关键发现用agentdb_pattern-store存储发现的复用模式产出结构化研究报告包含执行摘要2–3 句、关键发现列表、逐条证据质量评估high/medium/low、遗留开放问题、建议的下一步。该技能的allowed-tools字段还限定了可用的 MCP 工具白名单memory_store、memory_search、memory_search_unified、agentdb_hierarchical-store/re-call、agentdb_pattern-search/store、neural_predict、hooks_intelligence_pattern-search/store、task_create/list/summary以及 Bash、WebSearch、WebFetch、Read、Write——白名单机制保证了技能在执行时不会越权调用无关工具。research-synthesize 技能把分散发现合成报告研究往往不是一次性完成的。当多次执行 deep-research 后需要把散落在记忆中的发现拉通成一份带建议的合成报告时就轮到 research-synthesize汇聚发现分别从research原始发现、research-sources来源引用、agentdb_pattern-search模式、agentdb_context-synthesizeAI 辅助上下文构建中取数证据分级对每条发现按 High/Medium/Low 三档评估矛盾消解定位具体冲突论断 → 比较证据质量 → 检查时效新数据可能覆盖旧结论→ 对无法消解的矛盾显式标注相关性预测调用neural_predict对哪些发现与原始目标最相关打分结构化输出执行摘要2–3 句直接回答问题、按证据质量排序的关键发现、方法论检查了哪些信源、局限未检查项与不确定性、建议具体下一步动作、参考来源链接与记忆键持久化用memory_store将完整报告存入research-synthesis命名空间。技能还给出了标准输出模板可以直接套用# [Research Topic] — Synthesis Report ## Summary [2-3 sentence answer] ## Key Findings 1. [Finding] — Evidence: High/Medium/Low 2. [Finding] — Evidence: High/Medium/Low ## Contradictions - [Claim A] vs [Claim B]: [resolution or unresolved] ## Recommendations 1. [Action] — because [reasoning] ## Sources - [key]: [description]/goals 命令查询研究状态研究产出的可见性由 commands/goals.md 提供。/goals命令会用memory_list枚举horizons命名空间下的活动目标仅当需要语义过滤时才用memory_search——*不是合法的语义查询对每个 horizon 展示目标、当前里程碑、进度百分比、目标日期、漂移状态用memory_list列出research-synthesis命名空间下的已完成研究报告汇总成目标 研究状态的总览表。Neural Learning研究模式的自我沉淀Agent 与技能文档的结尾都附带了神经学习段落用两条命令把任务结果回灌给系统供未来研究继承npx claude-flow/clilatest hooks post-task --task-id TASK_ID --success true --store-results true npx claude-flow/clilatest memory search --query TASK_TYPE patterns --namespace patterns第一条命令在任务成功后把轨迹与结果写入 hook 存储第二条从patterns命名空间检索同类任务的既有模式。CLI 版本被 pin 在claude-flow/cliv3.6 主次版本见 ruflo-goals README 的 Compatibility 节。命名空间约定research → goals-research 的演进路径deep-researcher 使用的research/research-sources命名空间属于历史遗留命名。根据 ADR-0001ruflo-goals 插件契约 与 ruflo-goals README 的 Namespace coordination 节ruflo-agentdb ADR-0001 定义了plugin-stem-intent的 kebab-case 命名规范而本插件六个命名空间早于该规范Legacy当前Canonical前进方向状态researchgoals-research遗留读取 新写入待数据迁移 ADRresearch-sourcesgoals-research-sources遗留读取 新写入待定约定是本插件的新写入应使用 canonical kebab-case 形式读取时新旧两种命名空间都检查向后兼容同时pattern、claude-memories、default等保留命名空间不允许被遮蔽。也就是说如果你基于本插件二次开发写入研究结果时应优先写goals-research读取时兼容research。与同插件其他 Agent 的分工deep-researcher只回答问题ruflo-goals 的其他三个 Agent 覆盖了互补场景参见 README 选择指南 与 dossier-investigator 定义 中的 When to NOT use 段落场景使用手里有一个问题deep-researcher/deep-research线性、证据分级手里有一个种子实体想向外展开dossier-investigator/dossier-collect递归并行、图谱输出多步骤目标goal-planner/goal-planGOAP A* 规划跨会话长期目标horizon-tracker/horizon-track漂移检测其中dossier-investigator由 ADR-099 规范采用种子驱动、图谱输出、预算上限hop/token/time、逐论断溯源四条不变量与 deep-researcher 的问题驱动、线性报告恰好相反goal-planner则在 agents/goal-planner.md 中定义了 Focused / Closed / Open 三种执行模式与 OODA 循环监控。验证smoke.sh 作为契约门禁deep-researcher 所在的插件把验证固化为脚本契约plugins/ruflo-goals/scripts/smoke.sh 共执行 10 项结构性检查预期输出10 passed, 0 failed。其中与本 Agent 直接相关的检查包括检查 5 个技能 4 个 Agent含deep-researcher 1 个命令的文件存在性与 frontmatter 完整性name:/description:检查选择指南是否覆盖 4 类任务模式question / seed entity / multi-step / long-running检查 v3.6 CLI pin、命名空间映射文档、ADR-099 交叉链接检查所有技能没有通配符工具授权allowed-tools: *即失败——这保证了 deep-researcher 依赖的技能以最小权限运行。运行验证bash plugins/ruflo-goals/scripts/smoke.sh # Expected: 10 passed, 0 failed小结deep-researcher是 ruflo 生态中问题驱动型研究的标准答案它以七步方法论范围定义 → 知识检索 → 主动研究 → 交叉验证 → 证据分级 → 综合成稿 → 持久化保证研究过程可复现、输出可分级、结论可溯源通过 High/Medium/Low 证据分级与矛盾消解机制约束输出质量通过research/research-sources命名空间与post-taskhook 实现跨会话的知识沉淀。配合deep-research技能的四档深度预算、research-synthesize技能的合成报告模板以及/goals命令的状态可见性它既能独立完成一次深度调研也能嵌入长期目标追踪与多 Agent 协同的工作流中。若要基于它二次开发或验证其行为契约smoke.sh 与 ADR-0001 是最直接的源码级入口。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ruflo 的 deep-researcher：多源证据分级研究 Agent 的完整工作流与源码级解析
ruflo 的 deep-researcher多源证据分级研究 Agent 的完整工作流与源码级解析【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo本篇技术指南围绕 ruflo 生态原 agent meta-harness中 ruflo-goals 插件提供的deep-researcher研究 Agent 展开完整讲解其七步研究法范围定义、知识检索、主动研究、交叉验证、证据分级、综合成稿、持久化以及与之配套的deep-research技能、research-synthesize合成技能与/goals命令。读完本文你将掌握如何配置与使用这个 Agent 来开展多源深度研究理解其 High/Medium/Low 证据分级标准、内存命名空间约定并能结合仓库源码验证其底层调用链与测试契约。deep-researcher 是什么deep-researcher是 ruflo-goals 插件内置的四类 Agent 之一定义于 agents/deep-researcher.md。其 frontmatter 声明如下--- name: deep-researcher description: Multi-source research specialist that gathers, cross-references, and synthesizes information with evidence grading and contradiction resolution model: sonnet ---从元数据可以看出三点关键信息定位一个多源研究专家核心能力是收集gather、交叉验证cross-reference、综合synthesize并自带证据分级evidence grading与矛盾消解contradiction resolution模型选择model: sonnet即该 Agent 默认跑在 sonnet 级模型上触发形态根据 ruflo-goals README 的选择指南Selection guide当用户手里有一个问题question而非实体seed entity时应使用deep-researcher/deep-research——它的研究方式是线性、问题驱动的与dossier-investigator种子驱动、图谱输出形成互补。七步研究法从提问到可复用结论Agent 正文首先定义了完整的研究方法论research methodology共七步。这七步构成了该 Agent 每次任务执行的骨架也是理解其行为的关键。1. Scope Definition范围定义在动手搜索之前先把一个大问题拆解成可独立回答的子问题将研究问题拆分为3–7 个子问题sub-questions保证子问题合起来能覆盖主问题为每个子问题判断最相关的信源类型web、记忆、代码库、文档等估算每个子问题所需的研究深度quick / standard / deep / exhaustive 四档。这保证了广度优先于深度breadth before depth——先看清地形再向具体点钻。2. Knowledge Retrieval知识检索先查内部已有知识避免重复研究。Agent 通过 ruflo-core 提供的 MCP 工具直接检索三类存量检索目标MCP 工具用途既有研究结论mcp__plugin_ruflo-core_ruflo__memory_search_unified在统一记忆中查找先前发现已知模式mcp__plugin_ruflo-core_ruflo__agentdb_pattern-search在模式库中查询已知 pattern分层上下文mcp__plugin_ruflo-core_ruflo__agentdb_hierarchical-recall检索层级化记忆中的相关上下文这些工具名在仓库中可以被直接检索到例如 ruflo-core 的研究型 Agent 与 MCP 往返测试脚本 即覆盖了memory_search_unified、agentdb_pattern-search、hierarchical-recall等往返调用说明这条知识检索链路不是文档中的抽象描述而是真实可用的 MCP 工具面。3. Active Research主动研究在内部知识不足以回答的子问题上展开主动采集信源按问题类型分派Web 搜索针对每个子问题检索当前信息代码库分析使用 grep / find / read 回答实现细节类问题文档审阅针对 API / 库用法类问题查阅官方文档。4. Cross-Referencing交叉验证把多个来源的发现放到一起对照比较各来源之间是一致还是矛盾检查时效性recency——更新的数据可能覆盖旧结论用多个独立来源验证关键论断而不是轻信单一来源。5. Evidence Grading证据分级对每条发现给出证据等级这是 deep-researcher 输出质量的基石等级判定标准High多个独立来源一致、可直接观测、可复现Medium单一可信来源、间接支持、合理可信Low道听途说、单一未验证来源、推测性结论6. Synthesis综合成稿按固定结构输出最终研究成果确保每次产出的报告可直接被下游消费Executive summary直接回答原始问题Key findings按证据质量排序的关键发现Contradictions标注矛盾点及其消解方式或明确标注 unresolved未解决Open questions遗留问题与建议的下一步动作。7. Persistence持久化研究不随会话结束而丢失全部沉淀回记忆系统用mcp__plugin_ruflo-core_ruflo__memory_store将发现存入research命名空间用mcp__plugin_ruflo-core_ruflo__agentdb_pattern-store存入可复用模式将来源引用存入research-sources命名空间。这呼应了 Agent 的核心信念Store everything——今天的发现要让未来的会话受益。五条研究原则Agent 正文末尾明确给出了约束自身行为的五条原则可作为使用者评判其输出质量的标准Breadth before depth先广后深在深入细节前先总览全局Source diversity信源多样不依赖单一来源类型Contradiction is signal矛盾即信号来源间的分歧往往暴露重要细节Recency matters时效重要显式标注信息可能过时Store everything全部沉淀未来会话受益于今日发现。深度等级quick / standard / deep / exhaustive配套的 deep-research 技能 将范围定义中的深度档位具象化为可执行的资源预算供使用者或上层规划器按成本选择深度动作组合大致耗时Quick记忆检索 1–2 次 web 查询2–3 分钟Standard记忆 web 代码库扫描5–10 分钟Deep全部信源 交叉验证 模式存储15–30 分钟ExhaustiveDeep 派生子 Agent 并行研究线程30 分钟以上Exhaustive 档意味着研究本身可以编排成多 Agent 并行与 ruflo 的 swarm 能力天然衔接。配套技能与命令如何把研究成果真正用起来deep-researcherAgent 不是孤立的ruflo-goals 用技能skills把它的方法论拆成可复用的操作手册用命令commands提供状态查询入口。deep-research 技能八步编排skills/deep-research/SKILL.md 把 Agent 的七步法翻译成了更面向编排的八步清单定义研究范围拆成 3–7 个子问题检索既有知识memory_search_unifiedagentdb_pattern-search使用WebSearch/WebFetch逐子问题采集外部信息用Bashgrep/find、Read做代码库分析跨来源对照识别一致与矛盾用memory_store以research命名空间存储每条关键发现用agentdb_pattern-store存储发现的复用模式产出结构化研究报告包含执行摘要2–3 句、关键发现列表、逐条证据质量评估high/medium/low、遗留开放问题、建议的下一步。该技能的allowed-tools字段还限定了可用的 MCP 工具白名单memory_store、memory_search、memory_search_unified、agentdb_hierarchical-store/re-call、agentdb_pattern-search/store、neural_predict、hooks_intelligence_pattern-search/store、task_create/list/summary以及 Bash、WebSearch、WebFetch、Read、Write——白名单机制保证了技能在执行时不会越权调用无关工具。research-synthesize 技能把分散发现合成报告研究往往不是一次性完成的。当多次执行 deep-research 后需要把散落在记忆中的发现拉通成一份带建议的合成报告时就轮到 research-synthesize汇聚发现分别从research原始发现、research-sources来源引用、agentdb_pattern-search模式、agentdb_context-synthesizeAI 辅助上下文构建中取数证据分级对每条发现按 High/Medium/Low 三档评估矛盾消解定位具体冲突论断 → 比较证据质量 → 检查时效新数据可能覆盖旧结论→ 对无法消解的矛盾显式标注相关性预测调用neural_predict对哪些发现与原始目标最相关打分结构化输出执行摘要2–3 句直接回答问题、按证据质量排序的关键发现、方法论检查了哪些信源、局限未检查项与不确定性、建议具体下一步动作、参考来源链接与记忆键持久化用memory_store将完整报告存入research-synthesis命名空间。技能还给出了标准输出模板可以直接套用# [Research Topic] — Synthesis Report ## Summary [2-3 sentence answer] ## Key Findings 1. [Finding] — Evidence: High/Medium/Low 2. [Finding] — Evidence: High/Medium/Low ## Contradictions - [Claim A] vs [Claim B]: [resolution or unresolved] ## Recommendations 1. [Action] — because [reasoning] ## Sources - [key]: [description]/goals 命令查询研究状态研究产出的可见性由 commands/goals.md 提供。/goals命令会用memory_list枚举horizons命名空间下的活动目标仅当需要语义过滤时才用memory_search——*不是合法的语义查询对每个 horizon 展示目标、当前里程碑、进度百分比、目标日期、漂移状态用memory_list列出research-synthesis命名空间下的已完成研究报告汇总成目标 研究状态的总览表。Neural Learning研究模式的自我沉淀Agent 与技能文档的结尾都附带了神经学习段落用两条命令把任务结果回灌给系统供未来研究继承npx claude-flow/clilatest hooks post-task --task-id TASK_ID --success true --store-results true npx claude-flow/clilatest memory search --query TASK_TYPE patterns --namespace patterns第一条命令在任务成功后把轨迹与结果写入 hook 存储第二条从patterns命名空间检索同类任务的既有模式。CLI 版本被 pin 在claude-flow/cliv3.6 主次版本见 ruflo-goals README 的 Compatibility 节。命名空间约定research → goals-research 的演进路径deep-researcher 使用的research/research-sources命名空间属于历史遗留命名。根据 ADR-0001ruflo-goals 插件契约 与 ruflo-goals README 的 Namespace coordination 节ruflo-agentdb ADR-0001 定义了plugin-stem-intent的 kebab-case 命名规范而本插件六个命名空间早于该规范Legacy当前Canonical前进方向状态researchgoals-research遗留读取 新写入待数据迁移 ADRresearch-sourcesgoals-research-sources遗留读取 新写入待定约定是本插件的新写入应使用 canonical kebab-case 形式读取时新旧两种命名空间都检查向后兼容同时pattern、claude-memories、default等保留命名空间不允许被遮蔽。也就是说如果你基于本插件二次开发写入研究结果时应优先写goals-research读取时兼容research。与同插件其他 Agent 的分工deep-researcher只回答问题ruflo-goals 的其他三个 Agent 覆盖了互补场景参见 README 选择指南 与 dossier-investigator 定义 中的 When to NOT use 段落场景使用手里有一个问题deep-researcher/deep-research线性、证据分级手里有一个种子实体想向外展开dossier-investigator/dossier-collect递归并行、图谱输出多步骤目标goal-planner/goal-planGOAP A* 规划跨会话长期目标horizon-tracker/horizon-track漂移检测其中dossier-investigator由 ADR-099 规范采用种子驱动、图谱输出、预算上限hop/token/time、逐论断溯源四条不变量与 deep-researcher 的问题驱动、线性报告恰好相反goal-planner则在 agents/goal-planner.md 中定义了 Focused / Closed / Open 三种执行模式与 OODA 循环监控。验证smoke.sh 作为契约门禁deep-researcher 所在的插件把验证固化为脚本契约plugins/ruflo-goals/scripts/smoke.sh 共执行 10 项结构性检查预期输出10 passed, 0 failed。其中与本 Agent 直接相关的检查包括检查 5 个技能 4 个 Agent含deep-researcher 1 个命令的文件存在性与 frontmatter 完整性name:/description:检查选择指南是否覆盖 4 类任务模式question / seed entity / multi-step / long-running检查 v3.6 CLI pin、命名空间映射文档、ADR-099 交叉链接检查所有技能没有通配符工具授权allowed-tools: *即失败——这保证了 deep-researcher 依赖的技能以最小权限运行。运行验证bash plugins/ruflo-goals/scripts/smoke.sh # Expected: 10 passed, 0 failed小结deep-researcher是 ruflo 生态中问题驱动型研究的标准答案它以七步方法论范围定义 → 知识检索 → 主动研究 → 交叉验证 → 证据分级 → 综合成稿 → 持久化保证研究过程可复现、输出可分级、结论可溯源通过 High/Medium/Low 证据分级与矛盾消解机制约束输出质量通过research/research-sources命名空间与post-taskhook 实现跨会话的知识沉淀。配合deep-research技能的四档深度预算、research-synthesize技能的合成报告模板以及/goals命令的状态可见性它既能独立完成一次深度调研也能嵌入长期目标追踪与多 Agent 协同的工作流中。若要基于它二次开发或验证其行为契约smoke.sh 与 ADR-0001 是最直接的源码级入口。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考