引言

随着大语言模型（LLM）能力的爆发式增长，单一 AI Agent 已难以应对日益复杂的业务场景。多 Agent 协作（Multi-Agent Collaboration）成为了解决复杂任务的关键范式。然而，现有的多 Agent 框架往往存在“黑盒”问题：人类难以实时观察 Agent 之间的交互过程，更无法在关键时刻介入干预。

Hiclaw 作为一个开源的 Agent 团队协作系统，创新性地利用 Matrix 协议 构建协作空间，让多个 AI Agent 在透明的“房间”中协同工作。其核心理念是：人类全程可见、随时可介入。通过 Manager Agent 协调多个 Worker Agent，Hiclaw 能够高效完成从代码开发、数据分析到内容创作的各类复杂任务。

一、什么是 Hiclaw？

Hiclaw 是由 Higress 团队推出的开源多 Agent 协作平台。它不仅仅是一个框架，更是一个基于即时通讯协议（Matrix）的协作生态系统。

在 Hiclaw 中：

• Agent 即用户：每个 AI Agent 被视为 Matrix 房间中的一个“用户”，拥有独立的身份和权限。
• 房间即工作区：特定的任务在一个 Matrix 房间中进行，所有对话、文件传输、工具调用都记录在案。
• 人类即超级管理员：人类用户可以随时加入房间，查看历史消息，理解 Agent 的思考过程，并在任何时刻发送指令或直接接管任务。

这种设计打破了传统 AI 自动化流程的封闭性，实现了真正的“人在回路”（Human-in-the-Loop）。

项目地址：https://github.com/higress-group/HiClaw
官方文档：https://github.com/higress-group/hiclaw/tree/main/docs/zh-cn

二、核心架构：基于 Matrix 的透明协作

Hiclaw 的技术基石是 Matrix 协议。Matrix 是一个开放的、去中心化的实时通信协议，广泛应用于加密聊天、物联网通信等领域。Hiclaw 巧妙地将这一协议应用于 AI Agent 协作，带来了独特的优势。

1. 角色分工：Manager 与 Worker

Hiclaw 采用经典的 Manager-Worker 模式：

• Manager Agent（管理者）：负责接收人类用户的初始指令。进行任务拆解、规划路径、分配子任务。监控 Worker 的执行状态，处理异常，整合最终结果。通常由能力更强的大模型（如 GPT-4, Qwen-Max）担任。
• Worker Agent（执行者）：负责执行具体的子任务，如编写代码、搜索信息、运行脚本、绘制图表等。具备特定的工具调用能力（Tool Use）。可以是多个不同专长的 Agent，甚至可以是不同模型的实例。

2. 协作流程：在 Matrix 房间中发生的一切

当一个任务启动时，Hiclaw 会创建一个临时的或持久的 Matrix 房间。

1. 任务初始化：人类用户在房间中发出指令（例如：“帮我开发一个贪吃蛇游戏”）。
2. Manager 规划：Manager Agent 分析指令，生成任务计划（Plan），并将其发布到房间中。人类可见：你可以看到 Manager 是如何思考的，它打算分几步走。
3. 任务分发：Manager 将子任务指派给特定的 Worker Agent（@worker_code, @worker_test 等）。
4. 并行执行：Workers 在房间中汇报进度、提交代码片段、请求帮助或报告错误。透明交互：Worker A 可能会发现 Worker B 的代码有 Bug，并直接在房间中指出。
5. 人类介入：如果人类发现方向偏差，可以直接在房间中打字：“暂停，先实现移动逻辑，不要急着做 UI。”所有 Agent 会立即接收到该指令并调整策略。
6. 结果交付：任务完成后，Manager 汇总成果，人类验收。

3. 为什么选择 Matrix？

• 标准化协议：无需自建通信基础设施，利用成熟的 Matrix 服务器（Synapse, Dendrite）即可。
• 端到端加密：保障协作数据的安全性。
• 联邦特性：支持跨服务器协作，未来可连接不同组织的 Agent 集群。
• 丰富的客户端生态：人类可以使用 Element, FluffyChat 等任何 Matrix 客户端参与协作，无需专用软件。

三、关键技术特性

1. 全程可见性（Full Visibility）

这是 Hiclaw 最核心的差异化优势。在传统 LangChain 或 AutoGen 流程中，Agent 的内部对话往往只在日志中体现，或者完全不可见。而在 Hiclaw 中：

• 所有 Agent 的发言都是标准的 Matrix 消息。
• 人类用户像看微信群聊一样，实时看到 Agent 之间的讨论、争论、妥协过程。
• 这种透明度极大地增强了人类对 AI 系统的信任感。

2. 随时可介入（Real-time Intervention）

由于基于即时通讯协议，人类的介入是原生的、低延迟的：

• 打断与修正：不需要停止整个流程，直接发送消息即可改变 Agent 的行为轨迹。
• 提供上下文：人类可以上传文件、截图或链接，Agent 能立即读取并纳入考量。
• 投票与决策：在多个方案犹豫不决时，人类可以作为“裁判”做出最终决定。

3. 灵活的 Agent 注册与发现

Hiclaw 提供了便捷的 Agent 注册机制。开发者可以将自定义的 Agent 注册到系统中，指定其能力标签（Tags）。Manager 在拆解任务时，会根据标签自动寻找合适的 Worker。

# 示例：Agent 配置片段agent:  name: "python-coder"  model: "qwen-max"  capabilities: ["coding", "debugging", "unit-test"]  matrix_id: "@hiclaw_coder:matrix.org"

4. 工具链集成

Hiclaw 原生支持多种工具调用方式，Worker Agent 可以轻松调用：

• 搜索引擎
• 代码解释器（Sandbox）
• API 接口
• 本地文件系统（通过安全代理）

四、应用场景示例

场景一：自动化软件开发

任务：创建一个带有数据库后端的博客系统。

1. Manager 拆解任务：需求分析 -> 数据库设计 -> 后端 API 开发 -> 前端页面制作 -> 测试部署。
2. Worker_DB 设计 SQL schema 并在房间中展示。
3. Worker_Backend 根据 Schema 编写 Python/FastAPI 代码。
4. Worker_Frontend 开发 React 组件。
5. 人类介入：在审查数据库设计时，人类专家指出：“用户表需要增加‘最后登录时间’字段。”
6. 动态调整：Manager 收到指令，通知 Worker_DB 修改设计，并通知 Worker_Backend 同步更新代码。
7. 最终交付：完整的代码仓库链接和部署指南。

场景二：复杂数据分析报告

任务：分析过去一年的销售数据，找出增长点并生成 PPT。

1. Worker_Data 清洗 CSV 数据，进行统计分析。
2. Worker_Viz 生成可视化图表（折线图、热力图）。
3. Worker_Write 撰写分析报告文本。
4. Manager 整合内容，调用 PPT 生成工具。
5. 人类观察：发现某个趋势分析有误，直接在房间中提供正确的业务背景知识。
6. 修正输出：Agent 重新分析并生成修正后的 PPT。