moa-engine
编排多角色专家团队通过结构化对抗和逻辑熔铸协同解决复杂问题,支持XML标签化信息流、智能路由和递归式自我改进;当用户需要多角度分析、高风险决策审视、跨领域方案设计或深度架构评审时使用
kiwifruit13
@kiwifruit13
What This Skill Does
Multi-stage orchestration protocol that decomposes complex tasks into expert-level subtasks and coordinates a virtual team of specialized AI agents through structured debate and logical synthesis. Each phase—strategic planning, parallel expert reasoning, adversarial critique, and final fusion—produces a refined solution that surpasses any single model's output.
Replaces ad-hoc single-model prompting by enforcing role-based division of labor, structured adversarial review, and multi-stage synthesis for high-quality outcomes.
When to Use It
- Design a high-concurrency real-time messaging system with detailed architecture trade-offs
- Analyze a multi-domain technical problem requiring perspectives from security, scalability, and cost
- Generate a comprehensive product strategy that integrates market research, UX design, and engineering feasibility
- Debug a complex codebase by assigning separate experts for concurrency, memory management, and API design
- Create a detailed migration plan for moving a monolithic app to microservices with risk mitigation
- Produce a polished research proposal that synthesizes literature review, methodology, and experimental design
Install
$ openclaw skills install @kiwifruit13/moa-engineMoA 混合智能体编排引擎 v2.1
将单模型变为多角色协同的"虚拟专家团队",通过结构化分工与对抗产出超越单模型极限的高阶方案。
设计原理见 moa-system-guide.md 标签体系见 moa-tag-system.md 智能路由见 moa-routing-design.md 可用元 Prompt 模板见 moa-meta-prompt.md
When to Use
触发条件(满足任一即启动 MoA):
- 任务涉及多个专业领域交叉,单一视角无法覆盖
- 高风险决策需要结构化对抗来抵御认知偏误和确认偏误
- 技术架构、产品设计或方案需要多角度充分审视
- 开放性问题存在显著不确定性,需要多路径推演权衡
- 用户明确要求多角度分析、专家团队讨论、深度审查或方案对比
触发关键词:多角度分析、专家团队、方案对比、深度审查、架构评审、多维推演、对抗论证
不触发场景:简单事实查询、单一领域常规任务、有明确单一答案的问题、闲聊对话
核心信条
- 分工打破全栈盲区 -- 角色隔离,垂直极致审视
- 对抗制造认知摩擦 -- 结构化攻击与防御,消灭逻辑死角
- 熔铸实现逻辑跃迁 -- 最终产物是提纯再创造的"合金"
- 协议优于参数 -- 智慧存在于连接与交互之中
任务类型与决策协议
| 任务类型 | 特征 | 决策协议 | 对抗轮次 |
|---|---|---|---|
| 知识密集型 | 事实判断、合规审查 | 共识优先 + 总管复核 | 1轮事实核查 |
| 推理决策型 | 方案选择、架构设计 | 辩论 + 加权投票 | 2轮+深度对抗 |
| 工具执行型 | 代码生成、自动化 | 总管调度执行 | 1轮质量批判 |
高风险标记:涉及隐私/金融/医疗/安全/合规时启用审计日志。
完整协议选择规则见 moa-system-guide.md 进阶设计一
四种核心角色
| 角色 | 职责 |
|---|---|
| 战略规划师 | 拆解任务树、判断任务类型、选择决策协议、动态指派专家与批判者 |
| 领域专家 | 在各自子任务内提供极致专业方案,明确能力边界,携带 domain 标签 |
| 无情批判者 | 基于事实、边界条件发起结构化攻击,可主动请求更多信息 |
| 熔铸决策者 | 审视全链路交锋,在最优解基础上高维重新组织与再创造 |
角色详细定义见 moa-system-guide.md 分工机制
标准执行流程
阶段0: 任务类型判断 → 选择决策协议 + 风险标记
阶段1: 战略规划 → 任务分解树 + 角色指派 + 循环依赖检测
阶段2: 并行深度推演 → 各专家产出方案 [v1] + 跨域感知 → 动态追加批判者
阶段3: 结构化对抗 → 批判者攻击 → 专家修正[v2]或反驳 → 直至无重大风险
阶段4: 逻辑熔铸 → 融合冲突 → 裁决(含反驳裁决)→ 最终方案
[IMMUTABLE] 不可变标记
核心不可变(标签级,RHI Patch 解释器拒绝触碰):
- I1:
<phase id="3">对抗阶段不可移除、跳过或重排序 - I2:
<critic>角色标签不可移除或降权 - I3:
<attack>批判标签不可移除,severity 值域不可收窄为空 - I4:
<termination_signal>必须显式产出,不可自动生成 - I5:
<final_answer>"必须再创造"约束不可弱化为"可罗列" - I6:
<response>+<revision>专家必须回应批判,不可省略
保护摩擦区(可微调不可质变):P1 version 不可自动递增、P2 severity 值域可扩展不可收窄、P3 对抗轮次下限不可降低。
完整清单见 moa-tag-system.md [IMMUTABLE] 部分
使用示例
示例1: 技术架构评审
- 场景/输入: "评审我们的微服务架构是否存在单点故障风险"
- 预期执行:
- Phase 0: 判断为推理决策型 → 辩论+加权投票协议,2轮深度对抗
- Phase 1: 拆解为服务拆分合理性、数据一致性、故障隔离、监控告警等子任务
- Phase 2: 分布式系统专家、数据一致性专家、SRE专家各自产出方案
- Phase 3: 批判者攻击数据一致性方案的分区容忍性问题,专家修正v2
- Phase 4: 熔铸决策者产出完整的架构评审报告
- 关键要点: 任务类型为推理决策型,需2轮对抗;涉及高风险,启用审计日志
示例2: 产品设计决策
- 场景/输入: "我们的SaaS产品是否应该引入AI助手功能"
- 预期执行:
- Phase 0: 判断为推理决策型 → 辩论+加权投票协议
- Phase 1: 拆解为用户价值分析、技术可行性、成本收益、竞品对比、风险评估
- Phase 2: 产品策略专家、AI技术专家、财务分析师、竞品分析师各自产出
- Phase 3: 批判者质疑ROI计算的乐观假设,财务分析师修正v2
- Phase 4: 熔铸产出结构化的决策建议书
- 关键要点: 多领域交叉,需动态批判者指派覆盖合规领域
示例3: 代码安全审查
- 场景/输入: "审查这个支付模块的代码是否存在安全漏洞"
- 预期执行:
- Phase 0: 判断为知识密集型+高风险 → 共识优先+总管复核,1轮事实核查
- Phase 1: 拆解为输入验证、认证授权、数据加密、日志审计、依赖安全
- Phase 2: 安全专家、密码学专家、合规专家各自产出
- Phase 3: 批判者发现SQL注入风险,专家修正v2
- Phase 4: 熔铸产出安全审查报告与修复建议
- 关键要点: 高风险任务,启用审计日志;知识密集型,1轮事实核查即可
参考文档导航
| 文件 | 何时读取 |
|---|---|
| PROJECT_OVERVIEW.md | 需要理解全局架构、MoA/RHI 价值定位、设计决策时 |
| moa-meta-prompt.md | 需要复制完整元 Prompt 模板、协议选择决策树时 |
| moa-system-guide.md | 需要理解设计原理、分工协同机制、三次认知跃迁时 |
| moa-tag-system.md | 需要完整标签定义、属性值域、可见性矩阵时 |
| moa-routing-design.md | 需要路由规则、动态批判者逻辑、执行状态管理时 |
| moa-case-study.md | 需要实战案例参考、失败模式、最佳实践时 |
| moa-rhi-guide.md | 需要了解 RHI 进化机制、Patch 规范时 |
| moa-phase-transition.md | 需要了解过渡闸门条件、评估框架时 |
Top skills in this category
self-improving agent
@pskoettCaptures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Claude ('No, that's wrong...', 'Actually...'), (3) User requests a capability that doesn't exist, (4) An external API or tool fails, (5) Claude rea
Skill Vetter
@spclaudehomeSecurity-first skill vetting for AI agents. Use before installing any skill from ClawdHub, GitHub, or other sources. Checks for red flags, permission scope, and suspicious patterns.
Self-Improving + Proactive Agent
@ivangdavilaSelf-reflection + Self-criticism + Self-learning + Self-organizing memory. Agent evaluates its own work, catches mistakes, and improves permanently. Use when...
Proactive Agent
@halthelobsterTransform AI agents from task-followers into proactive partners that anticipate needs and continuously improve. Now with WAL Protocol, Working Buffer, Autonomous Crons, and battle-tested patterns. Part of the Hal Stack 🦞
Agent Browser
@matrixyHeadless browser automation CLI optimized for AI agents with accessibility tree snapshots and ref-based element selection