rUv

通过代码性能测量和基准测试，调查运行缓慢、性能退化或内存压力问题。记录修改前的基准，在相同条件下比较结果并报告波动，为优化提供可复现的依据。

• 调查运行缓慢的原因
• 比较修改前后的性能
• 测量内存压力下的性能

协调多个AI智能体直接通信、分散协作的网状网络，支持共同决策、按能力和负载分配任务，以及故障检测、通信路径切换和恢复安排。

• 协调智能体之间的直接协作
• 分散各智能体的工作负载
• 规划智能体停止后的恢复流程

检查代码的可读性、运行性能、安全性、设计与依赖关系，按影响程度排列需要修复的问题，并整理具体改进建议。

• 审查拉取请求的代码质量
• 排查性能与安全问题
• 安排重构与依赖更新的优先级

在跨多个文件的功能开发或重构中协调多个AI智能体，分配任务并查看进度，同时记录成功的工作模式和新学到的内容，供后续使用。

• 修改三个或更多文件
• 将新功能开发分给多个智能体
• 查看协作重构的进度

通过多个专业AI智能体审查GitHub变更提案，检查安全、性能、架构及编码规范问题，汇总问题说明与修复示例，并按标准发布批准或修改要求。

• 检查身份验证变更的安全性
• 排查数据库变更导致的性能下降
• 检查界面无障碍与编码规范

Develop machine learning models from local data, covering data preparation, model selection, training, evaluation, and deployment preparation. Use it to build workflows for tasks such as predicting customer churn or classifying images.

中文简介正在准备中。当前显示英语简介。

• Building a model to predict customer churn
• Training a neural network for image classification
• Preparing missing values and categorical data for training

收集多个AI智能体和系统的运行指标，分析延迟原因与异常，跟踪CPU和内存使用情况、响应时间及服务水平，并整理监控仪表板所需数据。

• 排查智能体协作延迟
• 跟踪CPU和内存使用情况
• 监控响应时间与服务水平

以只读方式分析代码的可读性、复杂度、重复与可维护性，生成包含质量评分、重点问题位置、改进建议、良好实现示例及技术债务处理工时估算的报告。

• 检查认证模块的代码质量
• 查找重复代码和过长方法
• 梳理技术债务并估算改进工时

协助设计和实现多个智能体或分布式计算机达成共识的机制，涵盖加权投票、任务与资源分配，以及应对节点故障和恶意参与者的方法。

• 设计多个智能体的共识机制
• 实现按影响力加权的投票
• 考虑应对故障与恶意行为的方法

协调多个GitHub仓库中AI代理的分工与进度，分析依赖关系，开展共享更新、测试和跨项目修改，并创建相互关联的拉取请求。

• 更新多个仓库的依赖包
• 协调共享API和库的变更
• 为多个项目应用安全修复

协助管理GitHub拉取请求从创建、审查到合并的全过程，编写说明并关联Issue、安排审查人员、跟踪测试、协助解决冲突，并选择合适的合并方式。

• 为新功能创建拉取请求
• 协调多个专业方向的审查
• 设置测试通过后自动合并

在Flow Nexus上支持神经网络设计、分布式训练、评估、部署与推理，管理计算资源和模型版本，并比较性能、监控运行情况。

• 设计分类或时间序列模型
• 在云端开展分布式训练
• 比较模型性能并调整训练设置

将人与人、网页或系统之间的连接作为图进行分析，用PageRank识别重要节点、影响传播和群体，并提取个性化推荐候选，检查通信瓶颈与负载分布。

• 分析社交网络的影响力与群体
• 分析网站链接与页面重要性
• 按用户偏好提取推荐候选

将复杂目标拆分为可执行任务，结合依赖关系、期限、预算和人员安排执行顺序与分工，并在进度或条件变化时调整计划。

• 规划有明确期限的功能发布
• 为多个目标分配人员与预算
• 根据条件变化重新规划

初始化多个AI智能体协作的运行配置，按任务设置连接结构、资源分配和通信方式，并通过共享内存协调进度、成果及依赖检查。

• 为REST API开发建立协作配置
• 配置八个智能体分层开发功能
• 为分布式代码分析建立网状结构

根据负载和性能指标，调整多个AI智能体的协作结构与任务分配。涵盖结构切换、所需智能体数量预测，以及变更后的验证和性能下降时的回退。

• 选择多智能体协作结构
• 均衡智能体之间的任务负载
• 根据负载预测所需智能体数量

为现有Claude Flow命令迁移到分工明确的智能体制定计划，定义职责、工具权限和触发条件，并安排兼容原有命令的分阶段部署。

• 将现有命令分配给不同智能体
• 设计工具权限与触发条件
• 制定保留命令兼容性的分阶段迁移计划

根据规格说明和处理流程设计系统组件及其连接方式，将技术选择、数据与接口设计、故障应对和扩展计划整理为架构图及设计文档。

• 根据规格说明设计系统架构
• 梳理组件职责和接口
• 为访问增长和故障做好设计

将复杂目标拆分为小任务，结合前提条件、预期结果和执行成本安排步骤。根据可用工具制定计划，并在失败或条件变化后重新规划到达目标的路径。

• 将复杂目标拆分为小任务
• 结合依赖关系和成本制定计划
• 失败或条件变化后重新规划

设计和调整分布式系统中节点之间的信息交换机制，处理更新传播、状态同步、并发冲突和故障检测，并检查通信量与状态收敛情况。

• 设计分布式节点间的更新传播
• 同步状态并解决并发更新冲突
• 管理节点加入与检测故障

根据多个AI智能体的负载和处理能力分配任务，将待处理任务转移给空闲智能体，调整优先级与执行顺序，并结合等待时间、利用率和成本调整资源分配。

• 重新分配繁忙智能体的待处理任务
• 按优先级与截止时间调整执行顺序
• 调查等待时间和负载分布

将开发、调查等工作分配给多个专业智能体，使用claude-flow管理启动、停止和运行状态，并通过按角色组队及共享记忆协调任务。

• 将缺陷修复分给多个智能体
• 协调功能开发与审查
• 安排专业智能体检查安全问题

以OpenAPI 3.0格式创建和更新API规范，统一整理各接口的说明、请求与响应示例、认证方式和错误响应，帮助使用者了解API的调用方法。

• 创建用户API规范
• 记录请求、响应示例及错误响应
• 随API变更更新规范

根据规格和设计，先编写测试，再实现可运行的代码。通过测试确认结果并整理代码，同时完善错误处理、性能、注释和相关文档。

• 根据规格和设计实现功能
• 开发带测试的身份验证或API
• 结合测试验证整理现有代码