JinDaGe - agent-farm MCP Details

article

README

🚀 Agent Farm v3.4 - 分块写入版

Agent Farm是一个支持AI智能体进化和并行任务执行的工具，借助具备工具使用能力的智能体，能够高效处理各类任务。v3.4版本引入了分块写入模式，可用于生成大型文档和代码文件！

🚀 快速开始

你可以按照以下步骤安装Agent Farm：

cd ~/repos/agent-farm
uv venv
uv pip install -e .

✨ 主要特性

v3.4版本新增特性

分块写入模式：智能体并行编写各个部分，Python直接进行组装。
chunked_write：可生成大型Markdown/文本文件（大小无限制）。
chunked_code_gen：并行生成多函数代码文件。
chunked_analysis：多视角分析并综合结果。
突破500字符限制：每个智能体编写小部分内容，组合输出无限制。

性能提升

比v3.0版本快8.6倍（4任务集群从103秒缩短至12秒）。
每个任务仅需1次迭代（之前为3 - 5次）。
使用真实工具数据时成功率达100%。
本地综合 - 使用qwen2.5:14b模型综合结果（无需云令牌！）

📦 安装指南

cd ~/repos/agent-farm
uv venv
uv pip install -e .

💻 使用示例

系统健康检查

agent-farm:system_health_swarm

自定义任务集群

agent-farm:tool_swarm
  colony_type: "heavy"
  tasks: [
    {"prompt": "Check CPU temperature"},
    {"prompt": "List top 5 memory processes"},
    {"prompt": "Check if docker is running"}
  ]

直接写入大文件

agent-farm:heavy_write
  path: "/tmp/large_output.txt"
  content: "... large content ..."

代码库侦察

agent-farm:recon_swarm
  target_path: "/home/kyle/repos/my-project"

分块生成大文档

agent-farm:chunked_write
  output_path: "/tmp/security_guide.md"
  spec: "Linux server security hardening guide"
  num_sections: 5
  doc_type: "markdown"

输出：包含5个连贯部分的9KB以上文档

分块生成代码文件

agent-farm:chunked_code_gen
  output_path: "/tmp/utils.py"
  spec: "File utilities: read, write, copy, delete"
  language: "python"
  num_functions: 4

输出：包含4个函数的完整Python模块

多视角分析

agent-farm:chunked_analysis
  target: "/home/kyle/repos/project"
  question: "What are the architectural patterns?"
  num_perspectives: 4

输出：从结构、模式、质量、性能视角进行的分析

📚 详细文档

模型信息

| 属性 | 详情 | |------|------| | 侦察者（Scout） | qwen3:4b模型，2.5GB显存，用于侦察 | | 工作者（Worker） | qwen3:4b模型，2.5GB显存，用于任务执行 | | 记忆者（Memory） | qwen3:4b模型，2.5GB显存，用于上下文保留 | | 守护者（Guardian） | qwen3:4b模型，2.5GB显存，用于系统监控 | | 学习者（Learner） | qwen3:4b模型，2.5GB显存，用于模式获取 | | 综合者（Synthesizer） | qwen2.5:14b模型，8.99GB显存，用于结果综合 |

MCP工具（共30个）

集群管理

spawn_colony - 创建智能体集群（标准/快速/重型/混合）
list_colonies - 列出活跃集群
colony_status - 获取集群详细信息
quick_colony - 快速进行健康检查
dissolve_colony - 移除集群
cleanup_idle - 移除闲置集群
farm_stats - 获取综合统计信息

集群部署

deploy_swarm - 将任务部署到集群
quick_swarm - 一次性创建并部署

专业集群

code_review_swarm - 从4个视角进行代码审查
code_gen_swarm - 生成代码、测试和文档
file_swarm - 并行文件操作
exec_swarm - 并行执行shell命令
api_swarm - 并行发送HTTP请求
kmkb_swarm - 多角度知识查询

工具启用智能体

tool_swarm - 部署具备真实系统工具的智能体
system_health_swarm - 快速进行系统健康检查
recon_swarm - 进行目录/代码库侦察
deep_analysis_swarm - 深度磁盘/文件分析
worker_task - 单个具备完整工具的工作者

直接操作

heavy_write - 直接写入文件（处理大内容时绕过LLM）
synthesize - 独立综合任何JSON结果

分块写入模式（新增）

chunked_write - 通过并行编写各部分生成大型文档
chunked_code_gen - 并行编写函数生成代码文件
chunked_analysis - 多视角分析并综合结果

智能体工具权限

| 角色 | 工具 | |------|-------| | 侦察者（Scout） | read_file, list_dir, file_exists, system_status, process_list, disk_usage, check_service, exec_cmd | | 工作者（Worker） | read_file, write_file, list_dir, exec_cmd, http_get, http_post, system_status, disk_usage, check_service | | 记忆者（Memory） | read_file, kmkb_search, kmkb_ask, list_dir, system_status, process_list, disk_usage, check_service, exec_cmd | | 守护者（Guardian） | system_status, process_list, disk_usage, check_service, read_file, list_dir, exec_cmd | | 学习者（Learner） | read_file, analyze_code, list_dir, kmkb_search, system_status, process_list, disk_usage, check_service, exec_cmd |

结构化输出详情

Agent Farm v3.3使用Ollama的结构化输出功能，对模型响应强制执行JSON模式：

# 智能体保证返回有效的JSON响应：
{"tool": "system_status", "arg": ""}
{"tool": "exec_cmd", "arg": "df -h"}
{"tool": "check_service", "arg": "ollama"}

受限解码（GBNF语法）在生成过程中屏蔽无效令牌，确保：

始终是有效的JSON
正确的工具名称
正确的参数结构
无解析失败情况

结果现在包含一个mode字段，显示使用的方法：

structured - 强制执行JSON模式
structured+autoformat - JSON + 简单结果格式化
structured+deep - 带有多步推理的JSON
regex - 备用正则表达式解析
regex+autoformat - 正则表达式 + 简单结果格式化

分块写入模式

分块写入模式通过分解大型任务，解决了小模型约500字符输出限制的问题：

1. 规划者智能体（qwen2.5:14b）
   |-- 创建结构化JSON大纲
   |-- {"sections": [{"title": "...", "description": "..."}]}

2. 工作者智能体（qwen3:4b） - 并行执行
   |-- 每个智能体编写一个部分（约300 - 500字符）
   |-- 4个工作者 = 同时编写4个部分

3. Python拼接（无需LLM）
   |-- 头部 + 分隔符.join(各部分)
   |-- 零令牌成本，即时组装

4. 直接文件写入（无需LLM）
   |-- tool_write_file()保存结果
   |-- 避免任何输出损坏

性能表现

| 工具 | 输出大小 | 部分数量 | 时间 | |------|-------------|----------|------| | chunked_write | 9.6 KB | 5 | 78s | | chunked_code_gen | 1.9 KB | 4个函数 | 88s | | chunked_analysis | 不定 | 4个视角 | ~60s |

原理说明

小模型擅长聚焦的短输出
每个部分都在“安全区”内（<500字符）
Python处理组装（无LLM令牌成本）
通过ThreadPoolExecutor并行执行
结构化输出确保可靠的规划

Claude桌面配置

{
  "mcpServers": {
    "agent-farm": {
      "command": "/home/kyle/repos/agent-farm/.venv/bin/python",
      "args": ["-m", "agent_farm.server"]
    }
  }
}

更新日志

v3.4.0 (2026-01-23)

分块写入模式 - 智能体并行编写各部分，Python进行组装
chunked_write - 生成无限制大小的文档（测试：78秒生成9.6KB）
chunked_code_gen - 并行生成多函数代码文件
chunked_analysis - 多视角分析并综合结果
通过任务分解突破智能体500字符限制
规划者使用结构化JSON输出以确保可靠的大纲

v3.3.0 (2026-01-23)

Ollama结构化输出 - 通过受限解码强制执行JSON模式
可靠的工具解析 - 不再有正则表达式解析失败问题
模式跟踪 - 结果显示使用的解析方法
正则表达式备用方案 - 仍保留传统解析作为备份
所有角色都具备exec_cmd以进行复杂的shell查询

v3.2.0 (2026-01-22)

综合者角色 - 使用qwen2.5:14b进行准确的结果综合
synthesize参数 - 添加到tool_swarm、system_health_swarm、recon_swarm、deep_analysis_swarm中
synthesize工具 - 独立综合任何JSON结果
不再有Claude综合成本 - 所有工作都在本地完成

v3.1.0 (2026-01-20)

速度提升8.6倍（从103秒缩短至12秒）
自动格式化结果，跳过冗余的LLM调用
立即拒绝无效工具
强制在回答前使用工具
修复复杂shell命令支持问题
所有角色最低升级到qwen3:4b

v3.0.0 (2026-01-19)

从Windows版本重建为Linux版本
具备角色权限的工具启用智能体
系统健康、侦察、工作者集群
通过ThreadPoolExecutor实现真正的并行

agent-farm