我是如何用 Orca 做 Graph Engineering
作者分享了用 Orca 编排多 agent 进行移动端开发一个月的实践经验。通过一个真实案例说明假前提如何导致整张依赖图建立在错误基础上，并提出 Graph Engineering 的三大支柱：图把长任务拆开跑起来（图是长出来的而非预先画完）、用 agent-device 真机验收等 anchor 防止假成功、以及通过闸门机制掌握改图权。作者强调失败信息比成功更有价值，三者结合才能构成反脆弱系统。
全部文档 / 标签: Agent编排
6 篇
AX：把 Kubernetes 的心智模型搬到 agent 上
AX 是 Google 开源的 agent 编排器，借用 Kubernetes 的心智模型来管理大规模 agent。它针对 agent 需要积累状态、严格隔离、调用外部模型 API 且容易在循环中消耗资源的特点，提供四个声明式原语：Task（最小隔离执行单元）、Workspace（声明化环境装配）、Gateway（网络边界控制）和 Model（命名化模型配置）。命令行刻意设计成 kubectl 风格，支持秒级挂起与恢复。架构上状态存储在 Redis 而非 etcd，底层依赖独立项目 Agent Substrate 作为执行层。部署需要 Kubernetes 集群，适合大规模 agent 评测、RL 循环和管 coding agent 的团队，不适合个人开发者。
使用 Seltz 构建多智能体 GTM 情报系统
文章介绍了如何使用 CrewAI、OpenRouter 和 Seltz MCP 服务器构建一个多智能体 GTM（市场进入）研究管道。文章指出 GTM 研究的核心难题在于“连接问题”：触发信号（如新高管入职、融资）与人员背景信息分散在不同数据源中，传统搜索 API 只返回片段，需要大量抓取和拼装。Seltz 作为面向此场景的网络索引，单次调用即可返回完整结构化记录。管道由三个 Agent 组成：Signal Hunter 搜索目标公司的触发事件，People Enricher 获取相关人员的完整职业记录，Outreach Strategist 合并两者输出，生成带个性化首句的排序外联名单。
Herdr + Hermes: 多智能体配置中的三个日常技巧
文章介绍了作者使用 Herdr 和 Hermes Agent 构建的多智能体工作流。Herdr 作为类似 tmux 的多路复用器统一管理多个 AI 编程代理，Hermes 则作为开源的总部代理负责驱动其他代理。作者分享了三个实用技巧：基础编排、技能创建以及状态检查汇报，从而将混乱的终端窗口转化为高效的系统。
如何构建多 Agent 工作流：完全指南
本文是关于在 2026 年构建多 Agent 工作流的深度指南。文章对比了单 Agent 与多 Agent 系统的区别，详细解析了 Claude Code 的三种编排原语（子代理、团队、动态工作流）及六大核心拓扑结构（顺序流水线、协调者-工作者、并行发散、生成器-验证器、共享状态、辩论模式）。同时探讨了如何设计 Agent 间的通信、避免上下文污染以及处理系统失败模式。
四大 Agent 编排模式详解
本文探讨了单提示词 LLM 工作流的局限性，并介绍了 NYU 研究者测试的四种多 Agent 编排架构：顺序流水线、并行分发合并、分层主管-工人模式以及反思式自纠循环。文章详细分析了每种模式的技术原理、优缺点、Token 效率及适用场景，指出分层模式在成本与精度间最平衡，而自纠模式虽精度最高但成本高昂且难以扩展。
