ruflo-daa 实战指南：构建会学习、会进化的 Dynamic Agentic Architecture 自适应 Agent-创锋一号

ruflo-daa 实战指南：构建会学习、会进化的 Dynamic Agentic Architecture 自适应 Agent

【免费下载链接】ruflo🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo

ruflo-daa（Dynamic Agentic Architecture）是 ruflo 生态中专门用于创建、管理"会学习、会进化"的自适应 Agent 的插件，它通过 8 个daa_*MCP 工具把静态配置的 Agent 升级为基于性能反馈持续适配、跨 Agent 共享知识的学习型智能体。本文以 daa-agent SKILL 为骨架，结合 daa-tools.ts 源码逐工具拆解参数与底层行为，让你从"创建自适应 Agent"到"监控学习、手动适配、知识共享"全流程可落地。

什么时候该用 DAA Agent

当你的任务需要"超越静态配置"的 Agent 时，就轮到 DAA 出场。静态 Agent 的行为由固定配置决定、从不学习、知识彼此隔离、性能恒定；而 DAA Agent 会根据性能指标调整自身行为、从交互中持续学习、把知识共享给其他 Agent。典型场景包括：

需要 Agent 在不同任务间动态切换推理策略（认知模式）；
希望通过反馈闭环让 Agent 的成功率随使用次数提升；
希望多个 Agent 共享经验、集体进化（swarm 场景）。

反之，如果只是单次、一次性执行的 Agent，daa_agent_create的源码描述明确指出"原生 Task 就足够了"（"For static one-shot agents, native Task is fine"），不必引入 DAA。

DAA Agent 与静态 Agent 的对比

SKILL 文档给出了核心对比，这也是判断是否采用 DAA 的第一依据：

维度	静态 Agent	DAA Agent
行为	固定配置	随时间自适应（adapts over time）
学习	无	从交互中持续学习
知识	隔离	跨 Agent 共享
性能	恒定	随使用提升

使用流程：五个核心步骤

daa-agentSKILL 规定的标准工作流为五步，每一步对应一个 MCP 工具调用（工具名以mcp__plugin_ruflo-core_ruflo__为前缀）：

创建 Agent— 调用daa_agent_create，传入初始配置与学习参数；
监控学习— 调用daa_learning_status查看适配进度；
检查性能— 调用daa_performance_metrics获取效率与准确率指标；
适配— 调用daa_agent_adapt，基于反馈触发手动适配；
共享知识— 调用daa_knowledge_share把学习成果传播给其他 Agent。

下面的章节将逐个工具深入底层实现，说明每个参数的真实作用与默认值。

8 个 daa_* MCP 工具全景

按 ADR-0001 的记录，8 个工具全部实现于 daa-tools.ts（对应行号 90 / 161 / 223 / 271 / 322 / 388 / 444 / 512），与插件 README 声明的工具面一致：

工具	用途
`daa_agent_create`	初始化一个自适应 Agent
`daa_agent_adapt`	基于反馈触发手动适配
`daa_workflow_create`	定义认知工作流
`daa_workflow_execute`	运行认知工作流
`daa_knowledge_share`	跨 Agent 传播学习成果
`daa_learning_status`	适配进度指标
`daa_cognitive_pattern`	定义/分析推理模式
`daa_performance_metrics`	效率与准确率统计

数据落地方式（源码级）

从源码结构看，所有工具共享同一套本地持久化机制：状态存储在项目下的.claude-flow/daa/store.json（目录由getProjectCwd()推导，见 daa-tools.ts）。DAAStore结构包含三块：agents、workflows、knowledge，并带version字段（当前为'3.0.0'）。此外，多数工具还会尝试通过../memory/memory-bridge.js把条目写入 AgentDB（分别使用daa-agents、daa-workflows、daa-knowledge命名空间），使状态可被向量检索；AgentDB 不可用时静默回退到 JSON store，不影响主流程。

创建 Agent：daa_agent_create 参数详解

daa_agent_create的唯一必填参数是id，其余均可选。完整参数与源码默认值如下：

参数	类型	说明	默认值
`id`	string	Agent ID（必填，需通过标识符校验）	—
`name`	string	Agent 名称	`DAA-{id}`
`type`	string	Agent 类型	`autonomous`
`cognitivePattern`	string	认知模式枚举：`convergent`/`divergent`/`lateral`/`systems`/`critical`/`adaptive`	`adaptive`
`learningRate`	number	学习率（0–1）	`0.01`
`enableMemory`	boolean	是否启用持久记忆	`true`
`capabilities`	array	Agent 能力列表	`['reasoning', 'learning']`

新 Agent 的初始指标为：tasksCompleted: 0、successRate: 1.0、adaptations: 0，状态为active。创建成功后，工具会把{id, name, type, cognitivePattern}以daa-agent-{id}为 key、daa-agents为命名空间写入 AgentDB，作为可搜索的 Agent 注册表。

认知模式的语义

daa_cognitive_pattern工具（action 缺省为analyze）会返回六种模式的官方描述，这也是cognitivePattern参数取值的语义依据：

convergent— 聚焦分析型思维，适合定义良好的问题；
divergent— 创造探索型思维，适合开放性问题；
lateral— 间接、创造性的问题求解路径；
systems— 考虑系统互联的整体思维；
critical— 分析性评估与逻辑判断；
adaptive— 按需动态切换模式（工具推荐一般用途 Agent 使用adaptive）。

监控学习进度：daa_learning_status

调用daa_learning_status（可选参数agentId、detailed）有两种视图：

指定agentId：返回该 Agent 的status、cognitivePattern、learningRate与完整metrics；
不传agentId（或传detailed: true）：返回 swarm 汇总——total（Agent 总数）、active（活跃数）、learning（学习中数）、avgSuccessRate（平均成功率）、totalAdaptations（累计适配次数），以及每个 Agent 的id/status/successRate/adaptations记录。

这正是 daa 命令展示"DAA 仪表盘"的数据来源：命令先用detailed: true拿到 swarm 汇总与逐 Agent 记录，再调daa_performance_metrics取效率与准确率统计，最终展示活跃 vs 学习中的 Agent、适配进度、每个 Agent 的认知模式与平均成功率。

检查性能：daa_performance_metrics

daa_performance_metrics通过category参数（枚举all/agents/workflows/learning，缺省all）聚合三类指标：

agents：total、active、avgSuccessRate、totalTasks；
workflows：total、completed、running、successRate（completed 数 ÷ 总数）；
learning：totalAdaptations、knowledgeItems（知识库条目数）、avgLearningRate。

手动适配：daa_agent_adapt

daa_agent_adapt必填agentId，可选feedback（反馈消息）、performanceScore（0–1，默认0.8）、suggestions（改进建议数组）。源码中的更新逻辑非常直观，可视为 DAA"学习"的核心公式：

adaptations计数 +1；
successRate = (旧 successRate + performanceScore) / 2（移动平均）；
状态重置为active，lastActivity刷新；
通过 memory-bridge 记录反馈（bridgeRecordFeedback，success判定为performanceScore >= 0.5），供后续模式学习使用；返回结果中_storedIn会标明写入的是agentdb还是json-store。

知识共享：daa_knowledge_share

daa_knowledge_share必填sourceAgentId与targetAgentIds，可选knowledgeDomain（默认general）与knowledgeContent（任意对象）。调用后生成knowledge-{timestamp}知识条目，优先写入 AgentDB 的daa-knowledge命名空间（带 domain 与 agent id 作为 tags，可向量检索），同时始终持久化到 JSON store 做向后兼容。返回值中的_note会说明目标 Agent 如何获取：经 AgentDB 存储时可通过daa_learning_status或 memory search 检索；仅 JSON 存储时则"不存在跨 Agent 的内存传输"，需靠共享注册表读取。

认知工作流：daa_workflow_create / daa_workflow_execute

DAA 不只有单个 Agent，还支持把认知模式嵌入可执行工作流：

daa_workflow_create（必填id、name）：steps为步骤数组，strategy枚举parallel/sequential/adaptive（默认adaptive），dependencies声明步骤依赖；
daa_workflow_execute（必填workflowId）：可传agentIds与parallelExecution，将工作流置为running并同步状态到daa-workflows命名空间。

需要特别说明的是源码中的明确提示：步骤状态被跟踪但不会被自动执行（"Steps are tracked but not auto-executed"），每个步骤的实际执行仍需借助 Agent 工具完成——daa_workflow_execute承担的是编排与状态跟踪职责。

配套 Skill：定义可进化的认知模式

与daa-agent配套的 cognitive-pattern SKILL 用于"把推理策略、决策树或问题求解方法编码成 Agent 可复用、可改进的模式"，其流程为：daa_cognitive_pattern定义模式结构与触发器 →daa_workflow_create嵌入可执行工作流 →daa_workflow_execute运行 →daa_learning_status评估模式表现 →daa_knowledge_share传播成功模式。文档内置四种模式类型：决策树（结构化 if/then 推理）、思维链（逐步问题分解）、类比映射（参照相似已解问题求解新问题）、共识模式（决策前多视角评估）。

与智能流水线、AgentDB 的协作机制

DAA 不是孤岛。按 ruflo-daa ADR-0001 与 ruflo-intelligence ADR-0001 的约定：

智能流水线对齐：ruflo 的 4 步智能流水线为 RETRIEVE → JUDGE → DISTILL → CONSOLIDATE。DAA 认知模式在任务经hooks_route路由、检索到相似历史轨迹后，为JUDGE 阶段提供结构化推理依据来评估拟合度；daa_knowledge_share写出的模式传播事件则可在DISTILL 阶段被hooks_intelligence_learn消费。
命名空间协调：插件声明拥有 AgentDB 的daa-patterns命名空间（kebab-case，遵循 ruflo-agentdb ADR-0001 的命名约定），且不得遮蔽保留命名空间pattern、claude-memories、default。该命名空间经memory_*工具按命名空间路由访问，CLI 示例如下：

# 持久化认知模式与适配历史 npx @claude-flow/cli@latest memory store --namespace daa-patterns --key "cognitive-PATTERN" --value "ADAPTATION_DATA" # 检索已有认知模式 npx @claude-flow/cli@latest memory search --query "cognitive pattern for TASK" --namespace daa-patterns # 任务完成后喂给自适应学习回路（训练神经模型） npx @claude-flow/cli@latest hooks post-task --task-id "TASK_ID" --success true --train-neural true

后两条示例出自 daa-specialist Agent，它把daa-patterns命名空间作为认知模式与适配历史的持久化后端。

安装与验证

插件安装方式（见插件 README）：

/plugin marketplace add ruvnet/ruflo /plugin install ruflo-daa@ruflo

安装后可用/daa命令查看 DAA 仪表盘（学习指标与活跃 Agent）。版本兼容性上，插件固定依赖@claude-flow/cliv3.6 major+minor，契约验证以 smoke 脚本为准：

bash plugins/ruflo-daa/scripts/smoke.sh # 预期输出：10 passed, 0 failed

smoke.sh 的 10 项结构性检查覆盖：插件版本与关键词（cognitive-patterns、workflows、mcp）、8 个daa_*工具在文档中被引用、两个 skill + 一个 command + 一个 agent 的 frontmatter 完整性、v3.6 版本钉扎、daa-patterns命名空间声明、智能流水线交叉引用、ADR 状态以及"不允许通配符工具授权"。

适用边界与注意事项

最后，依据 daa-tools.ts 头部注释与各工具返回说明，给出三条重要边界：

本地状态管理：DAA 工具提供的是本地状态管理——Agent 协调在本地跟踪，不涉及分布式网络通信，适用于工作流编排与状态跟踪；
工作流不自动执行步骤：daa_workflow_execute只跟踪状态，步骤执行需由 Agent 工具完成；
知识共享的传输方式取决于后端：只有 AgentDB 可用时知识才可向量检索并具备跨 Agent 语义，否则仅为共享 JSON 注册表，不存在跨 Agent 内存传输。

理解了这三点，就能在 ruflo 生态中正确地把 DAA 用于需要"越用越强"的自适应 Agent 场景，并通过daa-patterns命名空间、daa_knowledge_share与 4 步智能流水线，把单个 Agent 的学习成果沉淀为整个 swarm 的集体智能。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析