使用 MadoHub 构建多 Agent 工作流

运行单个 AI Agent 很简单。让五个相互依赖输出的 Agent 协同工作，事情就变得有趣了 - 也是大多数工具力有不逮的地方。

这篇文章会带你从摆放图块到配置路由规则，一步步构建一个多 Agent 工作流。

从输出开始倒推

在把任何图块放到画布上之前，先决定最终输出应该是什么。先从结果倒推，会迫使你思考中间需要哪些步骤。

比如说，你想生成一个经过测试、带文档的 API 端点。最终输出是一个包含实现、测试和文档的 pull request。倒着推的话：

• 一个 PR composer Agent 负责组装最终输出
• 一个 test writer Agent 负责生成测试文件
• 一个 docs writer Agent 负责生成 API 文档
• 一个 code generator Agent 负责写实现
• 一个 spec parser Agent 负责从自然语言描述里提取需求

在画布上摆放图块

每个 Agent 都对应一个图块。在 MadoHub 里，图块是独立的执行环境 - 每个图块都有自己的上下文、模型配置和 system prompt。

把 spec parser 放在画布左侧，把 PR composer 放在右侧。中间放中间那些 Agent，大致按执行顺序排列。这个从左到右的布局，正好镜像了数据在系统中的流动方式。

定义连接

连接是图块之间的有向边。当你从 spec parser 的输出端口拖一条线到 code generator 的输入端口时，你其实是在告诉 MadoHub：把解析后的规格喂给代码生成提示词。

一个图块可以有多个输入。test writer 可以同时收到解析后的 spec 和生成后的代码，这样它既能写符合规格的测试，也能调用真实实现。

路由策略

不是每条连接都应该在上游一有输出就立刻触发。MadoHub 中的每条连接都有一个 trigger：

• on-complete：在检测到上游 Agent 的会话完成后触发
• on-idle：在上游 Agent 的终端进入空闲状态后触发
• on-keyword：当上游输出中出现配置的关键词时触发
• always：每当有新的一段输出时就触发，不需要任何完成信号

在底层实现上，on-complete 和 on-idle 的处理方式是一样的——两者都会在各自的触发信号之后，先等待一段短暂的空闲计时器（约 8 秒），然后才真正路由。可以把它们看作同一种暂停，只是触发的原因不同，而不是两种独立的策略。

每条连接还有一个 transform，控制实际发送到下游的内容：raw（逐字保留最近若干行）、summary（AI 生成的摘要）、full-output（更大的最近输出窗口）、prompt-wrap（你自己的模板，可使用 {output} 和 {round} 等变量），或 ai-routing（AI 生成的、具备上下文感知能力的提示词，需要配置 API key）。

在我们的 API 工作流里，你可以把 spec parser 到 code generator 的连接设置为 on-complete 触发、full-output transform；再把 code generator 到 test writer 和 docs writer 的连接都设置为 on-complete 触发、raw transform——只要 code generator 的会话报告完成，两个下游 Agent 就会立刻基于同一段最近输出开始工作。

处理失败

Agent 会失败。模型会产生幻觉。输出不总是符合预期。一个可靠的多 Agent 工作流需要设置护栏，防止被路由触发的循环无限运行下去。

MadoHub 的循环保护基于轮次而不是输出校验：每条被路由的连接都有一个 maxRounds 上限（默认 5，可配置为 1 到 20），以及轮次之间的冷却时间（默认 3 秒，可配置到最多 30 秒），这样下游 Agent 就不会被触发得比它实际能响应的速度更快。你还可以设置一个 stopKeyword——任意不区分大小写的子串，比如 "LGTM"——只要某个 Agent 的输出中包含它，循环就会立刻停止。

MadoHub 内置的 Peer review flow 正是这样运作的：一个 Claude Code 作者和一个 Codex 审阅者被接成一个循环，stopKeyword 设为 "LGTM"——审阅者会持续给出反馈，直到它说出这个词为止，循环才会停止。内置的 Pipeline flow 更简单：这是一个两阶段的交接，第一个 Agent 完成后，把它的 full-output 传给第二个 Agent。内置的 Watcher flow 则全程由关键词触发，使用 ai-routing transform，把匹配到的短语转换成具备上下文感知能力的后续提示词。

迭代才是重点

基于画布的多 Agent 工作流最大的优势是迭代速度。再加一个 Agent - 比如在 code generator 和 PR composer 之间加一个安全审查者 - 只需要几秒。你放一个图块，画两条连接，工作流就更新了。

在 pipeline-as-code 系统里试试这个。你得改配置文件、重启进程，还得祈祷 schema 还能过。到了画布上，反馈回路是即时的。