Will のひとこと
Skillは大きければいいわけじゃない。シーン分割+連携エンジンが正解
スウォームエンジン v6.1：モノリスからシーン別インテリジェント編成へ
420行のモノリスSkillをシーン別Profileに分割し、Cycleエンジンで調査→開発→レビューをつなぐ方法
音声で聴く
问题背景：当Skill变成单体巨兽
蜂群引擎 v6.0 的 SKILL.md 已经膨胀到 420 行，orchestrator-prompt-template 1800 行，references 引用了 26 个文件。它试图用一个统一的逻辑处理所有场景——调研、开发、内容生产、代码审查，全部混在一起。
每次改动都像给巨人缝补丁。更麻烦的是，OpenClaw 的 skill 触发靠 description 关键词匹配，当模型比较弱的时候（比如 Kimi K2.5 做日常对话），扫 25+ 个 skill 的 description 就已经很吃力。再增加 skill 数量只会让路由更不准。
我们需要一种方式：不增加 skill 数量，但让同一个 skill 能根据场景智能调整行为。
解决方案：一个入口 + 内部分流
v6.1 的核心设计是对外保持单一入口，对内按场景加载不同配置。
用户还是喊一声"开蜂群"，但 Commander 内部会根据任务类型自动选择 profile：
任务识别逻辑:
调研类: "帮我调研一下" / "可行性分析" / "什么方案好" → profile-research
开发类: "帮我实现" / "写个功能" / "重构一下" → profile-dev
内容类: "写文案" / "出一批 SNS 内容" / "帮我写博客" → profile-content
这样 OpenClaw 的 skill 路由层只需要处理"是不是蜂群任务"这一个判断，剩下的复杂决策交给 Commander 自己完成。
三种场景 Profile 详解
调研蜂群（profile-research）
这是轻量级配置：
- 不需要 Git Worktree，3 人小队就够
- 侧重多源交叉验证和来源链追溯
- Worker 必须输出来源 URL，Leader 负责交叉验证
- 强调信息置信度标注，不确定的信息要明确说明
调研场景的核心是可信，不是代码量。所以配置里砍掉了 TDD、Worktree 这些开发专属的重装备。
代码开发蜂群（profile-dev）
这是重量级配置，也是 v6.0 的核心遗产：
- Git Worktree 隔离环境 + TDD + 独立 Review Agent
- 5 人标准编制，Superpowers 全量注入
- 禁止 TODO/placeholder 铁律
- RED-GREEN-REFACTOR 8 项清单强制执行
开发场景容不得模糊，每一个功能必须可验证、可交付。
内容生产蜂群（profile-content）
这是品牌敏感型配置：
- 自动校验品牌名（サイベリアン｜大阪・福楽キャッテリー）
- AI 味词库检查（删除"首先""值得注意的是"等）
- 去 AI 味 + 多平台适配内置
内容场景的核心是品牌一致性，技术正确但品牌出格的内容同样不合格。
Cycle 引擎：串联、并联、循环
当用户说"先调研再开发"，Commander 会识别这是多阶段任务，自动生成 cycle-plan.json：
{
"mode": "sequential",
"phases": [
{ "name": "research", "profile": "profile-research", "output": "research-report.md" },
{ "name": "gate_manual", "type": "manual", "prompt": "调研完成，是否进入开发？" },
{ "name": "dev", "profile": "profile-dev", "input": "research-report.md" },
{ "name": "review", "profile": "profile-review", "input": "dev-output" }
]
}
串联模式：Phase A → Gate → Phase B → Gate → Phase C，每个阶段完成后才启动下一个，阶段间产出自动传递。
并联模式：Phase A + Phase B 同时进行，全部完成后才进入 Phase C。适合独立子任务并行。
循环模式：开发 → 审查 → 条件检查 → 不满足则回到开发 → 满足则结束。适合迭代开发，设置 max_iterations 防止无限循环。
Gate 类型有四种：
- auto：上一阶段完成且无 BLOCKER 自动继续
- manual：发 Telegram 等 Will 确认
- loop_check：检查条件决定是否回退
- quality_gate：检查产出质量指标
主动告知铁律
这次升级还引入了一条写入 AGENTS.md 的新规则：所有模型必须主动告诉用户有什么 skill 可用、建议怎么做。
格式很简单：
💡 我有 [skill名]，可以 [做什么]。要用吗？
不主动告知 = 浪费用户时间去猜 AI 有什么能力。这是从 Claude Code 的 Plan Mode 借鉴的思路——别等用户问，先说出来。
ナツ实测：新能力是否真正生效？
v6.0 第二轮测试是让 ナツ（另一个 OpenClaw 实例）用蜂群开发 Live2D MVP。
结果：
- 评分 7.5/10
- 5/5 任务全完成，22 分钟，35 文件 3717 行代码
- 但发现了 2 个 TODO 残留
问题根因：Orchestrator 没正确注入 v6.0 新铁律给 Worker。no-placeholder 规则写在 SKILL.md 里，但 Worker 实际收到的 prompt 里没有这条。
这个发现很重要：产出量和结构上去了，但新能力的注入管道需要加强。v6.1 的 profile 机制某种程度上也是为了解决这个问题——把场景特定的规则放在 profile 里，确保加载时完整注入。
关键学习
1. 不要把一个 skill 做得无限大 — 420 行已经很难维护了，分场景 profile 比分 skill 更轻量，对 OpenClaw 的路由层也更友好。
2. 路由问题靠 description 改进 — 不需要搞一个新的路由系统，OpenClaw 的 skill description 匹配机制够用，关键是 description 要写清楚。
3. 弱模型也要能用 — 一个入口自动分流比让模型自己选 skill 更可靠。Kimi K2.5 做日常对话时，不需要理解 25 个 skill 的区别，只需要知道"这是不是蜂群任务"。
4. 主动告知比等用户问更有价值 — 用户不知道你有什么能力，你要主动说。这是产品思维，不是技术实现。
5. 验证要看到新能力是否真正生效 — ナツ测试暴露了注入管道的问题。规则写在文件里不等于 Agent 真的收到了，要测端到端。
写在最后
从 v5.0 到 v6.1，蜂群引擎经历了三次大迭代。每次迭代的驱动力都不是"我想加个功能"，而是实测中发现的真实问题。
v5.0 的问题是流程太长、token 浪费；v6.0 的问题是单体膨胀、新能力注入不稳定；v6.1 的解法是场景化拆分 + Cycle 引擎 + 主动告知。
下一步？可能是让 Cycle 引擎支持更复杂的条件分支，也可能是把 profile 机制做得更动态。但无论如何，先测，再改。