Routa 是一个 “工程化的多 Agent 协作框架”：它把任务、状态、事件和执行拆成可控模块，让开放生态下的多 Agent 系统可以真正落地，而不是靠 Prompt 默契拼接。

GitHub：https://github.com/phodal/routa （欢迎 Star、Fork，参与演进）

年前，在为某客户设计基于 OpenCode / Claude Code 的 AI Coding 解决方案时，围绕 ACP（Agent Client Protocol）这一通用化、 标准化的 Coding Agent 协议，我开始重新思考一个问题：

在开放生态下，多 Agent 系统应该如何构建？

这一次的探索，与我们在 AutoDev 中所设计的多 Agent 体系有着本质差异。

AutoDev 更强调“自研一体化”的多 Agent 架构：自研 Agent、自研调度、自研协作机制等。而在 Routa 中，我们尝试构建一个更加开放的编排系统。 它不再依赖单一实现，而是面向生态进行协作与整合。在新的 Routa 架构中：

• 可以接入不同实现的 Coding Agent（如 Codex、OpenCode、Qwen Code 等），而不局限于 AutoDev Agent
• 基于 Tool 的 Agent 协同体系，通过 MCP Server 提供 Agent 创建、调度与工具能力
• 通过统一的结构化 Spec/Tasks 进行意图编排，而非依赖 Prompt 级别的隐式协作

在这篇文章里，我们将讲述Routa 的多 Agent 体系是如何组织起来的，以及为什么这样设计。

PS：在设计 Routa，我们（我和 AI）参考了 Augment Code 的 Intent 协作体系、JetBrains 的 ACP 管理、Claude Code 的 MCP 管理、Codex 的交互等。

从经验到方法：Routa 的三个取舍

与其说是“原则”，不如说是三种工程取舍。

取舍一：优先开放协作，而不是绑定单一实现

在 Routa 里，Agent 是可替换的能力单元，不是系统的中心。系统中心是“协作协议与任务流”。这意味着：

• 你可以按场景接入不同的 Coding Agent：Claude Code、OpenCode、Codex 等
• 你可以在不重写业务逻辑的前提下切换 Provider
• 你可以随着生态变化持续替换底层能力

一句话总结：Routa 关注的是“如何把人和 Agent 组织成有效协作”，而不是“押注某个固定 Agent 实现”。

从 FinOps 视角看，角色分工不仅是工程整洁，更意味着 "算力成本的分层优化"：ROUTA 规划者需要全局视野，可以使用昂贵且强大的模型（如 GPT-4o / Claude 3.5 Sonnet），而部分 CRAFTER 执行者或独立验证动作可以路由给本地运行的、成本更低的专有模型（如 Qwen Code / DeepSeek Coder）。这展现了 Routa 在企业级部署时对 "Token 经济学" 的考量。

取舍二：优先角色分工，而不是全能 Agent

多 Agent 失败的常见原因是角色塌缩：同一个 Agent 既负责规划又负责实现还负责验收，最后责任边界消失。Routa 与其它 MAS 系统一样，把角色拆开， 并强调边界：

角色	主要职责	边界
ROUTA（Coordinator）	规划、拆解、委派、汇总	不直接写实现代码
CRAFTER（Implementor）	按任务完成实现	不扩大任务范围
GATE（Verifier）	按验收标准验证结果	不替代实现职责
DEVELOPER（Solo）	单 Agent 交付完整任务	适用于轻量场景

这种分工的价值很直接：出问题时知道该看哪里，做复盘时知道谁对什么负责。在创建 Agent 时，只需要关注它应该完成的任务，而不需要关注它 如何完成任务。

取舍三：优先可验证交付，而不是“提示词默契”

在多 Agent 协作里，真正昂贵的是“对齐成本”：目标是否一致、范围是否一致、完成标准是否一致。Routa 的做法是把参考 Intent 任务描述结构化， 而不是只靠自然语言约定。每个任务至少要回答四件事：

1. 目标是什么（Objective）
2. 范围是什么（Scope）
3. 完成标准是什么（Definition of Done）
4. 怎么验证（Verification）

当这些信息被结构化后，协作就从“靠经验”变成“可检查、可追踪、可复用”。

Routa 的多 Agent 体系

简单说，Routa 是一个 多 Agent 协作的“协调平面”。它不替代任何外部 Agent，而是让不同的 Agent 在工程上可以可控、可追踪、可验证地协作 。

换句话说：

• 它知道“任务是什么、谁执行、结果如何回报”
• 它提供稳定的“动作接口”，上层不需要关心内部实现
• 它让异步的多 Agent 协作变成一种可观察、可管理的工程能力

你可以把它想象成：

Routa = 结构化大脑 + 事件驱动协调器 + 状态管理器

Routa 的核心特性

1. 协议融合架构。Routa 内部通过 ACP 管理 Agent 进程生命周期，通过 MCP 暴露协作工具，并支持 A2A Bridge 以实现跨平台联邦扩展。三者分工明确：MCP 管工具、ACP 管客户端进程、A2A 管联邦协作——这种"用垂直协议做水平协同"的设计，让 Routa 能够无缝接入异构 Agent 生态。
2. 结构化任务。任务不是随意的文本，而是包含目标、范围、验收标准等字段的结构化对象；这样每个 Agent 执行的任务都是可追踪的，协作结果可以直接验证。
3. 事件驱动协作。系统用事件流来推动任务状态，从"等待执行"到"任务完成"，每一步都可观测；这不仅让多 Agent 并发协作不会变成混乱的轮询或黑箱，更为企业提供了每一级 Agent 决策的 "白盒化"审计日志（Audit Trails）。
4. 工具化能力暴露。协作动作被封装成"可调用工具"，比如 create_task、delegate_task_to_agent、subscribe_to_events、 report_to_parent 等；上层 Agent 或前端可以直接调用，而不需要关心内部执行细节。
5. 状态持久化与容错恢复。同一套协作语义，可以在 Web、桌面或其他部署环境复用；通过结构化的 Task 和 Stores，系统能从断点快速恢复执行（Resilience），而不是从头开始消耗 Token。

在工具化能力暴露这一点上，我们主要参考的是 Intent 的设计和实现。

HOW：Routa 如何把开放编排落成工程能力

这一节会刻意把描述落在“代码里的抽象”，而不是停留在口号：你看得到它们在哪一层、负责什么，以及为什么这些边界能支撑开放生态下的多 Agent 协作。

0）先统一系统边界：RoutaSystem 是“协调平面的组合件”

Routa 在代码里把“协调平面”收敛成一个中心对象：RoutaSystem。它不等于某个 Agent，而是把协作所需的基础设施组合起来：

• Stores（状态持久化与容错恢复）：AgentStore / TaskStore / ConversationStore / WorkspaceStore。这些 Store 提供了 状态持久化能力——如果某个 CRAFTER 陷入死循环（类似 AutoGen 常被诟病的对话混乱），或者发生网络中断，Routa 的架构能够依靠结构化的 Task 和 Stores 从断点恢复执行，而不是从头开始消耗 Token。
• EventBus（可观测性与审计追踪）：不仅把协作推进从"轮询脚本"变成"可订阅事件流"，更为企业提供了每一级 Agent 决策的白盒化审计日志。 基于事件驱动架构，系统的每一次状态变更、任务委派、结果汇报都被完整记录，满足企业级的 Governance 和 Auditability 需求。
• Tools（动作入口）：AgentTools / NoteTools / WorkspaceTools，把“要做什么”固定成可调用的动作

同时，RoutaSystem 支持多种存储形态（InMemory / Postgres / SQLite）但保持同一套接口：这让"运行形态变化" 不需要重写协作语义。这种设计也为"时间旅行（Time Travel）"调试能力奠定了基础——在复杂企业级场景下，能够追溯和回放任何一次协作过程。

1）把协作动作变成协议工具：Tools → MCP 工具面

在 Routa 里，“创建任务、委派、订阅事件、汇报结果”不是散落在各处的私有调用，而是统一走 Tools 的门面，然后再被注册成 MCP 工具。

关键点是：RoutaMcpToolManager 会把这些动作注册到 MCP Server 上（例如 create_task、delegate_task_to_agent、subscribe_to_events、report_to_parent 等）。这样上层接入任意支持 MCP 的外部 Agent 时，拿到的是一组稳定的工具集合，而不是一堆“需要记住的提示词约定”。

对应的工程收益：

• 协作能力是“接口契约”，可以版本化、可测试
• Provider 侧只要能连上 MCP，就能调用同一套协调动作（配置差异交给适配层处理）

2）把“任务”当作数据结构：Task 字段贯穿创建→执行→验收

Routa 不是把任务当成一段聊天上下文，而是把它当成一等数据对象：

• 意图字段：title / objective / scope
• 交付字段：acceptanceCriteria（Definition of Done）
• 验证字段：verificationCommands（可执行的验证入口）
• 编排字段：dependencies / parallelGroup / status / assignedTo

这也是为什么 Routa 可以把“对齐成本”从人脑记忆，迁移到结构化字段：同一个任务在不同 Agent 之间流转时，口径不会随着对话漂移。

从混合记忆（Hybrid Memory）架构的视角看，Task 的结构化字段实际上是极佳的 工作记忆（Working Memory）隔离 实践。Routa 通过结构化字段切断了不必要的聊天上下文（Chat History），这不仅降低了 Prompt 对齐成本，更避免了无关信息在 Agent 之间传递导致的 注意力偏移（Distraction），相当于在架构层面实现了优秀的上下文管理（Context Management），有效防止长周期任务中的" 上下文腐化（Context Rot）"。

3）用事件驱动解决异步协作：EventBus 提供订阅语义，而不是靠轮询

多 Agent 协作一旦并发起来，最先失控的是“状态同步”：谁完成了？谁卡住了？该不该汇总？

Routa 在工程上把它收敛到 EventBus：

• 统一事件类型（例如任务状态变化、汇报提交、Agent 完成等）
• 支持一次性订阅（one-shot）、优先级投递（priority）、以及 after_all 这类“等一组都完成再通知”的 wait-group 语义
• 支持 pre-subscribe（先订阅再触发动作），避免竞态条件把事件丢掉

对应的工程收益：并发规模变大时，协作推进仍然是可观察、可解释、可回放的。

从企业级治理（Governance）视角看，EventBus 的价值远不止解决异步协作的状态同步问题。它实际上构建了系统的 可观测性（Observability）** 基础设施：每一次 Agent 决策、每一次任务状态变更、每一次汇报提交都被完整记录，形成可审计的事件链。 这让企业在面对合规审查或事故复盘时，能够精确追溯" 谁在什么时候做了什么决策"。

在指标上，可以结合 Agent Trace 等工具，来构建 AI 的可度量性（Metrics）：例如，可以度量 Coding Agent 带来的效率提升。

4）委派不止是“分配”，而是“生成可运行的子执行单元”：RoutaOrchestrator

很多 MAS 的“委派”停留在“把任务文本转发给另一个 Agent”。Routa 更进一步：当 Coordinator 使用委派工具时，RoutaOrchestrator 会把一次委派落成完整的执行链路：

1. 创建子 Agent 记录（带 role、parentId、modelTier 等边界）
2. 生成面向角色的 delegation prompt（由 specialist 配置驱动，例如 CRAFTER/GATE）
3. 通过 ACP process manager 拉起一个真实的外部 Agent 进程/会话，把任务作为初始输入
4. 订阅 REPORT_SUBMITTED 等事件，在子 Agent 回报后唤醒父 Agent，形成闭环

这个设计把“角色化协同”从概念落实为运行时机制：你能追踪每个子 Agent 的会话、状态、回报，并让汇总动作有明确触发条件。

5）多后端不是重复实现，而是语义对齐：同一套 API / 同一套协作模型

Routa 同时支持 Web 与桌面形态，本质不是“做两套系统”，而是把协作语义抽象清楚后，在不同运行时提供相同的 API：

• Web 侧可以用 Next.js/TypeScript 提供 REST/MCP 接入
• 桌面侧可以用 Rust（axum）实现同样的 HTTP 层（并复用核心领域概念），本地用 SQLite 保证稳定与可移植

对使用者来说，差异被压缩到“部署与存储选择”，而不是“协作流程要重写”。

总结

从 AutoDev 到 Routa，变化的不是“换了哪个模型”，而是方法论：

• 从“自研一体化”走向“开放协作”
• 从“全能 Agent”走向“角色化协同”
• 从“Prompt 默契”走向“可验证交付”

Routa 不是要替代所有 Agent，而是要成为一个稳定的多 Agent 协调平面：让外部能力可以接入，让协作过程可控，让交付结果可验证。

在 2026 年这个"协议为中心"和 "ROI 觉醒" 的时代，Routa 的设计回应了企业级 AI 系统的核心关切：

• 协议融合：通过 MCP/ACP/A2A 三层协议架构，实现"用垂直协议做水平协同"
• 防幻觉级联：GATE 角色作为断路器，将错误拦截在单个任务边界内
• 白盒化可观测：EventBus 提供完整的审计追踪，让每一次 Agent 决策都可追溯
• Token 经济学：角色分工支撑算力成本分层优化，规划者用强模型、执行者用轻量模型
• 容错恢复：状态持久化让系统从断点恢复，避免"Token 消耗黑洞"

这不仅是技术架构的演进，更是对 AI Agent 工程化的一次方法论升级。