新闻详情

新闻详情

首页 / 资讯中心 / 详情

OpenRig product-team演示:2个编排器+开发+QA+设计的7座产品小队搭建教程

发布时间:2026/11/16 17:39:56来源:尧图网络
OpenRig product-team演示:2个编排器+开发+QA+设计的7座产品小队搭建教程
OpenRig product-team演示2个编排器开发QA设计的7座产品小队搭建教程【免费下载链接】openrigMulti-agent harness that runs Claude Code and Codex together as one system项目地址: https://gitcode.com/GitHub_Trending/op/openrigOpenRig 是一款多智能体编排工具multi-agent harness它能把Claude Code和Codex两种 AI 编码智能体放进同一套机架Rig里协同工作。本文将带你快速上手 OpenRig 官方 product-team 演示一条命令拉起 7 个智能体席位组成的产品小队——2 个编排/评审席、开发、QA、设计各就各位全程跟着官方 demo 目录 的参考布局走。什么是 OpenRigAI 智能体团队的机架在开始之前先理解 3 个核心概念后文全用得到概念含义Rig机架一个多智能体团队的拓扑定义源头是一个rig.yaml文件Pod工位组Rig 内的分组如 orchestration编排、development开发、review评审Edge边成员之间的协作关系如delegates_to委派、can_observe旁观、collaborates_with协作你可以把 OpenRig 想象成一支 AI 产品团队的工位图谁负责指挥、谁负责写码、谁负责质检都在 demo/rig.yaml 里声明清楚。环境准备一键搭好 OpenRig 运行环境按 demo/README.md 列出的前置条件准备Node.js 22与tmux 3安装Claude Code和/或Codex CLI本演示两种都用到了克隆仓库并构建git clone https://gitcode.com/GitHub_Trending/op/openrig cd openrig npm run build构建完成后rig命令即可使用。演示拓扑的完整启动脚本见 demo/run.sh。7座产品小队demo 拓扑全解析OpenRig 官方把 demo/ 目录定义为规范作者示例canonical authoring example它定义了 4 个 Pod、8 个节点的产品小队其中 6 个 AI 智能体席位 2 个终端基础设施席位Pod席位运行时职责orch编排leadClaude Code总编排器接收任务并向下委派dev开发implClaude Code编码实现qaCodex质量验证可旁观impl的工作designClaude Code产品设计rev评审r1Claude Code评审者一号r2Codex评审者二号与 r1 互相协作infra基础设施daemonterminal监控启动时自动执行rig statusuiterminal在 packages/ui 下自动拉起 Web 仪表盘关键协作边定义在 demo/rig.yamlqa可以观察implcan_observe、r1与r2互相协作collaborates_with而跨 Pod 的主线是orch.lead委派给dev.impl见 delegates_to 边。每个席位都有独立的 agent 包清单如 demo/agents/lead/agent.yaml、demo/agents/qa/agent.yaml。团队文化由 demo/culture.md 全局约束质量优先于速度、状态诚实上报、每次行动后交接——这是整支小队共同遵守的行为准则。快速启动一条命令拉起整支小队一切就绪后在项目根目录执行./demo/run.shrun.sh 会自动完成四件事启动 daemon 守护进程 → 执行rig up demo/rig.yaml按拓扑序依次拉起 8 个节点 → 为每个智能体播种一轮热身会话保证 Claude/Codex 原生恢复能力可用→ 输出最终健康检查。启动耗时约2-5 分钟6 个 harness 2 个终端按拓扑顺序串行启动取决于你的硬件。完成后脚本会提示仪表盘地址http://localhost:5173。启动成功后tmux list-sessions应看到 8 个会话名例如orch-leaddemo-rig、dev-impldemo-rig、rev-r2demo-rig——每个席位都是一个独立终端随时可以 attach 进去对话。图形化总览在 Web 仪表盘查看团队拓扑浏览器打开http://localhost:5173即可看到 OpenRig 的 Explorer 工作台。在左侧探索器中点击demo机架即可加载它的实时拓扑进入拓扑图后每个节点卡片上都标有运行时类型CLAUDE / CODEX。点击orch1.lead节点上的CMUX按钮就能直接打开总编排器的终端给它下达第一个任务例如对 lead 说实现 X 功能它会按delegates_to边委派给dev.implqa会旁观实现过程完成后rev席位的双评审交叉把关——整条产品线就转起来了。健康验证与完整证明包想确认小队真的能恢复官方提供了证明脚本链详见 demo/scripts/npx tsx demo/scripts/check-demo-health.ts --rig demo-rig npx tsx demo/scripts/verify-native-resume.ts --rig demo-rig如果想一次性产出全部自动化证明产物启动转录、节点清单、健康 JSON、恢复快照等直接运行 demo/run-proof.sh产物会落在demo/proof/目录方便反复验证停机 → 快照 → 恢复闭环。日常运维命令速查命令用途rig ps --nodes --rig rigId查看所有节点运行状态rig down rigId优雅下线自动打快照rig restore snapshotId --rig rigId恢复到指定快照rig daemon start启动/检查 daemon 进程一个新手常踩的坑当存在多个同名历史demo-rig实例时直接rig up demo-rig作为恢复捷径会返回歧义错误——这是 OpenRig 的正确行为请改用显式rig restore snapshotId。另外注意全新的 Claude 会话在rig up后并不能立即快照恢复run.sh中那轮热身回合就是为此准备的。动手试一试跑通 demo 只是起点。你可以修改 demo/rig.yaml给 dev Pod 加一个新成员观察rig up如何按拓扑序拉起编辑 demo/culture.md体验文化文件如何改变整支小队的行为参考 demo/agents/ 下的 agent 包清单给自己的项目定义专属角色用rig bundle create demo/rig.yaml --rig-root demo把整套拓扑打包成可分发的 bundle。从 2 个编排席到 7 座产品小队OpenRig 把多智能体协作从口号变成了一张可以启动、观察、快照、恢复的工位图。现在./demo/run.sh让你的 AI 产品团队开工吧。【免费下载链接】openrigMulti-agent harness that runs Claude Code and Codex together as one system项目地址: https://gitcode.com/GitHub_Trending/op/openrig创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉