名称： swarm
描述： 将 LLM 成本降低 200 倍。将并行、批量和研究工作卸载给 Gemini Flash 工作节点，而不是消耗昂贵的主模型。
主页： https://github.com/Chair4ce/node-scaling
元数据： {"clawdbot":{"emoji":"🐝","requires":{"bins":["node"]}}}

Swarm — 将您的 LLM 成本降低 200 倍

让昂贵的模型成为您负担得起的日常工具。将枯燥的工作——并行、批量、研究——以极低的成本卸载给 Gemini Flash 工作节点。

概览

适用场景

Swarm 非常适合以下情况：
- 3 个以上独立任务（研究、摘要、比较）
- 比较或研究多个主题
- 需要获取/分析的多个 URL
- 批处理（文档、实体、事实）
- 需要多角度分析的复杂任务 → 使用链式模式

快速参考

# 检查守护进程（每次会话都建议执行）
swarm status

# 如果未运行，则启动
swarm start

# 并行提示词
swarm parallel "什么是 X？" "什么是 Y？" "什么是 Z？"

# 研究多个主题
swarm research "OpenAI" "Anthropic" "Mistral" --topic "AI 安全"

# 发现可用功能
swarm capabilities

执行模式

并行模式 (v1.0)

N 个提示词 → N 个工作节点同时执行。最适合独立任务。

swarm parallel "提示词1" "提示词2" "提示词3"

研究模式 (v1.1)

多阶段：搜索 → 获取 → 分析。使用 Google 搜索进行信息锚定。

swarm research "Buildertrend" "Jobber" --topic "2026 年定价"

链式模式 (v1.3) — 精炼流水线

数据流经多个阶段，每个阶段具有不同的视角/过滤器。阶段按顺序运行；阶段内的任务并行运行。

阶段模式：
- parallel — N 个输入 → N 个工作节点（相同视角）
- single — 合并的输入 → 1 个工作节点
- fan-out — 1 个输入 → N 个具有不同视角的工作节点
- reduce — N 个输入 → 1 个综合输出

自动链 — 描述您的需求，获取最优流水线：

curl -X POST http://localhost:9999/chain/auto \
  -d '{"task":"寻找商业机会","data":"...市场数据...","depth":"standard"}'

手动链：

swarm chain pipeline.json
# 或
echo '{"stages":[...]}' | swarm chain --stdin

深度预设： quick (2 阶段), standard (4), deep (6), exhaustive (8)

内置视角： 提取器、过滤器、丰富器、分析师、合成器、挑战者、优化器、策略师、研究员、评论家

预览而不执行：

curl -X POST http://localhost:9999/chain/preview \
  -d '{"task":"...","depth":"standard"}'

基准测试模式 (v1.3)

使用 LLM 作为评判员，在同一任务上比较单次执行、并行执行和链式执行的得分。

curl -X POST http://localhost:9999/benchmark \
  -d '{"task":"分析 X","data":"...","depth":"standard"}'

基于 6 个 FLASK 维度评分：准确性 (2x 权重)、深度 (1.5x)、完整性、连贯性、可操作性 (1.5x)、细微差别。

功能发现 (v1.3)

让编排器发现可用的执行模式：

swarm capabilities
# 或
curl http://localhost:9999/capabilities

提示词缓存 (v1.3.2)

LLM 响应的 LRU 缓存。缓存命中时并行模式提速 212 倍，链式模式提速 514 倍。

• 键为指令 + 输入 + 视角的哈希值
• 最大 500 个条目，1 小时 TTL
• 跳过网络搜索任务（需要最新数据）
• 守护进程重启后持久化到磁盘
• 按任务绕过：设置 task.cache = false

# 查看缓存统计
curl http://localhost:9999/cache

# 清除缓存
curl -X DELETE http://localhost:9999/cache

缓存统计信息显示在 swarm status 中。

阶段重试 (v1.3.2)

如果链式阶段中的任务失败，仅重试失败的任务（而非整个阶段）。默认：1 次重试。可通过 phase.retries 按阶段配置，或通过 options.stageRetries 全局配置。

成本追踪 (v1.3.1)

所有端点在其 complete 事件中返回成本数据：
- session — 当前守护进程会话总计
- daily — 跨重启持久化，全天累积

swarm status        # 显示会话 + 每日成本
swarm savings       # 月度节省报告

网络搜索 (v1.1)

工作节点通过 Google 搜索锚定实时搜索网络（仅限 Gemini，无额外成本）。

# 研究模式默认使用网络搜索
swarm research "主题" --topic "角度"

# 带网络搜索的并行模式
curl -X POST http://localhost:9999/parallel \
  -d '{"prompts":["X 的当前价格？"],"options":{"webSearch":true}}'

JavaScript API

const { parallel, research } = require('~/clawd/skills/node-scaling/lib');
const { SwarmClient } = require('~/clawd/skills/node-scaling/lib/client');

// 简单并行
const result = await parallel(['提示词1', '提示词2', '提示词3']);

// 带流式传输的客户端
const client = new SwarmClient();
for await (const event of client.parallel(prompts)) { ... }
for await (const event of client.research(subjects, topic)) { ... }

// 链式模式
const result = await client.chainSync({ task, data, depth });

守护进程管理

swarm start              # 启动守护进程（后台）
swarm stop               # 停止守护进程
swarm status             # 状态、成本、缓存统计
swarm restart            # 重启守护进程
swarm savings            # 月度节省报告
swarm logs [N]           # 守护进程日志的最后 N 行

性能 (v1.3.2)

配置

位置：~/.config/clawdbot/node-scaling.yaml

node_scaling:
  enabled: true
  limits:
    max_nodes: 16
    max_concurrent_api: 16
  provider:
    name: gemini
    model: gemini-2.0-flash
  web_search:
    enabled: true
    parallel_default: false
  cost:
    max_daily_spend: 10.00

故障排除

结构化输出 (v1.3.7)

强制 JSON 输出并进行模式验证 —— 在结构化任务上实现零解析失败。

# 使用内置模式
curl -X POST http://localhost:9999/structured \
  -d '{"prompt":"从以下文本提取实体：Tim Cook 宣布了 iPhone 17","schema":"entities"}'

# 使用自定义模式
curl -X POST http://localhost:9999/structured \
  -d '{"prompt":"对这段文本进行分类","data":"...","schema":{"type":"object","properties":{"category":{"type":"string"}}}}'

# JSON 模式（无模式，仅强制 JSON）
curl -X POST http://localhost:9999/structured \
  -d '{"prompt":"返回一个包含虚构人物的姓名、年龄、城市的 JSON 对象"}'

# 列出可用模式
curl http://localhost:9999/structured/schemas

内置模式： entities, summary, comparison, actions, classification, qa

使用 Gemini 原生的 response_mime_type: application/json + responseSchema 来保证 JSON 输出。包含对响应的模式验证。

多数投票 (v1.3.7)

相同提示词 → N 次并行执行 → 选择最佳答案。在事实性/分析性任务上具有更高的准确性。

# 评判策略（LLM 选择最佳 —— 最可靠）
curl -X POST http://localhost:9999/vote \
  -d '{"prompt":"SaaS 定价的关键因素是什么？","n":3,"strategy":"judge"}'

# 相似性策略（共识 —— 零额外成本）
curl -X POST http://localhost:9999/vote \
  -d '{"prompt":"Python 是哪一年发布的？","n":3,"strategy":"similarity"}'

# 最长策略（启发式 —— 零额外成本）
curl -X POST http://localhost:9999/vote \
  -d '{"prompt":"解释递归","n":3,"strategy":"longest"}'

策略：
- judge — LLM 根据准确性/完整性/清晰度/可操作性对所有候选答案评分，选择获胜者 (N+1 次调用)
- similarity — Jaccard 词集相似度，选择共识答案 (N 次调用，零额外成本)
- longest — 选择最长的回答作为详尽性的启发式方法 (N 次调用，零额外成本)

何时使用： 事实性问题、关键决策，或任何准确性 > 速度的任务。

自我反思 (v1.3.5)

链式/骨架输出后可选的评论家审查环节。对 5 个维度进行评分，如果低于阈值则自动优化。

# 在任何链式或骨架请求中添加 reflect:true
curl -X POST http://localhost:9999/chain/auto \
  -d '{"task":"分析 AI 芯片市场","data":"...","reflect":true}'

curl -X POST http://localhost:9999/skeleton \
  -d '{"task":"撰写市场分析","reflect":true}'

已验证：将弱输出从平均 5.0 分提升至 7.6 分。骨架 + 反思模式得分为 9.4/10。

思维骨架 (v1.3.6)

生成大纲 → 并行扩展每个部分 → 合并成连贯文档。最适合长篇内容。

curl -X POST http://localhost:9999/skeleton \
  -d '{"task":"撰写一份关于 SaaS 定价的全面指南","maxSections":6,"reflect":true}'

性能： 21 秒内生成 14,478 个字符 (675 字符/秒) —— 比链式模式多 5.1 倍内容，吞吐量高 2.9 倍。

何时使用哪种模式：
- SoT → 长篇内容、报告、指南、文档（任何有自然分节的内容）
- 链式 → 分析、研究、对抗性审查（任何需要多视角的任务）
- 并行 → 独立任务、批处理
- 结构化 → 实体提取、分类、任何需要可靠 JSON 的任务
- 投票 → 事实准确性、关键决策、建立共识

API 端点

成本比较

缓存命中基本上是免费的 (~3-5 毫秒，无 API 调用)。