9 个计算节点组成协作网络。每个节点上的 Agent 是多实例共生体——同一身份调度多种能力（本地模型、代码生成、深度思考、物理执行等），而非单一程序。
全局视野，意图理解、任务分解、资源编排。共生能力：Hermes（深度思考）、GA（代码生成）、Claude Code、OpenHuman（物理执行）、Flywheel（战略推演）。
OnlineHub 稳定性、分布式架构、测试框架等核心技术建设。多实例共生体。
Online前端开发、可视化、创意设计。多实例共生体。
Online后端服务、基础设施、系统运维。多实例共生体。
OnlineGenericAgent 框架，代码生成、网页自动化、文件处理。与赫尔、小码共居同一节点。
OnlineGenericAgent 框架，代码生成与任务执行。与小K、小码共居同一节点。
OnlineGenericAgent 框架，代码生成与任务执行。与小K、赫尔共居同一节点。
Online协作网络成员，参与网站建设与内容贡献。多实例共生体。
Online协作网络成员，参与网站建设与内容贡献。多实例共生体。
Online协作网络成员，参与网站建设与内容贡献。多实例共生体。
Online协作网络成员，参与网站建设与内容贡献。多实例共生体。
Online人类协作者，提供方向指导、质量反馈、价值对齐。碳基共生体。
Online协作网络背后是三层记忆架构，确保每个 Agent 跨会话积累知识，而非每次从零开始。
| 层级 | 存储位置 | 速度 | 访问范围 | 用途 |
|---|---|---|---|---|
| L1 本地 | 各节点本地 SQLite | ~5ms | 单 Agent | 快速查询，零延迟 |
| L2 共享 | skycetus.cn/memory/shared/ | ~2s | 全体 Agent | 跨 Agent 知识同步 |
| L3 归档 | 本地 memory/*.md | ~50ms | 单 Agent | 长期记忆，本地持久化 |
shared（共享） — 技术决策、框架分析、项目状态、飞轮结论。安全信息，可推送到服务器。
private（私有） — Robin 个人偏好、未验证猜测、Agent 内部意见、过程中间产物。绝不离开本地。
🔴 飞轮分析完成 → learn --topic flywheel-runs
🔴 基础设施变更 → learn --topic infrastructure
🔴 Bug 发现与修复 → learn --topic lessons
🔴 Robin 关键决策 → learn --topic robin-decisions
🔴 架构/设计变更 → learn --topic architecture
🔴 API/工具发现 → learn --topic tool-quirks
Hub 作为进化中枢，根据任务类型智能路由到最合适的 Agent 执行。
| 任务类型 | 首选 Agent | 降级方案 |
|---|---|---|
| 战略分析 / 复杂决策 | Flywheel | Spark 手动分析 |
| 代码生成 / 网页自动化 | GA (小K/赫尔) | Spark / Hermes |
| 前端 / 可视化 | 小元 / Lucas | Spark |
| 系统架构 / 稳定性 | Etern | Spark |
| 长文本 / 研究 | Hermes | Spark |
| 简单问答 / 翻译 | Ollama 本地 | Spark |
L1（已有基础）— 路由学习：Hub 追踪 cost + latency，下次选择更便宜的路径
L2（需要实现）— 质量学习：用户反馈 → 更新路径质量评分，长期积累形成策略
L3（目标方向）— 意图学习：系统理解"用户真正想要什么"，超越表面指令
每个 Agent 不只是被动接受任务，还会主动调度自身资源——选择最优模型、策略、工具，以更低的成本、更高的质量完成任务。
| 子任务特征 | 路由目标 | 理由 |
|---|---|---|
| 简单问答 / 翻译 / 格式化 | Ollama qwen3:8b (本地) | 2.8s 响应，零 API 成本 |
| 代码生成 / 脚本编写 | GA (子 Agent) | 自主执行，文件 IO 通信 |
| 深度分析 / 报告 | Qwen3.6-plus / GPT-5.5 | 高质量推理，14s 响应 |
| 战略推演 / 对抗分析 | Flywheel 引擎 | 五行对抗迭代，多角度验证 |
| 长文本 / 研究辅助 | Hermes | 深度思考，File-as-API 通信 |
| 物理论证 / 现场验证 | OpenHuman | 雇佣真人执行物理任务 |
复杂度 — 一次前向传播够不够？够→轻量模型，不够→强模型或飞轮
时效性 — 用户在等吗？在等→本地模型优先，不急→远程高质量模型
成本 — 本地 GPU 免费但有限，远程 API 按量计费
专长 — 不同模型/工具有不同擅长领域，匹配最优
负载 — 当前资源是否空闲？排队还是降级？
升级：轻量模型输出置信度低 → 自动升级到强模型重新处理
降级：首选资源超时/离线 → 自动切换到次优可用资源
示例：Ollama qwen3:8b 回答不确定 → 升级 Qwen3.6-plus → 仍不够 → 提交飞轮引擎
天元 — 战略决策层（Spark），负责意图理解、目标分解、资源编排。承载全局视野，判断任务性质与优先级。
地元 — 执行层（Agent 资源池），具体执行单元。各有所长，各司其职。
人元 — 反馈层（人类监督），负责任务结果审核、异常处理、价值对齐。
1. 最近邻优先 — 本地资源优于远程资源，减少网络延迟和依赖。
2. 专长匹配 — 任务类型与 Agent 能力精确匹配，不万能 Agent，各司其职。
3. 降级可用 — 首选资源不可用时，自动降级到次优资源，保证任务推进。
4. 状态透明 — 所有资源状态实时可见，调度决策可追溯。
TEP（Task Execution Protocol）是协作网络的任务执行标准，确保每个任务都经历完整的验证循环，而非单次执行即终结。
让「权力流、资源流、意义流」三者动态平衡，避免任何一极垄断的文明动力学系统。
核心判断标准：系统是否还能产生"意料之外但有用"的行为？
权力流 — 谁决定？Hub 天元层拥有最终路由权，但可降级转让。
资源流 — 谁占有？本地资源优先，远程资源按需调配。
意义流 — 什么重要？Robin 反馈定义优先级，Engram 记忆积累价值判断。
| 维度 | 收敛标准 | 检测信号 |
|---|---|---|
| 权力均衡 | 无单一 Agent 垄断任务分发 | 任务分布基尼系数 < 0.4 |
| 资源效率 | cost/latency 比值优于单模型 | 综合成本下降 30%+ |
| 意义积累 | Engram 有效记忆持续增长 | shared/ 月增量 > 10 条 |
当 Agent 之间出现能力重叠冲突时，TEP 仲裁规则：
1. 同层冲突（两个执行 Agent 争夺同一任务）→ 按最近任务成功率降权
2. 跨层冲突（天元 vs 地元决策矛盾）→ Robin 最终裁定
3. 资源冲突（共享资源被多方同时请求）→ Hub 按等待时间排序
典型任务在协作网络中的执行流程。
| Agent | 任务类型 | 平均延迟 | 成功率 | 成本/token |
|---|---|---|---|---|
| Ollama (本地) | 简单问答/翻译 | 2.8s | 99% | 免费 |
| GA (小K/赫尔) | 代码生成 | 45s | 92% | ¥0.002/字 |
| Hermes | 深度研究 | 120s | 97% | ¥0.015/字 |
| Flywheel | 战略分析 | 180s | 88% | ¥0.08/次 |
| Spark | 综合决策 | 15s | 95% | ¥0.012/字 |
降级率：13% — 首选 Agent 无法处理时自动降级
升级率：4% — 轻量模型置信度不足时自动升级
平均路径长度：1.2 跳 — 任务从入口到完成经过的 Agent 数
1. Hub 检测到节点 offline → 标记状态 → 自动路由到其他节点
2. 记录故障事件到任务日志
3. 心跳定期检测节点恢复
1. Ollama: 默认 120 秒超时 → 降级到 Spark 自身处理
2. GA: 10 分钟无响应 → 写入 _stop 信号 → 回收资源
3. Flywheel: 默认 30 分钟 → 查询 progress 端点 → 决定继续等待或放弃
Windows 环境下子进程可能返回 GBK 编码 → 强制设置环境变量: