AutoSwarm 影子适配器
让 AutoSwarm 的智能体 DAG 在需要人工签核或远程算力时非阻塞暂停,不再超时或卡住并行分支。
- Star 数
- ★ 5.2k
- 最近更新
- 3 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 42/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 兼容但需适配OpenAI API · Claude API
- 费用
- 软件免费,模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 团队用 AutoSwarm 搭建公司级多智能体流程,但法务、架构评审等角色必须由真人最终签核
- 不适合
- 没有运行 OpenOPC/AutoSwarm DAG 引擎的团队
- 需要开箱即用托管服务、不想自建服务的团队
- 维护状态
- 近 30 天有提交最近提交 2026-11-09最新版本 v1.0.0(2026-08-20)
这个 Agent 能做什么,适合哪些场景?
AutoSwarm-Shadow-Adapter 是 AutoSwarm(OpenOPC)智能体 DAG 运行时的外部适配器插件,通过 ADAPTER_CLASSES["shadow"] 注册进入引擎的 ExternalAgentAdapter 体系,核心仓库零改动。它拦截被标记为 preferred_external_agent: shadow 的角色任务,在 50ms 内把任务记录落到独立的 SQLite WAL 数据库 shadow_tasks.db,并立刻返回 AWAITING_HUMAN 释放执行线程。人工审核者通过 React 19 门户与 FastAPI 的 REST API(shadow-serve,默认 8800 端口)认领任务、查看祖先交付物与结构化任务简报、上传最多 5 个文件(单次 50MB 上限)。远程 GPU 节点可用 shadow-worker 守护进程按角色轮询并本地推理,支持 Ollama、Anthropic、OpenAI 或自定义 Python 处理器。交付提交后,OpcResumeRepository 写回宿主 store.db 的 delegation_work_items.phase,触发 AutoSwarm 原生状态机唤醒下游 DAG 节点。
适配器在引擎侧拦截任务:解析项目目标,用 TaskBriefBuilder 生成 markdown 简报,把记录写入 shadow_tasks.db 后返回 AWAITING_HUMAN;同时把上游祖先交付物打包成上下文。门户侧,FastAPI 服务(shadow-serve --port 8800)提供 JWT + bcrypt 认证和 /api/v1 REST 接口,React 19 TaskWorkspace 供人工认领任务、写方案说明并上传附件,文件以 SHA-256 完整性哈希登记到 CorporateArtifacts。硅基侧,shadow-worker 以 --server-url、--role、--provider、--model 参数登录后轮询队列,在本地执行推理;也可用 ShadowWorker(custom_handler=...) 嵌入自有 Python 管道。交付提交后,OpcResumeRepository 更新宿主 store.db 的 delegation_work_items.phase 为 APPROVED,AutoSwarm 原生阶段钩子唤醒下游节点,并把产物向下游传递;rework_requested 状态支持返工循环。
- 团队用 AutoSwarm 搭建公司级多智能体流程,但法务、架构评审等角色必须由真人最终签核
- 外包或自由职业者同时承接多个客户合同,把执行交给远程硅基工作节点,自己只做异步审批
- 金融、医疗、法律团队需要在 SOC 2、ISO 17001、GDPR 场景下保留带署名与时间戳的不可变审计记录
- 企业有闲置 GPU 工作站或自有云端节点,想以 BYOC 方式接入推理而不改造中央引擎
- 关键岗位临时空缺或饱和时,由 AI 完成 90% 前期工作,仅把最终决策路由给可用的人类管理者
安装与配置要点
摘自下方的安装和使用说明,以项目 README 的最新说明为准。
- 安装 / 启动命令
pip install AutoSwarm-shadow-adapter
- 环境变量
SHADOW_JWT_SECRETSHADOW_DB_PATHSHADOW_OPC_STORE_PATHSHADOW_UPLOAD_DIRSHADOW_API_PORT- 运行环境
- Python 3.10+
如何安装或部署这个 Agent?
要求 Python 3.10+,并已在宿主项目中安装并可运行 AutoSwarm(opc)引擎。
pip install AutoSwarm-shadow-adapter至少需要设置 JWT 签名密钥(文档要求不少于 32 字符):
export SHADOW_JWT_SECRET="a-very-long-secret-at-least-32-chars"可选环境变量包括 SHADOW_DB_PATH、SHADOW_OPC_STORE_PATH、SHADOW_UPLOAD_DIR、SHADOW_MAX_FILES_PER_SUBMISSION、SHADOW_MAX_FILE_SIZE_MB、SHADOW_MAX_TOTAL_UPLOAD_SIZE_MB、SHADOW_API_PORT。
如何使用这个 Agent?
在主程序里注册适配器并在后台线程启动门户:
from opc.layer3_agent.adapters.registry import ADAPTER_CLASSES
from shadow_adapter import ShadowModeAdapter, start_server_in_thread
ADAPTER_CLASSES["shadow"] = ShadowModeAdapter
start_server_in_thread(port=8800)或在独立终端以边车方式启动:
shadow-serve --port 8800然后在公司配置中把需要人工的角色指向影子适配器:
roles:
legal_counsel:
title: "Human Legal Counsel"
execution_strategy: external
preferred_external_agent: shadow
senior_architect:
title: "Human Senior Architect"
execution_strategy: external
preferred_external_agent: shadow远程算力节点以工作进程接入:
shadow-worker \
--server-url "http://192.168.1.100:8800" \
--username "dev_node_1" \
--password "secure_pass_1" \
--role "senior_developer" \
--provider "ollama" \
--model "llama3.3:70b"人工审核者随后打开 http://localhost:8800 登录门户,认领任务并提交交付物,API 基址为 http://localhost:8800/api/v1。
这个 Agent 有哪些优点和局限?
- 非阻塞拦截(<50ms)把任务停放到独立 SQLite WAL 库,人工响应时间可以无限长而不会触发引擎超时
- 通过 ADAPTER_CLASSES["shadow"] 注册为外部适配器,不需要修改 AutoSwarm 核心仓库
- 同一套 REST 接口同时服务真人门户(React 19)和远程 GPU 节点(shadow-worker),支持 Ollama、Anthropic、OpenAI 或自定义处理函数
- 交付提交后写回宿主 store.db 的 delegation_work_items.phase,直接复用 AutoSwarm 原生状态机恢复下游节点
- 内置 CorporateArtifacts 产物登记(SHA-256 哈希)和基于公司配置的层级上下文注入,下游角色自动继承上游文件
- 完全依赖 AutoSwarm(opc)引擎及其 registry、store.db 结构,脱离该生态无法单独使用
- 部署需要配置 JWT 密钥、宿主 store.db 路径、上传目录与多用户账号,不属于一键上手
- 文档自述为 v0.1.0 预发布版本,仓库地址大小写在不同位置不一致(shadow-adapter / Shadow-Adapter)
- 默认配置的上传上限(单文件 10MB、单次 5 个文件、总计 50MB)可能不适合大体积交付物
- 部分架构文档链接指向搜索页而非实际文件,深层规范需要自行补齐
这个 Agent 与同类方案有什么区别?
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| AutoSwarm 影子适配器 当前 | 42 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 5.2k | 3 天前 | Python | OpenAI API · Claude API |
| Auto Browser | 76 · 存在缺口 | 自托管服务免费 + 模型费 | ★ 927 | 3 天前 | Python | OpenAI API · Claude API |
| 审脉 AuditPilot | 76 · 表现良好 | 网页应用免费 + 模型费 | ★ 1.2k | 7 天前 | Python | — |
| Agent Swarm | 62 · 存在缺口 | Agent 插件 / 技能免费 + 模型费 | ★ 1k | 今天 | TypeScript | Codex · Claude Code |
FollowAgents 如何评估这个 Agent?
查看各维度的扣分理由
代码和 README 说明任务会写入独立 SQLite、上传目录及 AutoSwarm 主 store,并涉及远程 worker、认证和文件上传,数据流有一定可见性;JWT、bcrypt 和上传限制也有配置说明。但服务器默认绑定 0.0.0.0,CORS 允许任意来源且允许凭据,README 示例使用明文 HTTP 和示例口令,材料未说明确认门槛、密钥轮换、访问范围或恢复机制,故最小权限、敏感数据保护、外部副作用控制和回滚证据有限。许可证署名为 OpenOPC Authors & Contributors,无法确认具体维护者或作者身份,因此来源归属仅部分明确。
README、包元数据和代码对产品名称、版本及宿主分别使用 AutoSwarm/OpenOPC、0.1.0/1.0.0 等不同表述,造成自洽性疑问。依赖有版本下限和 CI 安装流程,但未见锁定文件或依赖完整性策略。全局异常处理会记录异常并返回通用错误,不过也向调用方暴露异常类型和请求路径,失败处理说明仍较薄。
README列出人类审核、远程算力 worker、角色配置和嵌入式/sidecar 部署等场景;通过 preferred_external_agent: shadow 触发,触发条件相对明确。另一方面,材料没有充分界定权限边界、支持的宿主版本、网络暴露条件或部署隔离要求;Python 版本声明与 CI 测试矩阵也不完全一致,环境适配说明不完整。
README 有概览、流程、配置表和安装示例,另列出架构、实现及变更文档入口,信息组织较好。MIT LICENSE 完整,给满分。命名和版本存在实质冲突:README称 AutoSwarm 与 v0.1.0,包名为 openopc-shadow-adapter 且版本 1.0.0,降低稳定性评分。安装说明有 pip、注册、启动及配置步骤,但 FAQ、明确限制和维护责任信息不足;变更与兼容性虽被链接,当前材料未提供其内容。
产品输出目标明确:将外部任务送入审核队列并在提交后恢复工作流;README提供 API、命令、配置和代码片段,日常使用有一定可操作性。对需要人工审批或远程执行的 DAG 工作流,适配器提供了明显的集成价值。但其效果、安全收益及成本没有可核实的量化证据,README中关于零超时、合规、吞吐和生产就绪的宣传主张也未由本材料充分支持。
README给出具体流程和配置,代码展示了 FastAPI 路由注册、默认绑定、CORS、异常响应及服务启动方式;CI 文件和模拟器材料提供部分交叉线索。但 README 中的架构文档链接指向 Google 搜索,声称的指标、合规能力及测试质量未在所给材料中得到独立佐证,且示例、包元数据和代码的名称版本不一致。材料未清楚区分已实现事实与宣传性主张,因此仅给部分分。
- 源码中未见:回滚或恢复路径运行前先备份,或在 git 分支、快照上操作,确保改动可以撤销。
- 部署前应审查默认监听地址、CORS 凭据配置和明文 HTTP 示例,并按实际网络边界配置认证与传输保护。
- README、包元数据和代码对产品名称及版本的描述不一致;发布或集成前应核对实际目标宿主、包名与兼容性。
- README 宣称的合规、性能及测试覆盖能力未由本材料充分证明;本评估为静态审阅,未执行代码或测试。
最近版本
来自该项目 GitHub Releases 的最新发布记录,说明为上游原文摘录,未经本站改写或测试。
-
发布说明摘录
Full Changelog: https://github.com/AhmadHassan-BTed/OpenOPC-Shadow-Adapter/compare/v0.1.0...v1.0.0在 GitHub 查看 ↗
常见问题
人工审核者几个小时后才响应,会拖垮 AutoSwarm 的 DAG 吗?
必须使用云端大模型吗?
远程节点如何鉴权、数据落在哪里?
它能在没有 OpenOPC/AutoSwarm 的项目里单独用吗?
AutoSwarm 影子适配器 免费吗?
AutoSwarm 影子适配器 开源吗?
AutoSwarm 影子适配器 安全吗?
AutoSwarm 影子适配器 还在维护吗?
AutoSwarm 影子适配器 是谁开发的?
谢谢反馈,我们会据此改进页面。