Skip to main content
Glama
tendQQ

a2p2a

by tendQQ
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

a2p2a （测试中 · alpha）

把手上零散的 AI 接进同一个工作区，让它们分工把活干完。

你手上可能已经有 Claude Code、Codex、Hermes、小龙虾 OpenClaw 这些命令行 AI，它们各干各的，互不相识。 a2p2a 做的事很朴素：把它们接进同一个工作区，配上几个角色，你说一句需求，它们自己聊清楚、分工、干活，过程你在群里看得见。

你说想法 → 秘书追问到清楚 → 目标进工作群 → 管理挑人派活 → 工人真干活 → HR 打分复盘

现在是什么状态：能跑通完整链路（已实测），但还在早期，接口和界面都会改。 下面「现在已实现」是如实清单，「还没做」也一并列出来，免得你踩坑。

愿景（目标是这个，不是现在）

一个多智能体与人类共同协作的平台 —— 搭起属于自己的一人公司：让智能体高效、可靠地运行，让创意可以无限发挥。

现在的 a2p2a 只是朝这个方向的第一步：先把「接进来、分好工、能干活、看得见」跑通。 一人公司要靠的是可靠的编排 + 可复盘的评价，这两块还在早期。

Related MCP server: forkflux-mcp

现在已实现（都是实测过的）

能力

现状

接入智能体

一条命令行模板，或一个 MCP 地址；本机自动检测（小龙虾 / Claude Code / Codex / Hermes / OpenCode / Aider）可一键接入；接上后它会自报能力

智能体库

智能体是全局通用的：导入一次，多个工作区按需选用；角色（秘书/管理/HR/工人）在工作区里指定；需要更多窗口就派生一个（连接方式照抄）

三个开关

秘书模式 / AgentBus / HR，每个工作区独立；关掉 AgentBus 就是单 agent 直接干完，没有中间环节

秘书

由你接进来的某个成员扮演：跟你追问、把想法聊清楚，确认后把归纳好的目标发到工作群

管理（主代理）

只在 AgentBus 模式参与：按能力标签 + 智能程度 + 价格分挑人，选流程派活，并在群里说明为什么这么派

HR

按节拍打分（每 N 次任务，或你说「分析」）：硬性（耗时/上下文）、能力、智能程度（报错返工）、价格；报告进群

工作群

只给人看：AI 之间走总线，聊天记录不污染 AI 上下文；消息带头像/用户名/类型，按任务折叠，可切「只看人话/看全部」

跟单个智能体

可以直接对话（测试用），也可以下调整类干预（配色/风格/重做这一步）；改输出或改流程的请求会被拒绝

内置智能体

自带一个跑在本机的：执行命令行、读写文件、发群消息、调内部能力（看成员/进度/分数、派流程、让 HR 打分）。填个模型 API 就能用

编排内核

流程 = 一份 JSON 文档；积木（秘书/分发器/CC工人/Hermes会话/汇总/审批）一个文件一个；支持并行调度、重试、超时、输入瘦身、审批挂起与续跑、运行痕迹

自调优

读痕迹出改进建议（只建议，不自动改）

MCP 控制面

对外暴露 14 个工具，外部智能体（含 CC/Codex）能操控本系统，也能自我注册进来

界面

三栏 + 顶部标签；管理界面 5 页；多语言（中/英，语言包可插）；主题（浅/深/随系统）；附件上传；安全清空 / 恢复出厂

部署

一条 bash start.sh 起服务（自动装依赖）；数据全在 data/a2p2a.db，拷走即带走；package.sh 打发布包，publish.sh 建仓推送

还没做（诚实清单）

没做

说明

手机 APP

计划中

技能 / MCP 深度绑定

计划中

自动改架构

自调优目前只出建议，不改流程；流程编辑器（画布）已删掉，不做

聪明的内置角色

秘书/管理/HR 的"聪明程度"取决于你接进来的那个 agent；内置智能体是基础版

挑人规则

单 agent 模式目前只按「空闲 + 价格分」挑，标签匹配还在早期

多用户 / 权限

单机单人设计，没有账号体系

平台验证

只在 Linux/WSL 实测过；Windows 原生（非 WSL）环境未验证

和别的方案比，差别在哪

别人

a2p2a

要求你把 agent 用它的 SDK 重写一遍

不改你的 agent：一条命令或一个 MCP 地址就接进来

编排写成只有它能读的图 / 只有你懂的脚本

编排是 一份 JSON 流程文档，人和 AI 都能读写

AI 聊天记录当成 AI 的上下文，越跑越贵

群只给人看：AI 之间走总线，上下文干净

只能自己给自己派活

真的派活干活：能跑命令行、改文件、调工具，不等你点确认

装完是空壳，还得自己配模型、配 agent

自带一个本地智能体：填个模型 API 就能跑命令行；本机已有的 agent 一键接入

30 秒上手

装好 Node.js 就能一行跑（跟 deepseek-harness 一样的用法）：

npx a2p2a

它会自己找（或装）Python、建好依赖、起服务并打开浏览器 —— 前端已经预构建在包里，你不需要装 Node 之外的任何东西。 数据存在 ~/.a2p2a/，换版本、清缓存都不丢。

或者解压发布包双击启动（只用 Python，不需要 Node）：

哪个系统都能起（第一次自动装依赖，然后打开 http://localhost:8080 —— 前端已打包在里面，不需要 Node.js）：

系统

怎么起

缺 Python 时

Windows

双击 start.bat

自动装：优先 winget install Python.Python.3.12，没 winget 就下载官方安装器静默安装（装完重新双击一次）

macOS

双击 start.command

有 Homebrew 就 brew install python；否则弹 Xcode 命令行工具安装，或去 python.org 下安装包

Linux / WSL

bash start.sh

自动用 apt / dnf / pacman / zypper 装 python3 python3-venv（要 sudo 密码）

三个入口都是同一个跨平台启动器 start.py 的外壳：建 .venv 装后端依赖 → 起服务 → 自动开浏览器。 后端直接托管打包好的前端，所以普通用户只需要 Python，不需要 Node.js，也不需要 WSL。

  1. 左栏「内置智能体」→ 填模型线路（地址 / Key / 模型名）→ 启用（它就能跑命令行、读写文件、发群消息）

  2. 左栏「导入智能体」→ 点「本机检测到的」里任意一个（小龙虾 / Claude Code / Codex / Hermes / OpenCode）一键接入

  3. 「管理界面 → 分工表」→ 指定谁当秘书、谁当管理、谁当 HR

  4. 回「秘书」标签说一句需求，或直接在「主工作群」里下命令

目录里那个 data/ 是你的全部数据（工作区、成员、分数、记录）。拷走它就全带走了；删掉它就是全新一套。

三个开关（每个工作区独立）

开关

开

关

秘书模式

秘书跟你聊、追问，确认后把目标发到工作群

你直接面对工作群

AgentBus

管理智能体挑人派活（多 agent 编排）

单 agent 模式：一个成员直接干完

HR

按节拍（每 N 次任务 / 你说分析）打分复盘

不打分

参考文献

文档

给谁看

docs/dev/

开发者：架构 / 怎么写积木 / 流程格式 / 接口 / 接智能体 / 改动约定 / 路线图

docs/publish.md

发布流程（建仓推送、Release、topics）

docs/launch.md

宣传文案与发帖计划

三个规矩（这就是全部设计）

规矩

落点

文档即流程

一条流程 = flows/*.flow.json（节点 + 连线 + 位置），AI 和人都能读写

一个积木一个文件

blocks/*.py，继承 Block，只写 inputs/outputs/run()，导入即注册

痕迹落盘

每次运行写 trace/<run_id>.jsonl + state-<run_id>.json，这是自调优的燃料

用法

cd a2p2a

python run.py plan    flows/demo_offline.flow.json                 # 干跑：只看计划
python run.py run     flows/demo_offline.flow.json --input 用户消息="甲。乙"
python run.py run     flows/secretary_workers.flow.json --input 用户消息="…"   # 真干活（Claude Code）
python run.py approve trace/state-<run_id>.json --flow flows/approval_demo.flow.json --node 审批 --decision yes
python run.py evolve  flows/demo_offline.flow.json                 # 读痕迹，出改进建议

配置项（写在流程文档里，改了就有用）

配置

写在哪

作用

默认

max_parallel

流程顶层

同时最多跑几个节点（1 = 完全串行）

4

retry / retry_delay_s

节点 config

失败自动重试次数与间隔

0 / 2s

timeout_s

节点 config

runtime 层强制超时（积木自己死循环也拉得回来）

3600

max_input_chars

节点 config

给这个节点的单个文本输入设上限（超出截断并记痕迹）

6000

max_list_items

节点 config

列表输入的条数上限

8

max_output_chars

节点 config

产出进下游/痕迹前的截断上限

20000

auto_approve_low_risk

审批节点 config

低风险动作自动放行，只拦高风险

false

上下文纪律（工人的上下文很短）

手段

谁做

一次只发一条任务：清单 → 分发器(序号) → 各工人一条

blocks/dispatcher.py

输入自动瘦身：超长文本截断、超长列表截条数，并在痕迹里留 node_input_trimmed

runtime._trim_payload

产出自动截断：进下游和痕迹前按 max_output_chars 截

runtime._trim_outputs

痕迹只存摘要：每条事件里的内容截到 160 字，长正文留在产出里

runtime._brief

目录

路径

干什么

kernel/block.py

积木基类 + 注册表（借 Langflow 的 Component 设计）

kernel/flowdoc.py

流程文档：加载 / 校验 / 拓扑排序 / 装配输入

kernel/runtime.py

执行器：调度、状态、痕迹、审批挂起与续跑

kernel/evolve.py

自调优 v0：读痕迹出建议（只建议，不自动改）

blocks/

积木：秘书 / CC 工人 / 模拟工人 / 汇总 / 审批

flows/

流程文档：离线演示 / 真干活 / 审批闸门

trace/

运行痕迹与状态（自调优读这里）

evolve/

生成的改进建议

节点状态（统一词表）

idle → running → done / failed / waiting_approval / waiting_input / waiting_upstream

  • waiting_approval：要人点头 → 第 3 步把所有这类节点汇总起来，就是「集中审批收件箱」

  • waiting_input：缺必填输入

  • waiting_upstream：上游没跑完（含挂起），下游就等，不拿占位数据硬跑

自调优怎么长（v0 → vN）

v0 规则表在 kernel/evolve.py 的 analyze() 里，现在四条：反复失败 / 单节点太慢 / 反复等人 / 输入槽没接上。 往后每加一条规则就是加一个"看到这种痕迹就建议这么改"的映射；等你愿意让它自动改时，把 propose() 的输出直接喂给 AI 改 flows/*.json，再用 plan 干跑 + 回归样例把关即可。

参考与取舍

借来的

自己写的

积木抽象（inputs/outputs + 干活方法）

组织语义（秘书/工人/汇报）

流程文档结构（节点 + 连线 + 位置）

双通道（聊天与干活分开）

状态挂在节点上、实时可见

集中审批收件箱

循环/条件/工具的积木思路

按痕迹自调优

给别人用（发布版）

bash start.sh          # 起后端 :8080 + 前端 :5173（第一次会自动装前端依赖）
# 打开 http://localhost:5173

第一次用只有两步：

步骤

在哪做

填什么

1

左栏「导入智能体」

一条命令（或一个 MCP 地址），比如你自己的 claude -p …。接上后它会自报能力

2

「管理界面 → 分工表」

把接进来的成员指定角色：谁当秘书、谁当管理、谁当 HR（一个角色一个）

a2p2a 自己不配模型 —— 秘书 / 管理 / HR 都是用你接进来的成员在干活，它们用各自的接法。 所有数据都在 data/a2p2a.db 里：拷走它就带走了工作区、成员、分数和记录；删掉它就是全新的一套。

安全：左栏「设置 → 安全 / 清空」里可以「清空所有记录」或「恢复出厂」，都要先输入「删除」两个字。

目录

| 路径 | 干什么 |

This server cannot be deployed

Shareable, User-Owned Context BackendPeople, applications, and agents read, write, and coordinate together in one context lake. Reach it over MCP, a CLI, a Python SDK, or REST.fulcradynamics.comAd

Maintenance

ActivitySlowing
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers

  • forkflux-mcp

    forkflux
    A
    license
    Not graded
    quality
    A
    maintenance
    Connects AI assistants to a self-hosted workflow layer so they can create jobs, browse available work, claim tasks, update status, retrieve job details, share structured context, and record review or approval events through exposed tools and prompts.
    6
    Apache 2.0

  • MEAH (Multi External Agent

    sarveshkochhar
    A
    license
    A
    quality
    C
    maintenance
    Enables Claude to delegate bounded, isolated units of work to external LLMs such as Z.AI GLM or any OpenAI-compatible endpoint, running single or up to 16 concurrent workers in separate tool-less workspaces. Results come back through normalized MCP tools that list models, launch, poll, cancel, and clean up agents without exposing credentials or leaking worker output as instructions.
    8
    1
    MIT
  • Cohort MCP Server by topsoilcommons

    Cohort MCP Serverofficial

    topsoilcommons
    A
    license
    Not graded
    quality
    A
    maintenance
    Lets an external AI agent work inside shared project rooms as a genuine client, handling seven tools that list and fetch projects, read full room state (project, document, recent chat, presence), post chat messages, edit the shared document, create projects, and upvote. Every action happens under a visible agent handle over the same REST and WebSocket endpoints humans use, returning schema-declared structured content and machine-readable error codes so agents can plan multi-step work.
    6 npm
    MIT