mimo code的多agent模式以“逻辑自我修正”为核心，采用orchestrator-worker架构实现闭环验证、debate式辩论审查、持久记忆锚定与max mode并行推理，全面提升代码生成的鲁棒性与一致性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
MiMo Code 的多 Agent 模式不是简单堆叠多个模型，而是围绕“逻辑自我修正”这一核心目标构建的协作系统。它不靠单个模型硬扛全部任务，而是让不同角色各司其职，在交互中暴露问题、识别偏差、触发重试——这种机制比静态提示词或后处理校验更贴近真实开发者的纠错节奏。
指挥官-工人架构支撑闭环修正
MiMo Code 采用 Orchestrator-Worker 编排模式，其中 SKILL.md 定义的 Orchestrator 是逻辑自检的发起者。它不直接生成代码，而是在每个子任务完成后主动验证输出是否满足预设约束（如函数签名一致性、测试用例通过率、依赖声明完整性）。一旦验证失败，不是跳过或报错，而是将原始需求、失败证据、上下文快照一并打包，重新调度 @coder 或引入 @reviewer 进行针对性重写。
- Orchestrator 负责定义“什么算正确”，而非“怎么写正确”
- 每个 Worker 执行后必须返回结构化结果（含执行日志、断言状态、副作用清单）
- 失败不终止流程，而是触发带上下文回溯的子任务重分配
并行审查 + 对话式辩论强化逻辑一致性
当涉及复杂逻辑（如状态机设计、并发控制、边界条件处理），MiMo Code 启动 Debate 模式：@coder 输出初稿后，@reviewer 和 @validator 同时介入。前者基于规则检查（如空指针、资源泄漏），后者基于运行时模拟推演（如输入组合覆盖、异常路径可达性）。两者结论不一致时，自动开启自然语言辩论——不是简单投票，而是交换推理链、引用文档片段、复现失败场景，直到达成共识或由 Orchestrator 升级为人工介入点。
- 审查不是单向打分，而是双向质询：@reviewer 可要求 @coder 补充变量生命周期说明
- 辩论过程全程记录，成为后续同类任务的归因知识源
- 共识结果会反哺 Orchestrator 的任务拆解策略（例如下次遇到类似状态管理需求，自动插入前置建模步骤）
持久记忆驱动的跨轮次逻辑锚定
单次会话中的自我修正容易陷入局部优化。MiMo Code 借助 SQLite FTS5 实现的持久记忆层，把每次修正行为转化为可检索的“逻辑锚点”：比如某次因未处理时区转换导致测试失败，该案例会被索引为“datetime-handling → timezone-awareness → test-case-failure”。当下次任务涉及时间操作，Orchestrator 在拆解阶段就主动注入约束：“必须显式声明时区上下文”，并关联历史修复方案。
- 记忆不是存日志，而是存“问题-推理-动作-验证”四元组
- FTS5 支持语义模糊匹配，能识别新任务与旧问题的逻辑相似性
- 修正经验不只用于当前任务，还动态更新 Worker 的能力画像（如 @coder 在时区场景下的可信度下调）
Max Mode 并行推理加速修正收敛
MiMo Code 的 Max Mode 不是单纯提速，而是为修正过程提供冗余路径。面对高风险决策（如重构核心模块），Orchestrator 会同时派发三套等价但路径不同的实现方案给不同 @coder 实例：一个走函数式风格，一个走面向对象封装，一个走最小变更原则。三者并行执行、独立验证，最终由 @comparator 对比结果一致性、性能差异、可维护性指标，并输出修正建议报告——这相当于用工程冗余换取逻辑鲁棒性。
- 并行不是浪费算力，而是制造可控的多样性
- 对比维度可配置（默认包含测试覆盖率、圈复杂度、API 兼容性）
- 若三路结果全部失败，系统自动降级为“分步验证+人工确认”模式
