mimo code 的多 agent 系统以“上下文自感知”为核心，通过角色分工、权限隔离与四层记忆协同实现长程任务稳定协作：planner 拆解任务，coder 生成代码，reviewer 验证逻辑，writer 独占记忆写入；依赖 opencode 工作流引擎编排执行，并支持语音指令驱动全自动分工。
☞☞☞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 系统不是简单堆叠多个 AI 模型，而是围绕“上下文自感知”构建的协作体——每个 Agent 有明确角色、固定记忆接口、受限操作权限，并在统一运行时中动态协同。它解决的不是“能不能调用多个模型”，而是“如何让多个模型在长程任务中不互相干扰、不覆盖共识、不丢失上下文”。
Agent 分工基于职责隔离而非功能重复
系统内 Agent 不是同构复制，而是按工程环节切分：Planner 负责任务拆解与依赖排序，Coder 专注代码生成与语法合规，Reviewer 执行静态检查与逻辑验证，Writer 独立承担记忆提取与结构化存档。关键设计在于权限收束——Writer 是唯一能写入 memory/ 目录的 Agent，其他 Agent 只读；Planner 可修改 task_tree.json，但不能触碰 notes.md；Coder 输出必须经 Reviewer 验证后才允许写入 src/。这种硬性隔离避免了“谁改了哪段记忆”的冲突。
上下文自感知靠四层记忆协同实现
所谓“自感知”，指 Agent 在每轮输入前自动加载与其当前任务强相关的上下文片段，而非被动接收全部历史。MiMo Code 实现该能力依赖四层记忆结构：
- 会话级记忆（notes.md）：仅限当前 session 的临时标注，如“用户强调要兼容 IE11”，由主 Agent 自主维护
- 结构化 checkpoint（memory/ 下 JSON 文件）：Writer 每次触发 Cycle 时生成，含 intent、task_tree、design_decision 等 11 个字段，供 Planner 和 Reviewer 精准读取
- 项目级记忆（.mimo/project.json）：记录 Git 仓库结构、依赖版本、CI 配置等静态信息，跨 session 持久存在
- 经验蒸馏库（distill/）：长期运行后，系统自动将高频修复模式、常见报错路径提炼为可复用规则，供新任务预加载
协同调度依赖 OpenCode 的工作流引擎
多 Agent 并非自由对话，而是通过 OpenCode 提供的 workflow.yaml 定义执行图。例如一个“添加登录页”任务，会被自动编排为：
- Planner 解析需求 → 输出 task_tree.json
- Writer 提取关键约束 → 更新 memory/checkpoint_001.json
- Coder 基于 task_tree + checkpoint_001 → 生成 login.tsx 和 login.test.ts
- Reviewer 加载 project.json 中的 ESLint 规则 → 执行 lint + jest 检查
- 若失败，自动触发 Planner 的回溯分支，不重启整个流程
所有节点共享同一 context registry，但各自只订阅所需字段，避免上下文膨胀。
语音输入与自然语言指令直接驱动 Agent 编排
用户说“把用户头像上传逻辑改成阿里云 OSS”，语音识别模块将其转为结构化指令后，Planner 会立即检索 project.json 中的现有存储配置，比对 OSS SDK 版本，并触发 Writer 提取历史上传模块的错误日志（来自 distill/ 或 memory/）。整个过程无需人工拆解“先改 config、再写 adapter、最后测回调”，Agent 团队自行协商分工并同步状态。
