mimo code通过dynamic workflow实现任务驱动的动态调度，支持parallel()按需启停子agent、max mode横向扩维提质量，并依托四层记忆与mcp/a2a协议实现跨任务协同和外部能力集成。
☞☞☞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☜☜☜
用 MiMo Code 设计支持动态调度的 Agent 协作架构，关键不是预设固定数量，而是构建“任务驱动、按需启停、能力感知”的运行机制。它的核心能力已内置在 Dynamic Workflow 和 Max Mode 等设计中，无需从零造轮子。
基于 Dynamic Workflow 实现任务级并行调度
MiMo Code 的 parallel() 原语是动态调度的起点。它不绑定具体 Agent 数量，而是根据当前任务复杂度自动决定并行工作单元规模——可以是 3 个，也可以是 50 个。
- 子任务由主 Agent 动态生成 JavaScript 脚本描述，例如：
await parallel([agent({prompt:"写接口"}), agent({prompt:"补测试"}), agent({prompt:"做安全扫描"})]) - 每个子 Agent 在隔离沙箱中独立执行，失败不影响整体流程，也支持重试或降级策略
- 实际并行数受系统资源（内存、模型并发限制）和任务画像（代码行数、依赖深度）共同约束，而非硬编码
用 Max Mode 提升单轮决策质量与调度弹性
当某个子任务需要更高可靠性时，可启用 Max Mode：并行生成多个候选方案（默认 5 个），再由裁判模型选出最优解。这本质是一种“横向扩维”调度，用计算换质量。
- 适用于关键路径任务（如核心模块实现、安全策略生成）
- 调度逻辑由主 Agent 根据任务优先级、历史成功率、成本阈值等信号动态触发
- 虽增加 token 消耗（约 4~5 倍），但能显著提升 SWE-Bench Pro 完成率（+10~20%）
依托四层记忆体系支撑跨任务状态协同
动态调度的前提是上下文不丢失、知识可复用。MiMo Code 的记忆分层设计让不同 Agent 能共享必要信息，避免重复推理。
- Session 记忆：保存当前会话完整状态（11 个结构化字段），供同一流程内所有子 Agent 实时读取
- Project 记忆（MEMORY.md）：记录架构决策、技术约束、用户规则，子 Agent 启动时自动注入上下文
- Global 记忆：跨项目保存用户偏好（如默认语言、风格规范），影响调度倾向（例如偏爱 TypeScript 子 Agent）
- History 轨迹（SQLite）：完整记录每条消息和工具调用，用于事后分析调度瓶颈或优化子任务拆解策略
结合 MCP 与 A2A 协议打通外部协作能力
纯内部调度有边界，真实场景常需调用数据库、CI/CD、Git 或第三方 API。MiMo Code 通过标准化协议实现混合调度：
- MCP（Model Context Protocol）：统一工具接入规范，让任意子 Agent 都能安全调用 Shell、Git、SQL 等能力
- A2A（Agent2Agent Protocol）：基于 JSON-RPC 的异步委托机制，支持主 Agent 将子任务“委派”给外部服务型 Agent（如部署 Agent、测试 Agent）
- 调度器可根据响应延迟、成功率、成本标签（如 GPT-4 vs GLM-4v）动态选择本地执行 or 远程委托
