mimo code 通过分层角色协同与动态优先级注入实现多 agent 任务决策：plan、build、compose agent 各司其职，结合环境感知重计算（eapu 风格）、记忆驱动锚定及 max mode 共识机制，使优先级实时、上下文敏感且跨会话连续。
☞☞☞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 在多 Agent 环境中并不依赖传统“中心化调度器”统一派发任务，而是通过分层角色协同 + 动态优先级注入实现任务决策。它不把“优先级”当作静态标签，而是让每个 Agent 在自身上下文和当前环境信号下，实时重算下一步动作的价值。
Build / Plan / Compose 三类主 Agent 各司其职
每种模式对应不同粒度的优先级逻辑：
- Plan Agent：负责宏观任务拆解与依赖建模。它评估“哪些子任务必须先完成”，生成带约束的 DAG（有向无环图），天然隐含执行顺序——前置节点自动获得更高调度优先级；
- Build Agent：聚焦单文件/单命令级执行。它结合当前 shell 状态、编译错误位置、测试失败行号等实时反馈，动态提升相关代码块的编辑优先级（例如：报错行附近 5 行内修改权重大幅上浮）；
- Compose Agent：协调多个子 Agent 并行工作（如同时运行 lint、test、build）。它不直接排序任务，而是根据各子 Agent 的完成信号与资源占用状态，动态调整其调用频次与上下文权重——空闲且低负载的子 Agent 更容易被选中承接高优任务。
环境感知型优先级重计算（EAPU 风格）
MiMo Code 将优先级更新嵌入每个 Agent 的推理循环中，参考 EAPU 思路但做了工程简化：
- 每次生成动作前，自动注入当前环境快照：CPU 负载、Git 差异大小、最近一次 test 结果、当前文件修改时间戳、终端输入延迟；
- 对任务类型打标（emergency / refactor / test / doc），不同类型绑定不同环境因子权重；
- 例如：emergency 类任务（如编译中断、CI 失败）会放大
risk_level和user_urgency因子；而 refactor 类则更看重code_age和edit_distance_to_last_commit。
记忆驱动的跨会话优先级锚定
借助 SQLite FTS5 持久记忆系统，MiMo Code 能延续“未完成高优任务”的语义连续性：
- 当用户中断一个长流程（如重构模块 A），系统将该任务的原始目标、已执行步骤、卡点原因存为带优先级标记的记忆项；
- 下次启动时，Plan Agent 会主动检索匹配度 >0.85 的历史任务，并将其初始 priority 设为 0.95（高于新任务默认值 0.7）；
- 这种机制避免了“每次重启都从头规划”，也防止关键路径任务在多轮交互中被稀释或遗忘。
Max Mode 下的优先级共识机制
在 Max Mode（多采样决策）中，优先级不是单次输出结果，而是 N 个候选动作的统计共识：
- 模型生成 5 个可能动作，每个附带内部评分（LLM 自评置信度 + 环境因子加权）；
- 系统不取最高分动作，而是统计各动作在“是否解决当前最急问题”维度上的投票比例；
- 若 4/5 的候选都指向同一行代码修复，则该动作的优先级被强化确认，即使其原始评分略低于另一选项。
