mimo code 采用嵌入式动态决策树自动调度agent：依据任务类型、上下文、记忆状态、模型能力与工具链实时匹配，结合/dream周期优化路径权重。

☞☞☞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 不靠人工指定谁干哪步，而是用一套嵌入式决策树自动判断任务该交给哪个 Agent 处理。这套逻辑不是静态规则表，而是结合当前上下文、工具可用性、记忆状态和模型能力动态生成的。

任务类型决定主干分支

系统收到输入后，第一层判断聚焦在“这是什么性质的任务”：

• 纯代码生成或补全 → 走 CodeAgent 主路径，启用 Compose 模式自动规划模块划分
• 涉及已有项目结构理解（如读取 go.mod、package.json）→ 触发 ProjectInsightAgent 先做拓扑扫描，再交由 CodeAgent 使用结构化上下文
• 需要联网查文档、检索 API 或验证兼容性 → 自动唤起 SearchAgent，并绑定超时与结果可信度阈值
• 用户明确说“重试”“换种实现”或连续三次失败 → 切换至 RefactorAgent，不重跑全流程，而是基于历史记忆定位失败点并局部修正

上下文长度与记忆状态影响子节点选择

当会话轮次超过 50 轮或当前窗口剩余 token 少于 12K 时，决策树会主动降级或分流：

Unified LLM Gateway - One API for 70+ AI models. Route to GPT, Claude, Gemini, Qwen, Deepseek, Grok and more

统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。

下载

• 主 Agent 继续执行核心逻辑，但所有中间产物（如伪代码草稿、测试用例草案）交由 MemorySubagent 独立归档，而非塞进主上下文
• 若检测到近期多次调用同一工具（如反复运行 go test），则触发 ToolOptimizationAgent 生成缓存策略或跳过冗余校验
• 当全局记忆中存在高度匹配的历史任务（相似技术栈+相似功能描述），直接激活 PatternReuseAgent，复用已验证的模块而非从头生成

模型能力与工具链实时对齐

MiMo Code 的 Harness 框架会在每次调度前检查当前绑定模型的特性支持情况：

• 若使用 MiMo-V2.5-Pro，可启用滑动窗口注意力处理百万 token 级项目摘要，允许 CodeAgent 直接读取整个 repo 做跨文件推理
• 若切换为 GLM-4 或 DeepSeek-V3，则自动禁用长程跨文件引用，转而依赖 ProjectInsightAgent 提供的精简符号图谱
• 语音输入触发时（通过 MiMo-V2.5-ASR），SpeechToIntentAgent 优先解析语义意图，并把模糊表述（如“让它更健壮”）映射为具体检查项（panic 处理、边界校验、context 超时设置）

/dream 周期重塑长期决策权重

每七天一次的 /dream 运行不只是整理记忆，还会更新决策树的隐式参数：

• 统计过去一周各 Agent 的成功率、平均耗时、用户显式反馈（如 “/undo”、“/approve”）
• 降低低效路径的触发概率（例如某次 SearchAgent 返回结果被连续忽略三次，后续同类请求默认降权）
• 强化高频成功组合（如 “React + Vite + TypeScript” 类任务中，ProjectInsightAgent → CodeAgent → TestAgent 的链路权重自动提升）