mimo code 的多 agent 协同作业通过角色分工、任务拆解、闭环校验、状态持久化与 spec-manager 配合，实现可追踪、可验证、可复盘的工程化开发流程。
☞☞☞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 协同作业不是简单地让多个 AI 同时干活，而是通过角色分工、任务拆解和闭环校验，把一次开发需求变成可追踪、可验证、可复盘的工程流程。
角色明确：每个 Agent 专注一件事
系统内置研究员、编码员、测试员、审查员等标准化角色，也可按项目需要自定义。比如“开发一个记账网页”任务中：
- 研究员负责收集需求细节、查文档、确认技术可行性
- 编码员基于设计稿生成 HTML/CSS/JS 和后端接口
- 测试员自动编写单元测试、启动本地服务并验证功能路径
- 审查员检查代码规范、安全风险、依赖版本兼容性
各角色不越界、不代劳，避免单个模型因能力偏科导致遗漏关键环节。
任务自动拆解：从一句话到可执行步骤
用户只需输入自然语言需求，Compose 模式会自动完成结构化分解：
- 识别核心目标（如“支持收支统计”→需数据存储+聚合计算）
- 划分阶段（前端界面、后端 API、数据库建模、图表渲染）
- 生成带依赖关系的子任务队列（先建表结构，再写接口，最后集成图表）
任务流支持暂停、回溯和人工干预——比如某步测试失败，系统会自动触发研究员重新查兼容性文档，而非盲目重试。
状态持久化：跨会话延续上下文
传统 Agent 在窗口关闭后记忆清零，而 MiMo Code 的持久记忆系统由独立 subagent 管理：
- 每次交互自动存档关键决策、代码变更点、测试结果
- 窗口快满时生成精简摘要，保留项目语义而非原始聊天记录
- /dream 命令每7天自动运行，合并冗余记忆、验证路径有效性、压缩历史状态
这意味着两周前开始的项目，重启后仍能准确理解“这个图表组件要对接新API，旧版本已弃用”这类隐含约束。
与 spec-manager 配合：让协同有流程可依
当团队协作或长期维护项目时，仅靠 Agent 协同不够，还需工程层约束：
- 强制分层写规格：L1（业务价值）、L2（技术方案）、L3（实现细节），AI 必须填完 L3 才能进入编码
- 每次任务生成唯一 spec ID，关联代码提交、测试报告和评审意见
- 多人协作时，不同开发者可基于同一份冻结规格触发各自 Agent，确保输出对齐
这解决了“AI 干得快但没人知道为什么这么干”的典型痛点，把协同从对话级提升到工程级。
