需让muse wonder多个智能体分工协作：coder负责代码生成，tester专攻单元测试，auditor执行安全扫描；须严格隔离工具权限、配置共享内存或事件驱动同步机制，并构建任务拆解—并行执行—结果整合的三阶段流转管道。
☞☞☞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☜☜☜
你需要让多个Muse Wonder智能体在同一个开发任务中分工协作，比如一个负责代码生成、一个专攻单元测试、一个做安全扫描，而不是靠单个模型硬扛全流程。
明确角色分工与能力边界
先在本地项目根目录新建agents/文件夹，按职能建三个子目录：coder、tester、auditor。每个子目录下必须包含config.yaml和tools.json——【缺任一文件会导致该智能体无法注册进协作链】。
在coder/config.yaml中将role设为primary_developer，allowed_tools只保留git_commit、file_write、code_linter三项；tester目录下则禁用git_commit，只开放run_tests和generate_test_cases。
这一步不能跳过：不同角色的工具权限必须物理隔离，否则会出现tester误删主分支或auditor擅自提交修复等越权行为。
配置跨智能体上下文同步机制
方法一：使用Active Memory共享池
在项目根目录创建shared_memory/，所有智能体启动时都挂载该路径为只读卷，并通过memory_key: "dev_cycle_v2"统一标识当前迭代周期。每次coder完成函数编写后，自动写入shared_memory/coder_output.json，内容含函数签名、依赖列表、已覆盖的业务路径。
方法二：事件驱动触发（推荐）
在coder/tools.json中添加自定义工具notify_tester，其trigger_on字段设为"file_write:src/**/*.py"。当coder写入新Python文件时，自动向tester发送含文件路径、行号范围、预期输入输出的JSON载荷。这比轮询共享目录更实时，且避免tester扫描未完成的临时文件。
构建三阶段任务流转管道
第一步：任务拆解由coder发起coder接收用户指令后，先调用plan_task工具生成task_plan.md，其中明确标注每个待实现函数的test_coverage_requirement（如"must include edge case for null input"）和security_tag（如"high_risk:crypto"）。
第二步：并行执行与状态注入tester读取task_plan.md后，调用generate_test_cases生成tests/test_*.py；auditor同步解析同一份计划，对标注security_tag的函数启动scan_sast工具。两者均将结果写入shared_memory/对应子目录，但【不直接修改源码或测试文件】——所有写操作必须经coder代理。
第三步：结果整合与冲突仲裁coder监听shared_memory/tester/output.json和shared_memory/auditor/issues.json，当两者均存在且时间戳晚于自身上次写入，则触发resolve_conflicts工具。该工具会优先采纳auditor提出的高危漏洞修复建议，对tester提出的覆盖率缺口则生成TODO: add test for X注释而非强制补全。
