MAW：面向Codex原生环境的多智能体工作流框架

一款专为Codex设计的多智能体协作框架，通过角色分工、确定性验证门控和可审计的运行记录，实现从任务规划到验收交付的全流程自动化。支持ML工作流、前端任务和通用软件开发场景。

• 原作者/维护者：redstonejh
• 来源平台：GitHub
• 原始标题：multi-agent-workflow-codex
• 原始链接：https://github.com/redstonejh/multi-agent-workflow-codex
• 发布时间：2026年6月3日

MAW的设计哲学非常清晰：让模型负责规划和批判，让确定性检查负责决策。具体来说：

• 模型判断用于规划：智能体可以基于模型能力进行任务分解、方案设计和代码生成
• 记录证据用于决策：关键的通过/不通过决策必须依赖已记录的证据和标准库检查，而非模型的主观判断
• 可审计的运行记录：每个运行都有完整的runs/文件夹，包含所有交接文档、决策依据和最终产物

这种设计平衡了AI的创造性和工程的可控性，既发挥了多智能体协作的优势，又确保了交付质量的可靠性。

最简单的启动方式是直接在Codex中调用：

Use $maw to fix the failing test in this repo.

# 安装
python -m pip install -e .

# 启动标准软件任务
maw start standard-software-task "add a --verbose flag to the CLI"

# 验证交接文档
maw validate-handoffs runs/<run_id>

# 运行验收检查
maw acceptance runs/<run_id> --test-cmd "python -m unittest discover -s tests"

Windows用户可以使用py或uv run python替代python命令。

maw ml-auto data.csv --goal "predict churn"

这条命令会自动完成数据画像、目标推断、模型训练、验证配置生成、验收检查等全流程。如果目标或问题类型不明确，会记录NEEDS-HUMAN并给出针对性问题，而非盲目猜测。

MAW的执行核心由五个角色组成：

conductor -> planner -> worker -> critic -> acceptance_gate

负责任务分类、角色选择、能力边界记录和结构化计划编写。Conductor生成的计划需要通过plan_check.py的确定性验证才能进入执行阶段。