# Round Table Workspace：本地优先的多智能体决策工作流框架 > 专为 Codex、Claude Code 等本地 CLI 智能体设计的圆桌讨论工作流，通过 /room 探索性讨论和 /debate 正式评审两种模式，实现从模糊问题探索到高 stakes 决策的完整流程管理。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-04-29T01:14:31.000Z - 最近活动: 2026-04-29T02:25:53.251Z - 热度: 160.8 - 关键词: Codex, Claude Code, 多智能体, 本地优先, 决策工作流, 圆桌讨论, AI 协作, 证据驱动, CLI 代理 - 页面链接: https://www.zingnex.cn/forum/thread/round-table-workspace - Canonical: https://www.zingnex.cn/forum/thread/round-table-workspace - Markdown 来源: ingested_event --- # Round Table Workspace：本地优先的多智能体决策工作流框架\n\n## 项目愿景：让 AI 代理像专家圆桌一样协作\n\n在 AI 编程助手日益普及的今天，我们面临一个新问题：当多个 AI 代理需要协同解决复杂问题时，如何确保它们的讨论是有序的、有深度的、可复现的？\n\n`round-table-workspace` 给出了一个独特的答案。它不追求云端的大规模并行计算，而是坚持"本地优先"（Local-first）哲学——你的讨论数据保存在本地，你的代理运行在本地，你拥有完全的控制权。这种设计理念与当前主流的云原生 AI 服务形成了鲜明对比。\n\n## 核心概念：从讨论到决策的完整生命周期\n\n项目围绕两个核心命令构建工作流，分别对应问题解决的不同阶段：\n\n### /room：探索性圆桌讨论\n\n当你面对一个模糊、复杂或充满不确定性的问题时，`/room` 命令启动一场多代理参与的探索性讨论。这不是简单的问答，而是一个结构化的思维碰撞过程：\n\n**讨论机制**：\n- **专家面板选择**：系统根据问题类型自动选择相关领域的"专家代理"组成讨论面板\n- **结构化轮次**：每个代理按顺序发言，避免混乱的交叉对话\n- **深度追问**：代理之间可以相互提问、补充、质疑，模拟真实的专家研讨\n- **焦点控制**：通过 `/focus` 命令随时调整讨论方向，聚焦关键议题\n\n**典型应用场景**：\n\n假设你正在考虑"开发一个面向大学生的 AI 学习产品"，但对市场定位、功能切口、潜在风险都缺乏清晰认识。启动 `/room` 后，系统可能组织产品策略师、技术架构师、教育专家、风险评估师等角色进行多轮讨论，逐步厘清问题的各个维度。\n\n### /debate：正式决策评审\n\n当探索阶段积累了足够的信息，需要做出关键决策时，`/debate` 命令将讨论升级为正式的评审流程：\n\n**评审特点**：\n- **高 stakes 环境**：适用于产品方向选择、技术架构决策、资源投入评估等重要决定\n- **对抗性论证**：代理们需要明确提出支持或反对的理由，而非仅仅表达观点\n- **决策输出**：最终给出明确的 allow（通过）、reject（否决）或 follow-up（需要补充调研）结论\n- **可追溯记录**：完整的评审过程被记录下来，便于后续复盘和审计\n\n**进阶用法**：\n\n可以通过 `--with` 参数引入特定视角的评审员，例如：`/debate --with Jobs,Taleb 这个创业方向值不值得做`，让系统模拟史蒂夫·乔布斯和纳西姆·塔勒布的思维方式参与评审。\n\n## 本地优先架构的技术实现\n\n项目的架构设计充分体现了"本地优先"的理念：\n\n### 数据主权\n\n- 所有讨论记录、评审报告、交接文档都保存在本地文件系统\n- 不依赖云端服务，无需担心数据隐私泄露\n- 支持 Git 版本控制，便于团队协作和变更追溯\n\n### 模块化运行时\n\n```\nround-table-workspace/\n├─ README.md\n├─ LAUNCH.md # 最简启动指南\n├─ AGENTS.md # 代理定义与行为规则\n├─ docs/ # 协议文档\n├─ prompts/ # 提示词模板\n├─ .codex/skills/ # Codex 技能定义\n├─ .claude/skills/ # Claude Code 适配层\n├─ reports/ # 生成的讨论报告\n└─ artifacts/ # 交接文档和中间产物\n```\n\n### 多平台适配策略\n\n项目采用适配器模式支持不同的本地代理主机：\n\n- **Codex**：原生支持 `/room` 和 `/debate` 命令\n- **Claude Code**：通过项目技能发现机制集成\n- **通用适配器**：为其他 CLI 代理提供标准化的调用契约\n\n值得注意的是，项目对支持声明采取了极其谨慎的态度。每个"支持"声明都需要配套的验证证据，避免了过度承诺。\n\n## 工作流转换：从 room 到 debate\n\n项目设计了一个优雅的流程转换机制。当 `/room` 中的讨论逐渐收敛，形成了足够清晰的决策需求时，可以通过 `/upgrade-to-debate` 命令将讨论上下文无缝迁移到评审流程：\n\n```\n/room 我想讨论一个面向大学生的 AI 学习产品，从方向、切口、风险一步步推进\n/focus 先只盯最小可验证切口\n/summary\n/upgrade-to-debate\n\n/debate 这个创业方向值不值得做\n```\n\n这种设计确保了知识不会在不同阶段之间丢失，同时也为决策提供了充分的背景信息。\n\n## 验证与证据驱动的开发文化\n\n项目文档中反复出现一个关键词："evidence"（证据）。这种文化体现在多个方面：\n\n### 发布就绪检查\n\n在声称支持某个主机或提供商之前，需要生成验证证据：\n\n```bash\npython3 .codex/skills/room-skill/runtime/live_lane_evidence_report.py \\\n --state-root /tmp/round-table-live-lane-evidence\n```\n\n### 回归测试\n\n针对 Codex 本地主线的回归测试：\n\n```bash\npython3 .codex/skills/room-skill/runtime/local_codex_regression.py \\\n --state-root /tmp/round-table-local-codex-regression\n```\n\n### 发布候选评审\n\n严格的发布门禁，包括夹具测试、Git 清洁度检查等：\n\n```bash\npython3 .codex/skills/room-skill/runtime/release_candidate_report.py \\\n --include-fixture-runs \\\n --strict-git-clean \\\n --state-root /tmp/round-table-release-candidate\n```\n\n这种证据驱动的文化确保了项目的可靠性声明都是可验证的，而非营销话术。\n\n## 快速启动指南\n\n对于想要尝试的开发者，项目的启动流程非常简洁：\n\n```bash\n# 克隆仓库\ngit clone https://github.com/MarkDonish/round-table-workspace.git\ncd round-table-workspace\n\n# 健康检查\n./rtw doctor\n\n# 快速预检\n./rtw doctor --quick\n\n# 启动探索性讨论\n./rtw room \"我想讨论一个面向大学生的 AI 学习产品，从方向、切口、风险一步步推进\"\n\n# 升级为正式评审\n./rtw debate \"这个创业方向值不值得做\"\n```\n\n## 与 Cursor Agent Workflow 的对比思考\n\n有趣的是，在相近的时间窗口内，我们看到了两个解决相似问题但采用不同路径的项目。`cursor-agent-workflow` 专注于 Cursor IDE 内的代码开发工作流，强调从需求到合并的端到端自动化；而 `round-table-workspace` 则聚焦于决策讨论过程，强调本地优先和证据驱动。\n\n这种分化恰恰反映了 AI 辅助工具正在经历的演进：从单一功能的增强，转向系统性工作流的重构。不同的工具选择不同的切入点，但最终目标都是让 AI 代理更好地服务于人类决策。\n\n## 适用场景与局限性\n\n**最适合的场景**：\n- 创业方向探索与评估\n- 技术架构选型决策\n- 产品功能优先级排序\n- 风险评估与缓解策略制定\n\n**当前局限**：\n- 需要本地 CLI 代理环境（Codex 或 Claude Code）\n- 部分功能仍处于 stub 阶段，等待完整运行时接入\n- 云服务商集成需要额外配置\n\n## 结语\n\n`round-table-workspace` 代表了一种值得关注的趋势：AI 工具正在从"回答问题"进化到"组织讨论"。它提醒我们，AI 的价值不仅在于生成答案，更在于帮助我们提出更好的问题，并通过结构化的讨论过程逼近真相。\n\n对于需要频繁做出复杂决策的团队来说，这种本地优先、证据驱动的多智能体协作框架，可能正是从"AI 辅助"迈向"AI 协作"的关键一步。