WeClaw Agent Hub：让多个 AI Agent 坐在同一张桌子前

当 Claude、Gemini、DeepSeek 各自在自己的对话框里"闭门造车"时，你有没有想过——如果它们能互相读到对方的输出，会碰撞出什么？

一个凌晨三点的灵光

2026年4月2日凌晨，微信群里正在进行一场关于"AI代理是否会替代人类决策"的辩论。正方是 Claude，从哲学角度论证人工智能代理的必然性；反方是 DeepSeek，从技术可行性和伦理风险出发逐一反驳。最后由 PS Agent 担任裁判，给出评分和总结。

这不是一场预先编排好的 Demo。Claude 不知道 DeepSeek 说了什么，DeepSeek 也没看过 Claude 的论点——直到裁判读到了两方的完整论述并给出公正评判。

这一切的背后，是一个刚刚上线几个小时的新功能：WeClaw Agent Hub。

什么是 WeClaw Agent Hub

WeClaw 是一个用 Go 语言编写的微信 AI Agent 桥接服务。它的核心能力很简单：你在微信里发消息，WeClaw 把消息转发给你指定的 AI Agent（Claude、Gemini、DeepSeek 等），再把 Agent 的回复转发回微信。

但这里有一个根本性的限制：每个 Agent 的对话是完全隔离的。Claude 看不到你和 Gemini 聊了什么，DeepSeek 不知道 Claude 上一轮给出了什么建议。每个 Agent 都活在自己的信息茧房里。

Agent Hub 就是为了打破这堵墙而生的。

它的核心思路极其朴素——用一个共享文件夹做黑板。Agent A 在黑板上写下自己的分析，Agent B 走过来读一遍，然后写出自己的反驳。没有复杂的数据库，没有分布式锁，没有 RPC 调用。就是文件系统，人类最古老的共享方式。

微信 ←→ WeClaw  
            │  
            ├── Claude（隔离会话）  
            ├── Gemini（隔离会话）  
            ├── DeepSeek（隔离会话）  
            │  
            └── Agent Hub（共享黑板）  
                  │  
                  └── ~/.weclaw/hub/shared/

两个指令，无限可能

Hub 只引入了两个核心指令，但组合起来能衍生出非常丰富的协作模式。

`/save` — 说完话，把结果钉在黑板上

/save round1.md 从哲学角度分析AI代理是否会替代人类决策

这条指令做两件事：把"从哲学角度分析AI代理是否会替代人类决策"发给当前 Agent，然后把 Agent 的完整回复保存到 Hub 共享目录下的 round1.md 文件中。

也可以指定特定的 Agent：

/save round1.md @claude 从哲学角度分析AI代理是否会替代人类决策

`/hub` — 走到黑板前，读一读别人写了什么

/hub round1.md 从技术可行性和实用主义角度反驳以上观点

这条指令先把 round1.md 的内容注入到消息前面，然后连同你的指令一起发给 Agent。Agent 看到的实际上是：

=== Agent Hub Shared Context ===  
  
--- round1.md ---  
---  
agent: claude  
timestamp: 2026-04-02T01:30:00+08:00  
---  
  
# Claude 的哲学分析  
[Claude 的完整回复内容]  
  
=== End Hub Context ===  
  
从技术可行性和实用主义角度反驳以上观点

这样 Agent 就能基于前文的完整上下文给出有针对性的回应，而不是凭空讨论。

当然，你也可以不指定文件名，直接 /hub 你的指令，它会注入所有共享文件。或者用 /hub ls 查看共享目录里有什么文件，用 /hub clear 一键清空。

设计哲学：简单到近乎固执

在实现 Agent Hub 的过程中，有几个关键的设计决策值得展开说说。

文件系统 > 数据库

为什么不把共享数据存进 SQLite、Redis 或者 PostgreSQL？因为 Hub 的核心场景是人类可读的、结构松散的文本共享。Markdown 文件可以被任何文本编辑器打开，可以用 cat 命令直接查看，可以用 Git 追踪变更历史，甚至可以手动编辑。数据库固然强大，但在"几个 Agent 之间传递几段文字"这个场景下，它引入的复杂度远大于收益。

Markdown + YAML Frontmatter

每个保存到 Hub 的文件都自动加上 YAML 头信息：

---  
agent: claude  
timestamp: 2026-04-02T01:30:00+08:00  
---

这段元数据记录了这段内容由哪个 Agent 在什么时间产出。未来可以扩展更多字段（session ID、标签、轮次编号等），但核心结构永远是人类可读的 Markdown。

Opt-in 而非 Opt-out

Hub 的所有操作都是通过显式指令触发的。Agent 的默认会话不会被 Hub 内容污染。你必须在消息中主动使用 /hub 或 /save，上下文才会流动。这是一个刻意的边界选择——隔离是默认态，共享是需要主动申请的特权。

会话隔离

当使用 Hub 相关指令时，WeClaw 会自动切换到独立的会话 ID（使用 hub: 前缀），确保 Hub 协作过程中不会带入 Agent 在普通会话中的历史上下文，避免对话被之前的讨论带偏。

玩法合集：Hub 的十二种打开方式

基础能力就位了，有意思的其实是上层的工作流。以下是一些已经验证或值得尝试的玩法。

1. 多 Agent 辩论赛

这是最经典的用法，也是 Hub 诞生的直接原因。

/save round1.md @claude AI代理应该替代人类做高风险决策  
@deepseek /hub round1.md 从安全工程角度反驳  
/save round2.md @deepseek 从安全工程角度反驳  
@claude /hub round2.md 回应安全派的反驳  
@ps /hub 请评判双方论点

每个 Agent 基于自己擅长的领域（哲学、技术、安全、伦理）给出不同角度的分析，最终由另一个 Agent 做裁判。结果往往出乎意料——AI 的辩论质量比大多数人预想的要高。

2. 接力创作

写长文时的经典痛点是"开头激情澎湃，中间渐入佳境，结尾草草了事"。接力创作让不同 Agent 负责不同阶段：

/save outline.md 写一个关于量子计算科普文章的大纲  
@gemini /hub outline.md 基于大纲扩写完整文章，3000字  
/save article.md @gemini 基于大纲扩写完整文章，3000字  
@claude /hub article.md 作为编辑，审查文章逻辑和表达  
/save final.md @claude 根据编辑意见修改文章  
@deepseek /hub final.md 用简单通俗的语言重写，面向中学生

Claude 擅长逻辑审查，Gemini 擅长扩写生成，DeepSeek 擅长简化表达——让每个 Agent 做自己最擅长的事。

3. 多视角技术评审

当你有一个技术方案需要评审时，可以同时从多个角度审视：

/save proposal.md 详细描述你的技术方案  
@claude /hub proposal.md 从架构设计和可维护性角度评审  
@deepseek /hub proposal.md 从性能和安全角度评审  
@gemini /hub proposal.md 从用户体验和实现成本角度评审  
/hub 综合三方评审意见，给出最终建议

4. 红蓝对抗

安全领域经典方法，让一个 Agent 扮演攻击者，另一个扮演防御者：

/save threat_model.md @claude 作为安全专家，分析这个系统的攻击面  
@deepseek /hub threat_model.md 作为系统设计师，针对每个威胁给出防御方案  
/save defenses.md @deepseek 针对每个威胁给出防御方案  
@claude /hub defenses.md 评估这些防御方案的绕过可能性

5. 角色扮演式头脑风暴

让不同 Agent 扮演不同的利益相关者，进行模拟讨论：

/save requirements.md 产品需求文档  
@claude /hub requirements.md 你是技术负责人，评估实现难度  
@gemini /hub requirements.md 你是产品经理，权衡优先级  
@deepseek /hub requirements.md 你是用户代表，表达真实诉求  
/hub 综合三方观点，给出折中方案

6. 翻译+审校流水线

需要高质量翻译时，让一个 Agent 翻译，另一个审校：

/save original.md 放入需要翻译的英文原文  
@deepseek /hub original.md 翻译为中文，保持专业术语准确  
/save translation.md @deepseek 翻译为中文  
@claude /hub translation.md 审校翻译质量，修正表达不当之处

7. 知识蒸馏

让一个能力强但成本高的 Agent（如 Claude）生成高质量内容，再让一个轻量 Agent 总结提炼：

/save research.md @claude 深入研究并撰写关于XX主题的详细报告  
@deepseek /hub research.md 将以上报告提炼为500字的执行摘要

8. 追问式深度分析

对一个复杂问题进行逐层深入：

/save layer1.md 分析XX问题的表面现象  
@claude /hub layer1.md 基于表面现象，深入分析根本原因  
/save layer2.md @claude 分析根本原因  
@deepseek /hub layer2.md 从数据角度验证这些根本原因  
/save layer3.md @deepseek 数据验证  
@claude /hub layer3.md 提出可执行的解决方案

9. Prompt 工程

让 Agent A 写 Prompt，Agent B 测试效果：

/save prompt_v1.md @claude 设计一个用于代码审查的Prompt  
@deepseek /hub prompt_v1.md 使用这个Prompt审查以下代码：[代码]  
@claude /hub 根据审查结果优化Prompt

10. 决策辅助矩阵

面对多个选项时，让不同 Agent 从不同维度打分：

/save options.md 列出所有可选方案  
@claude /hub options.md 从技术可行性打分(1-10)  
@deepseek /hub options.md 从成本效益比打分(1-10)  
@gemini /hub options.md 从市场前景打分(1-10)  
/hub 汇总打分，给出加权推荐

11. 故事接龙

纯属好玩的创意玩法：

/save chapter1.md @claude 写一个科幻故事的开头，设定世界观  
@gemini /hub chapter1.md 接着写第二章，引入冲突  
/save chapter2.md @gemini 接着写第二章  
@deepseek /hub chapter2.md 写第三章，走向高潮  
/save chapter3.md @deepseek 写第三章  
@claude /hub chapter3.md 写最终章，收束所有伏笔

12. 自动化日报/周报

结合定时任务，让 Hub 成为每日信息聚合的中枢：

/save morning_brief.md @claude 总结今天需要关注的技术新闻  
@deepseek /hub morning_brief.md 基于这些新闻，分析对我们项目的影响  
/save daily_report.md @deepseek 影响分析  
@claude /hub daily_report.md 生成本日技术日报

技术实现细节

如果你对底层实现感兴趣，这里有一些技术层面的信息。

核心代码

Hub 的核心实现只有约 200 行 Go 代码，定义在 hub/hub.go 中。主要提供这些能力：

Save / SaveRaw：写入共享文件（带/不带 YAML frontmatter）
ReadFile / ReadAll / ReadSpecific：读取共享文件
List / Clear / Exists：管理共享文件
BuildPrompt：将 Hub 上下文注入到 Agent 提示词中
sanitizeFilename：安全处理文件名，防止路径遍历攻击

路由层集成

在 messaging/handler.go 中，Hub 指令的集成经历了几次迭代。一个比较有意思的技术细节是 @agent /hub 的路由处理——当用户发送 @claude /hub round1.md ... 时，WeClaw 需要先识别出 @claude 前缀（确定目标 Agent），再识别出 /hub 命令（进入 Hub 处理逻辑），最后把指定文件的内容注入到发给 Claude 的消息中。

这涉及到 parseCommand 函数的一个边界情况：当解析循环遇到内置命令 token 时需要保留原始文本，而不是截断丢弃。一个三行的修复解决了这个问题。

存储位置

所有共享文件存储在 ~/.weclaw/hub/shared/ 目录下。这个位置的选择考虑了：

使用 ~/.weclaw/ 前缀保持与 WeClaw 配置的一致性
hub/shared/ 子目录让用户可以直观地找到和管理共享内容
文件系统级别的访问权限控制天然生效

测试覆盖

Hub 包有 12 个单元测试，加上消息处理层的 19 个测试、Agent 层的 4 个测试和配置层的 2 个测试，全量通过。对于一个凌晨两点开始、三点完成的功能来说，这个质量水平还算令人满意。

未来展望

Agent Hub 目前的状态是 Phase 1——文件黑板。但这只是起点。

Phase 2 会引入自动保存和模板系统。比如你可以定义一个辩论模板，Hub 自动按模板的结构组织每轮发言，保存时自动标注轮次和角色。

Phase 3 会支持管道模式。/hub pipe claude → gemini → deepseek，一条指令让多个 Agent 依次处理，自动在每一步之间传递上下文。这就从"手动接力"进化到了"自动化流水线"。

更远的未来，可能会引入 Hub 的事件机制——当一个 Agent 把结果写入 Hub 时，自动通知下一个 Agent 开始工作。不过这些还都是构想，目前重要的是把 Phase 1 用好。

写在最后

Agent Hub 解决的不是一个技术难题，而是一个体验痛点。

在过去，如果你想让多个 AI Agent 协作，你需要手动复制粘贴对话内容——从 Claude 的回复里复制关键段落，贴到 Gemini 的对话框里，等 Gemini 回复后再复制到 DeepSeek 里。这个过程繁琐、容易遗漏、而且完全没有结构。

Hub 的本质就是把这个手动过程自动化了。它不是什么革命性的技术突破，但它让"多 Agent 协作"从"理论上可行"变成了"实际上好用"。

有时候，最好的工具不是那个功能最强大的，而是那个让你不再需要思考"怎么用"的。

Agent Hub 就是这样的工具——两个指令，一块黑板，无限可能。

WeClaw 是开源项目，欢迎在 GitHub 上关注：fastclaw-ai/weclaw

WeClaw Agent Hub：让多个 AI Agent 坐在同一张桌子前

WeClaw Agent Hub：让多个 AI Agent 坐在同一张桌子前

一个凌晨三点的灵光

什么是 WeClaw Agent Hub

两个指令，无限可能

/save — 说完话，把结果钉在黑板上

/hub — 走到黑板前，读一读别人写了什么

设计哲学：简单到近乎固执

文件系统 > 数据库

Markdown + YAML Frontmatter

Opt-in 而非 Opt-out

会话隔离

玩法合集：Hub 的十二种打开方式

1. 多 Agent 辩论赛

2. 接力创作

3. 多视角技术评审

4. 红蓝对抗

5. 角色扮演式头脑风暴

6. 翻译+审校流水线

7. 知识蒸馏

8. 追问式深度分析

9. Prompt 工程

10. 决策辅助矩阵

11. 故事接龙

12. 自动化日报/周报

技术实现细节

核心代码

路由层集成

存储位置

测试覆盖

未来展望

写在最后

`/save` — 说完话，把结果钉在黑板上

`/hub` — 走到黑板前，读一读别人写了什么