Network AI 是一个专为复杂多智能体工作流设计的本地 Python 编排工具，旨在通过轻量级但功能强大的机制实现任务分解、跨代理协调与敏感资源访问控制。该技能完全基于 Python 标准库构建，无需安装任何第三方依赖，所有核心逻辑均封装在 `scripts/` 目录下的六个独立脚本中。其核心设计围绕‘黑板’（Blackboard）系统展开——一个共享的持久化状态文件，支持 TTL 机制的键值存储，用于实时同步各智能体间的中间结果与状态标志。整个系统采用三层内存模型：第一层是平台管理的会话上下文，第二层是共享的黑板文件，第三层则是持久化的项目级上下文（`project-context.json`），确保长期目标与技术栈信息在所有代理间保持一致。特别值得注意的是，本技能本身不执行任何网络调用或模型推理，它仅负责预算检查、权限门控与流程协调；实际的 LLM 交互由宿主平台（如 OpenClaw）提供的 `sessions_send` 等内置接口完成。因此，在使用时需先运行本地的 `swarm_guard.py` 脚本来拦截并验证每一次跨代理的任务委派，只有在通过预算与权限审查后，才允许触发平台的网络请求。这种架构既保证了本地运行的隐私安全，又无缝集成了现有的大语言模型开发环境。
核心功能特点
- 零依赖纯 Python 实现，仅需 Python 3.8+，无需 pip install 或配置环境变量
- 基于共享黑板文件的实时多智能体协作，支持带 TTL 的读写操作与状态快照
- 内置预算管理系统，通过 token 配额防止无限递归调用与资源滥用
- 细粒度权限门控机制，对 DATABASE/PAYMENTS/EMAIL/FILE_EXPORT 等资源实施访问控制
- 自动化审计日志记录所有关键事件（授权、拒绝、验证），保障合规性与可追溯性
- 三层记忆模型：会话上下文、共享黑板、持久项目上下文，兼顾短期协作与长期知识沉淀
适用场景
Network AI 特别适合需要复杂任务拆解与多角色协同的场景。例如在企业级数据分析项目中，可将‘生成季度财报建议’这一大任务分解为三个子任务：由 data_analyst 提取原始数据并计算指标，risk_assessor 评估数据质量与合规风险，strategy_advisor 基于前两步结果提出优化策略。Orchestrator 作为中央调度者，依次调用 `intercept-handoff` 脚本检查预算与权限，确认无误后再通过宿主平台的 `sessions_send` 将具体指令发送给对应专家代理，最后汇总三方输出形成最终报告。另一个典型用例是自动化运维流程中的敏感操作审批：当某个代理需要访问数据库或导出文件时，必须首先提交包含明确业务理由的权限申请，经系统评估信任等级与风险后授予临时令牌，并在使用后自动记录至审计日志，有效防止误操作或越权行为。此外，该系统也适用于需要持续演进的项目管理场景，通过 `context_manager.py` 动态更新技术栈、里程碑与已否决方案，使每个参与代理始终掌握最新项目蓝图，避免重复造轮子或陷入已被排除的技术路径。无论是金融风控建模、产品路线图规划还是跨团队协作开发，只要涉及多个异构智能体的分工配合与资源共享，Network AI 都能提供一套安全可控的本地编排框架。