Crew — AI Skill Loader

用 Markdown + YAML 定义专业技能，通过 MCP 加载到 AI IDE
Define professional AI skills in Markdown + YAML, load into Claude Code / Cursor via MCP

快速开始 · 工作原理 · MCP 集成 · CLI · 内置技能 · 自定义技能 · 流水线 · 服务器模式 · 讨论会 · 持久化记忆 · 评估闭环 · Skills 互通 · knowlyr-id · 头像生成 · 生态

Crew 不是又一个 Agent 框架。 它是 AI IDE 的"人才市场"—— 每个"数字员工"是一个目录或 Markdown 文件，通过 MCP 协议加载为可复用的专业技能。 AI IDE 自己决定怎么执行，Crew 只负责定义"谁做什么"。

快速开始 / Quick Start

pip install knowlyr-crew[mcp]

# 列出所有可用技能
knowlyr-crew list

# 运行代码审查（支持触发词 review）
knowlyr-crew run code-reviewer main
knowlyr-crew run review main --arg focus=security

# 智能上下文：自动检测项目类型并注入适配提示
knowlyr-crew run test-engineer src/auth.py --smart-context

# 或配置 MCP 后由 AI IDE 自动调用（见下方）

工作原理 / How It Works

graph LR
    E["员工定义<br/>(目录 / Markdown)<br/>角色 + 工作流 + 参数 + 工具"] -->|MCP Prompts| S["MCP Server<br/>stdio / SSE / HTTP"]
    E -->|MCP Resources| S
    E -->|MCP Tools| S
    S -->|stdio| IDE["本地 AI IDE"]
    S -->|SSE / HTTP| Remote["远程客户端"]
    IDE -->|--agent-id| ID["knowlyr-id<br/>Agent Identity"]
    Remote -->|Bearer token| S
    ID --> E

Crew 通过 MCP 协议暴露三种原语：

MCP 原语	作用	数量
Prompts	每个员工 = 一个可调用的 prompt 模板，带类型化参数	1 per employee
Resources	原始 Markdown 定义，AI IDE 可直接读取	1 per employee
Tools	列出/查看/运行员工、讨论会、流水线、记忆、评估、日志、项目检测、会议历史	15

15 个 MCP Tools 详情

Tool	Description
`list_employees`	列出所有员工（可按 tag 过滤）
`get_employee`	获取完整员工定义
`run_employee`	生成可执行 prompt
`get_work_log`	查看员工工作日志
`detect_project`	检测项目类型、框架、包管理器
`list_pipelines`	列出所有流水线
`run_pipeline`	执行流水线
`list_discussions`	列出所有讨论会
`run_discussion`	生成讨论会 prompt（支持预定义/即席/编排模式）
`add_memory`	为员工添加一条持久化记忆
`query_memory`	查询员工的持久化记忆
`track_decision`	记录一个待评估的决策
`evaluate_decision`	评估决策并将经验写入员工记忆
`list_meeting_history`	查看讨论会历史记录
`get_meeting_detail`	获取某次讨论会的完整记录

MCP 集成 / MCP Integration

stdio 模式（本地 AI IDE）

将以下内容添加到 MCP 配置文件：

{
  "mcpServers": {
    "crew": {
      "command": "knowlyr-crew",
      "args": ["mcp"]
    }
  }
}

Claude Desktop: claude_desktop_config.json · Claude Code: .mcp.json

SSE / HTTP 模式（远程部署）

支持三种传输协议，SSE 和 Streamable HTTP 适合部署到服务器供远程客户端连接：

# stdio（默认，本地 AI IDE 用）
knowlyr-crew mcp

# SSE（Claude Desktop / Cursor 远程连接）
knowlyr-crew mcp -t sse --host 0.0.0.0 --port 9000

# Streamable HTTP（MCP 最新规范）
knowlyr-crew mcp -t http --host 0.0.0.0 --port 9001

# 启用 Bearer token 认证（推荐生产环境使用）
knowlyr-crew mcp -t sse --port 9000 --api-token YOUR_SECRET
# 或通过环境变量
KNOWLYR_CREW_API_TOKEN=YOUR_SECRET knowlyr-crew mcp -t sse --port 9000

SSE/HTTP 模式自带 /health 端点（免认证），返回版本、员工数量和运行时间：

curl http://127.0.0.1:9000/health
# {"status":"ok","version":"0.1.1","employees":6,"uptime_seconds":42}

配置后 AI IDE 可直接：

调用 code-reviewer prompt 审查代码
调用 test-engineer prompt 编写测试
读取员工定义了解能力范围
使用 run_employee tool 动态生成 prompt
运行 run_pipeline 串联多员工流水线
运行 run_discussion 发起多员工讨论（支持编排模式）
使用 add_memory / query_memory 积累和查询员工经验
使用 track_decision / evaluate_decision 追踪和评估决策

pip install knowlyr-crew[mcp]

服务端特性

部署为 HTTP/SSE 服务时，内置以下生产级特性：

特性	说明
Bearer 认证	`--api-token` 或 `KNOWLYR_CREW_API_TOKEN`，未设置则免认证（开发模式）
健康检查	`/health` 端点免认证，返回版本、员工数量、运行时间
CORS 跨域	`--cors-origin` 或 `CREW_CORS_ORIGINS`，支持多 origin，OPTIONS 预检免认证
SSE 流式	`/run/employee` 支持 `stream: true`，返回 `text/event-stream` 实时 token 输出
任务持久化	任务记录自动写入 `.crew/tasks.jsonl`，重启恢复，超限自动压缩
身份透传	`agent_id` 参数自动从 knowlyr-id 获取 Agent 身份，注入 prompt
TTL 缓存	员工发现和项目检测结果缓存 30s，避免每请求重扫文件系统
请求日志	每次 tool 调用自动记录日志，异常自动捕获并返回错误响应
并发安全	JSONL read-modify-write 操作加 `fcntl.flock` 文件锁，SQLite 启用 WAL 模式

CLI 使用 / CLI Usage

pip install knowlyr-crew

# ── 核心命令 ──
knowlyr-crew list                                     # 列出所有员工
knowlyr-crew list --tag security --layer project      # 按 tag / 层过滤
knowlyr-crew list -f json                             # JSON 输出
knowlyr-crew show <name>                              # 查看员工详情
knowlyr-crew run <name> [ARGS...] [OPTIONS]           # 生成 prompt

# ── run 选项 ──
knowlyr-crew run review main --arg focus=security     # 触发词 + 命名参数
knowlyr-crew run code-reviewer main --smart-context   # 自动检测项目上下文
knowlyr-crew run code-reviewer main --agent-id 3050   # 绑定 knowlyr-id 身份
knowlyr-crew run code-reviewer main --copy            # 复制到剪贴板
knowlyr-crew run code-reviewer main -o review.md      # 输出到文件
knowlyr-crew run code-reviewer main --raw             # 原始渲染（无包装）

# ── 项目初始化 ──
knowlyr-crew init                                     # 初始化 .crew/ 目录
knowlyr-crew init --employee my-skill                 # 创建单文件员工模板
knowlyr-crew init --employee my-skill --dir-format    # 创建目录格式员工模板
knowlyr-crew validate .crew/                          # 校验员工定义
# ── 模板与经验库 ──
knowlyr-crew template list                            # 查看内置 + 自定义模板
knowlyr-crew template apply advanced-employee \
  --employee security-auditor --var "tags=['security']"  # 渲染模板

# ── Skills 互通 ──
knowlyr-crew export <name>                            # 导出为 SKILL.md
knowlyr-crew export-all                               # 导出全部
knowlyr-crew sync [--clean]                           # 同步到 .claude/skills/

# ── 讨论会 ──
knowlyr-crew discuss list                             # 列出讨论会
knowlyr-crew discuss show <name>                      # 查看详情
knowlyr-crew discuss run <name> [--arg key=val]       # 运行讨论
knowlyr-crew discuss run <name> --orchestrated        # 编排模式（每人独立推理）
knowlyr-crew discuss adhoc -e "员工1,员工2" -t "议题"  # 即席讨论（免 YAML）
knowlyr-crew discuss adhoc -e "员工" -t "议题"         # 1v1 会议
knowlyr-crew discuss history [-n 20] [--keyword ...]  # 会议历史
knowlyr-crew discuss view <meeting_id>                # 查看历史会议

# ── 持久化记忆 ──
knowlyr-crew memory list                              # 列出有记忆的员工
knowlyr-crew memory show <employee> [--category ...]  # 查看员工记忆
knowlyr-crew memory add <employee> <category> <text>  # 添加记忆
knowlyr-crew memory correct <employee> <old_id> <text> # 纠正旧记忆

# ── 评估闭环 ──
knowlyr-crew eval track <employee> <category> <text>  # 记录决策
knowlyr-crew eval list [--employee NAME] [--status pending] # 列出决策
knowlyr-crew eval run <decision_id> <actual_outcome>  # 评估决策
knowlyr-crew eval prompt <decision_id>                # 生成评估 prompt

# ── 流水线 ──
knowlyr-crew pipeline list                            # 列出流水线
knowlyr-crew pipeline show <name>                     # 查看详情
knowlyr-crew pipeline run <name> [--arg key=val]      # 运行流水线
knowlyr-crew pipeline run <name> --execute            # Execute 模式（调用 LLM）
knowlyr-crew pipeline run <name> --execute --model claude-opus-4-6

# ── 工作日志 ──
knowlyr-crew log list [--employee NAME] [-n 20]       # 查看日志（severity/links）
knowlyr-crew log show <session_id>                    # 查看会话详情

# ── 质量雷达 ──
knowlyr-crew check --json                             # 会输出 lint + 日志质量摘要
knowlyr-crew check --output-file report.json          # 写入 JSON 报告（默认为 .crew/quality-report.json）

# ── 头像生成 ──
knowlyr-crew avatar <name>                             # 为员工生成头像（通义万相）

# ── Agent 管理 ──
knowlyr-crew register <name> [--dry-run]               # 注册员工到 knowlyr-id
knowlyr-crew agents list                               # 列出已注册 Agent
knowlyr-crew agents status <id> [--heartbeat]          # 查看 Agent 状态
knowlyr-crew agents sync <name>                        # 同步单个员工到 knowlyr-id
knowlyr-crew agents sync-all [--dir DIR]               # 批量双向同步所有员工
knowlyr-crew agents sync-all --dry-run                 # 预览同步操作
knowlyr-crew agents sync-all --push-only               # 仅推送（不拉取）
knowlyr-crew agents sync-all --pull-only               # 仅拉取（不推送）
knowlyr-crew agents sync-all --force                   # 强制推送（忽略缓存）

# ── Webhook + Cron 服务器 ──
knowlyr-crew serve --port 8765 --token SECRET         # 启动 Webhook + Cron 服务器
knowlyr-crew serve --port 8765 --no-cron              # 仅 Webhook，禁用 Cron

# ── MCP 服务 ──
knowlyr-crew mcp                                      # 启动 MCP Server（stdio）
knowlyr-crew mcp -t sse --port 9000                   # SSE 传输（远程连接）
knowlyr-crew mcp -t http --port 9001                  # Streamable HTTP 传输
knowlyr-crew mcp -t sse --api-token SECRET            # 启用 Bearer 认证

内置技能 / Builtin Skills

6 个通用数字员工，各有专业工作流：

ID	显示名	触发词	用途
`product-manager`	Product Manager	`pm`, `product`	需求分析、用户故事、优先级排序、路线图、竞品分析
`code-reviewer`	Code Reviewer	`review`, `cr`	代码审查：质量、安全性、性能、风格
`test-engineer`	Test Engineer	`test`, `tests`	编写或补充单元测试
`refactor-guide`	Refactor Guide	`refactor`	分析代码结构，提出重构建议
`doc-writer`	Doc Writer	`doc`, `docs`	生成或更新文档（README、API、注释、CHANGELOG）
`pr-creator`	PR Creator	`pr`, `pull-request`	分析变更，创建规范的 Pull Request
`employee-generator`	员工生成器	`gen-employee`, `scaffold`	将高层需求转化为 EMPLOYEE.md 草稿

所有内置员工默认使用 claude-opus-4-6 模型，可在 private/employees/ 中放置同名员工进行覆盖。

自定义技能 / Custom Skills

发现优先级

优先级	位置	说明
最高	`private/employees/<name>/` 或 `private/employees/*.md`	仓库内的自定义员工（目录或单文件）
中	`.claude/skills/<name>/SKILL.md`	Claude Code Skills 兼容层
低	包内置	默认员工

目录格式与单文件格式可共存，同名时目录优先
高优先级会覆盖低优先级的同名员工

创建自定义技能

knowlyr-crew init                                         # 初始化 private/employees/
knowlyr-crew init --employee security-auditor             # 单文件模板
knowlyr-crew init --employee security-auditor --dir-format # 目录格式模板
knowlyr-crew validate private/employees/                  # 校验定义
knowlyr-crew lint .crew/pipelines                        # Lint 流水线 YAML
knowlyr-crew check --json                                 # Lint + 日志质量检查
knowlyr-crew catalog list --format json                 # 查看员工 Catalog 元数据
knowlyr-crew catalog show product-manager --json        # 查看指定员工详情
knowlyr-crew lint .crew/discussions                     # 使用 schemas/*.json 验证讨论会 YAML

> **命名建议**：生成目录格式员工后，请将文件夹命名为 `character_name-agent_id`（未注册的 Agent 用 `0000`），并在 `employee.yaml` 中填入 `character_name` 与 `agent_id`。运行 `bash private/install.sh` 时会自动同步到 `.crew/global/`，确保本地与 knowlyr-id 一致。

模板与经验库

除基础 init 外，可利用模板系统快速复用成熟骨架：

命令	说明
`knowlyr-crew template list`	查看所有模板（内置 / `.crew/global/templates/`〔可由 `KNOWLYR_CREW_GLOBAL_DIR` 指定〕/ `private/templates/`），项目模板会覆盖同名内置
`knowlyr-crew template apply advanced-employee --employee foo`	使用占位符渲染“高级员工”模板，自动写入 `private/employees/foo.md`
`knowlyr-crew template apply meta-prompt -o prompt.md --var name=安全审计师`	生成参数化 Meta Prompt，交给 Claude/Cursor 填写

内置模板位于 src/crew/builtin_templates/，包含“高级员工骨架”和“员工生成 Meta Prompt”。
在 .crew/templates/ 放置 Markdown 模板即可被自动发现，支持打造团队经验库。
模板语法为 {{var}}，可通过 --var key=value 或 --employee 自动填充常用字段。
私有目录推荐使用 character_name-agent_id 的命名方式（未注册时可用 0000 占位），private/install.sh 会自动根据 employee.yaml 内的 character_name/agent_id 同步到 .crew/global/。

自动化生成

employee-generator 是内置的“员工生成器”员工，输入角色定位、参数需求、输出规范即可生成完整 EMPLOYEE.md：

knowlyr-crew run employee-generator "安全审计师" \
  --arg capabilities="合规检查\n威胁建模" \
  --arg parameters="target(required): 被审计系统; depth(optional, default=轻量): 深度" \
  --arg output_expectation="Markdown, 输出风险矩阵 + 行动项" \
  --arg context_hints="README.md, {project_type}, {framework}"

生成的结果可直接保存为 private/employees/<name>.md，或结合模板系统继续加工，构建“需求 → 模板 → 上线”的自动化流程。

能力提升方法论

为了让一组数字员工真正成为“协作团队”，推荐遵循以下流程：

标准化角色：每个员工必须补齐 summary/context/tools/args，Prompt 中包含“输入参数 + 工作流程 + 输出要求”，并声明需要的上下文（例如 pyproject.toml、README.md、{project_type}）。
协作编排：通过 .crew/pipelines/ 与 .crew/discussions/ 将多角色串联（如安全→性能→DevOps、需求→API→PR），配合 LaneLock/Sessions 自动记录执行轨迹。
记忆与评估闭环：默认开启 SessionRecorder，使用 SessionMemoryWriter 写入 .crew/memory/，并用 knowlyr-crew eval track/run 跟踪关键决策，再将复盘结果同步到 knowlyr-id（agents sync/status）。
私有资源命名：private/employees/ 与 .crew/global/ 目录统一使用 character_name-agent_id（无 ID 用 0000），private/install.sh 会自动根据 employee.yaml 更新，保证本地与 knowlyr-id 一一对应。
模板/Init 复用：在 .crew/templates/ 维护团队模板，新员工通过 knowlyr-crew init --dir-format 或模板生成后，立即运行 bash private/install.sh 安装到 global 层。

该闭环可确保所有输出都可追溯、协作有序，远端 knowlyr-id 的记忆与本地同步，让数字员工持续进化。

运行时沉淀工具

scripts/ 目录包含几类实用脚本，方便在真实运行时管理记忆与评估：

脚本	用法
`python scripts/session_digest.py -n 5`	查看最近 N 次会话/流水线/讨论的简要摘要，便于手动复盘
`python scripts/memory_cleanup.py [--dry-run]`	对 `.crew/memory/*.jsonl` 去重，保留最新的独特经验，保持记忆干净
`python scripts/eval_reminder.py [--max-age-hours 24]`	读取 `.crew/evaluations/decisions.jsonl`，提醒仍处于 `pending` 状态的决策，督促尽快 `eval run`

与 SessionRecorder、SessionMemoryWriter 和 knowlyr-crew eval track/run 搭配，可形成“生成 → 记录 → 复盘”的日常沉淀流程。

SDK 调用

在 python 项目或 knowlyr-ID 中可直接使用 crew.sdk：

from crew import sdk

text = sdk.generate_prompt_by_name(
    "product-manager", args={"target": "ai-roadmap"}, smart_context=True,
)
print(text)

sdk.list_employees() 可返回所有员工对象，sdk.generate_prompt() 则接受 Employee 实例，方便批量生成 prompt 或在 ID 服务中直接调用。

目录格式（推荐）

配置与提示词分离，支持工作流拆分和自动版本管理：

security-auditor/
├── employee.yaml    # 配置（元数据、参数、工具、输出）
├── prompt.md        # 主提示词（角色定义 + 核心指令）
├── workflows/       # 可选：按 scope 拆分的工作流
│   ├── scan.md
│   └── report.md
└── adaptors/        # 可选：按项目类型适配
    ├── python.md
    └── nodejs.md

employee.yaml:

name: security-auditor
display_name: Security Auditor
character_name: Alex Morgan      # 可选，讨论会中的人设名
summary: 安全审计专家...           # 可选，讨论会摘要模式使用
version: "1.0"
description: 审计安全漏洞
model: claude-opus-4-6           # 可选，推荐使用的模型
tags: [security, audit]
triggers: [audit, sec]
tools: [file_read, bash, grep]
context: [pyproject.toml, src/]
args:
  - name: target
    description: 审计目标
    required: true
  - name: severity
    description: 最低严重等级
    default: medium
output:
  format: markdown               # markdown / json / text
  filename: "audit-{date}.md"
  dir: ".crew/logs"

prompt.md + workflows/*.md + adaptors/*.md 按字母序拼接为完整提示词。

自动版本管理：可写层（global、project）的目录格式员工自动跟踪内容哈希，当提示词文件变更时 patch 版本自动递增（如 1.0 → 1.0.1）。

单文件格式

适合简单员工，单个 .md 文件包含 YAML frontmatter + Markdown 正文：

---
name: security-auditor
display_name: Security Auditor
character_name: Alex Morgan
summary: 安全审计专家...
version: "1.0"
description: 审计安全漏洞
model: claude-opus-4-6
tags: [security, audit]
triggers: [audit, sec]
tools: [file_read, bash, grep]
context: [pyproject.toml, src/]
args:
  - name: target
    description: 审计目标
    required: true
  - name: severity
    description: 最低严重等级
    default: medium
output:
  format: markdown
  filename: "audit-{date}.md"
---

正文为自然语言指令，支持变量替换。

变量替换 / Variable Substitution

Prompt 正文支持以下变量：

变量	说明
`$target`, `$severity`	命名参数值
`$1`, `$2`	位置参数
`$ARGUMENTS`, `$@`	所有参数拼接
`{date}`	当前日期（YYYY-MM-DD）
`{datetime}`	当前日期时间
`{cwd}`	当前工作目录
`{git_branch}`	当前 Git 分支
`{name}`	员工名称
`{project_type}`	项目类型（python / nodejs / go / rust）
`{framework}`	框架（fastapi / react / express...）
`{test_framework}`	测试框架（pytest / jest / vitest...）
`{package_manager}`	包管理器（uv / npm / cargo...）

tools 和 context 是声明式提示，由 AI IDE 自行决定如何使用。

智能上下文 / Smart Context

--smart-context 自动检测项目类型并注入适配信息（无需子进程调用）：

检测项	示例
项目类型	python, nodejs, go, rust, java
框架	fastapi, django, flask, express, react, vue, nextjs
包管理器	uv, pip, poetry, npm, yarn, pnpm, cargo, maven
测试框架	pytest, unittest, jest, vitest, mocha, go test
Lint 工具	ruff, black, mypy, eslint, prettier, golangci-lint
关键文件	pyproject.toml, package.json, go.mod, Cargo.toml

流水线 / Pipelines

多个员工按顺序/并行串联执行，支持步骤间输出传递和 LLM 自动执行：

knowlyr-crew pipeline list
knowlyr-crew pipeline run review-test-pr --arg target=main

# Execute 模式：自动调用 LLM 串联执行（多模型支持）
knowlyr-crew pipeline run full-review --arg target=main --execute
knowlyr-crew pipeline run full-review --arg target=main --execute --model claude-opus-4-6
knowlyr-crew pipeline run full-review --arg target=main --execute --model gpt-4o
knowlyr-crew pipeline run full-review --arg target=main --execute --model deepseek-chat

内置流水线

名称	步骤	用途
`review-test-pr`	code-reviewer → test-engineer → pr-creator	审查 + 测试 + 创建 PR
`full-review`	code-reviewer → refactor-guide → test-engineer	完整代码审查

YAML 格式

name: review-test-pr
description: 审查代码、补充测试、创建 PR
steps:
  - employee: code-reviewer
    id: review                              # 可选，用于输出引用
    args:
      target: $target
  - parallel:                               # 并行执行
    - employee: test-engineer
      id: test
      args:
        target: $target
    - employee: refactor-guide
      id: refactor
      args:
        target: $target
  - employee: pr-creator
    args:
      review: "{steps.review.output}"       # 按 ID 引用
      context: "{prev}"                     # 引用上一步输出

输出引用

步骤之间可以传递输出，前一步的 LLM 结果作为后续步骤的输入：

语法	含义
`{prev}`	上一步输出（并行组 = 所有子步骤输出合并）
`{steps.<id>.output}`	按步骤 ID 引用
`{steps.<N>.output}`	按 flat index (0-based) 引用

执行模式

模式	说明
Prompt-only（默认）	生成各步骤 prompt，占位符保留原样，由调用方填充
Execute（`--execute`）	自动调用 LLM API 串联执行，输出传递实际生效（支持多模型）

并行组在 Execute 模式下使用 asyncio.gather 并发执行，Prompt 模式下顺序生成。

多模型支持

Execute 模式支持三家 LLM 提供商，根据模型名前缀自动检测：

提供商	模型前缀	环境变量	安装
Anthropic	`claude-*`	`ANTHROPIC_API_KEY`	`pip install knowlyr-crew[execute]`
OpenAI	`gpt-`, `o1-`, `o3-`, `o4-`, `chatgpt-*`	`OPENAI_API_KEY`	`pip install knowlyr-crew[openai]`
DeepSeek	`deepseek-*`	`DEEPSEEK_API_KEY`	`pip install knowlyr-crew[openai]`

DeepSeek 使用 OpenAI 兼容 API，共用 openai 依赖，无需额外安装。

员工定义中的 model 字段直接决定使用哪个提供商：

# employee.yaml
model: gpt-4o          # → 自动使用 OpenAI
model: deepseek-chat   # → 自动使用 DeepSeek
model: claude-opus-4-6 # → 自动使用 Anthropic（默认）

发现路径：builtin < project (.crew/pipelines/)

服务器模式 / Server Mode

Crew 可作为 HTTP 服务器运行，接收外部事件并自动触发 pipeline / 员工执行：

pip install knowlyr-crew[webhook]

# 启动服务器（Webhook + Cron 一体化）
knowlyr-crew serve --port 8765 --token YOUR_SECRET

# 启用 CORS（前端跨域调用）
knowlyr-crew serve --port 8765 --token YOUR_SECRET \
  --cors-origin https://antgather.knowlyr.com \
  --cors-origin http://localhost:3000
# 或通过环境变量
CREW_CORS_ORIGINS=https://antgather.knowlyr.com,http://localhost:3000 knowlyr-crew serve

# 禁用 cron 调度
knowlyr-crew serve --port 8765 --token YOUR_SECRET --no-cron

架构总览

graph TB
    subgraph "外部事件源"
        GH["GitHub<br/>push / PR"]
        OC["OpenClaw<br/>消息事件"]
        API["REST API<br/>直接调用"]
        CRON["Cron 调度器<br/>定时触发"]
    end

    subgraph "Crew Server (knowlyr-crew serve)"
        WH["Webhook Router<br/>签名验证 + 事件路由"]
        TR["Task Registry<br/>任务追踪"]
        EX["执行引擎"]
    end

    subgraph "执行目标"
        PL["Pipeline Engine<br/>多步骤编排"]
        EM["Employee Engine<br/>单员工执行"]
        LLM["Multi-LLM<br/>Anthropic / OpenAI / DeepSeek"]
    end

    GH -->|X-Hub-Signature-256| WH
    OC -->|Bearer token| WH
    API -->|Bearer token| WH
    CRON -->|内部触发| TR

    WH --> TR
    TR --> EX
    EX --> PL
    EX --> EM
    PL --> LLM
    EM --> LLM

API 端点

路径	方法	认证	说明
`/health`	GET	无	健康检查
`/webhook/github`	POST	GitHub signature	GitHub webhook，按配置路由到 pipeline/员工
`/webhook/openclaw`	POST	Bearer	OpenClaw 消息事件
`/webhook`	POST	Bearer	通用 JSON webhook
`/run/pipeline/{name}`	POST	Bearer	直接触发 pipeline
`/run/employee/{name}`	POST	Bearer	直接触发员工（支持 SSE 流式）
`/tasks/{task_id}`	GET	Bearer	查询任务状态和结果
`/cron/status`	GET	Bearer	查询 cron 调度器状态

所有执行端点支持三种模式：

异步模式（默认）：立即返回 task_id（HTTP 202），后台执行，通过 /tasks/{task_id} 轮询结果
同步模式（"sync": true）：等待执行完成后返回结果
SSE 流式（/run/employee + "stream": true）：返回 text/event-stream，实时输出 token

Webhook 配置

.crew/webhook.yaml 定义事件路由规则：

github_secret: "whsec_xxx"
routes:
  - event: "pull_request"
    target:
      type: pipeline
      name: full-review
      args:
        target: "{{pull_request.head.ref}}"   # 从 payload 解析
  - event: "push"
    target:
      type: employee
      name: code-reviewer
      args:
        target: "{{ref}}"

GitHub webhook 使用 HMAC-SHA256 签名验证，{{dotted.path}} 语法从 JSON payload 中提取参数。

Cron 调度

.crew/cron.yaml 定义定时任务：

schedules:
  - name: daily-review
    cron: "0 9 * * *"                         # 每天 9:00
    target_type: pipeline
    target_name: full-review
    args:
      target: main
  - name: weekly-summary
    cron: "0 0 * * 0"                         # 每周日 0:00
    target_type: employee
    target_name: doc-writer
    args:
      scope: weekly

Cron 调度器随 serve 命令自动启动，使用 croniter 解析 cron 表达式，每个任务独立 asyncio 后台协程。通过 /cron/status 可查询各任务的下次触发时间。

讨论会 / Discussions

多名数字员工围绕议题进行多轮结构化讨论，也支持 1v1 会议和即席讨论：

# 预定义讨论会
knowlyr-crew discuss list
knowlyr-crew discuss run architecture-review --arg target=auth.py

# 即席讨论（无需 YAML）
knowlyr-crew discuss adhoc -e "code-reviewer,test-engineer" -t "auth 模块质量"
knowlyr-crew discuss adhoc -e "hr-manager" -t "招聘方案"           # 1v1 会议

# 会议历史
knowlyr-crew discuss history
knowlyr-crew discuss view 20260212_143052

内置讨论会

名称	参与者	轮次	用途
`architecture-review`	4	3	多角色架构评审
`feature-design`	4	3 (custom)	从需求到方案的功能设计
`full-review`	6	3 (custom)	全员评审：round-robin → challenge → response

YAML 格式

name: my-review
topic: Review $target design
goal: Produce improvement decisions
mode: auto                                  # auto / discussion / meeting
background_mode: auto                       # full / summary / minimal / auto
participants:
  - employee: product-manager
    role: moderator                         # moderator / speaker / recorder
    focus: 需求完整性
  - employee: code-reviewer
    role: speaker
    focus: 安全性
rules:                                      # 可选，默认提供 6 条规则
  - Every participant must speak each round
  - Encourage constructive disagreement
round_template: adversarial                 # 可选，使用预定义轮次模板
rounds:                                     # int（自动生成）或 list（自定义）
  - name: Initial Assessment
    instruction: Each role gives initial evaluation
    interaction: round-robin                # free / round-robin / challenge / response
  - name: Cross-Challenge                   #   / brainstorm / vote / debate
    instruction: Challenge each other's conclusions
    interaction: challenge
  - name: Response
    interaction: response
  - name: Decision
    instruction: Summarize action items
output_format: decision                     # decision / transcript / summary
output:                                     # 可选，自动保存
  filename: "{date}-$target.md"
  dir: ~/Desktop/meetings

核心特性

特性	说明
编排模式	`--orchestrated` 为每位参会者生成独立 prompt，消除单推理回声室效应
预研轮次	有工具或 `research_instructions` 的员工自动获得 round 0，先用工具收集真实数据再发言
持久化记忆	讨论 prompt 自动注入员工历史经验，发言基于真实积累而非临时编造
1v1 会议	单个参与者自动切换为会话式 prompt，无多轮结构
即席讨论	CLI `discuss adhoc` 或 MCP `run_discussion(employees=..., topic=...)` 免 YAML
会议记录	自动保存到 `.crew/meetings/`，`discuss history` 查看历史
互动模式	`free` / `round-robin` / `challenge` / `response` / `brainstorm` / `vote` / `debate`
轮次模板	`standard` / `brainstorm-to-decision` / `adversarial`，`round_template` 字段一键展开
background_mode	`auto` 按参与人数自动选择上下文深度（≤3 full，4-6 summary，>6 minimal）
character_name	员工定义 `character_name` 时，讨论中显示人设名（如 `林锐·Code Reviewer`）
三层发现	`builtin < global (.crew/global/discussions/，可由 KNOWLYR_CREW_GLOBAL_DIR 指定) < project (.crew/discussions/)`

持久化记忆 / Persistent Memory

每个员工拥有独立的经验记忆库，跨会话积累——不再每次从零开始：

# 添加记忆
knowlyr-crew memory add code-reviewer finding "main.css 有 2057 行，超出维护阈值"
knowlyr-crew memory add code-reviewer decision "建议按模块拆分 CSS"

# 查看记忆
knowlyr-crew memory list                          # 列出有记忆的员工
knowlyr-crew memory show code-reviewer            # 查看全部记忆
knowlyr-crew memory show code-reviewer --category finding  # 按类别过滤

# 纠正旧记忆
knowlyr-crew memory correct code-reviewer <old_id> "CSS 拆分实际花了 5 天"

工作机制

特性	说明
自动注入	`run_employee` 和讨论会 prompt 自动包含该员工的历史记忆
四种类别	`decision`（决策）、`estimate`（估算）、`finding`（发现）、`correction`（纠正）
置信度	每条记忆带 `confidence` 权重，查询时可按最低置信度过滤
纠正机制	`correct` 命令标记旧记忆为 superseded，创建新 correction 条目
MCP Tools	`add_memory` / `query_memory`，AI IDE 可在工作中自主积累经验

存储路径：.crew/memory/{employee_name}.jsonl

评估闭环 / Evaluation Loop

追踪决策质量，回溯评估后自动将经验教训写入员工记忆——形成"决策→执行→复盘→改进"闭环：

# 记录决策
knowlyr-crew eval track pm estimate "CSS 拆分需要 2 天" \
  --expected "2 天完成" --meeting-id M001

# 查看待评估决策
knowlyr-crew eval list --status pending

# 评估（实际结果 + 结论自动写入员工记忆）
knowlyr-crew eval run <decision_id> "实际花了 5 天" \
  --evaluation "低估了跨模块依赖的复杂度，未来类似任务 ×2.5"

# 生成评估 prompt（交给 AI 分析偏差原因）
knowlyr-crew eval prompt <decision_id>

工作机制

特性	说明
三种决策类别	`estimate`（估算）、`recommendation`（建议）、`commitment`（承诺）
自动回写	评估结论自动作为 `correction` 类型写入该员工的持久化记忆
评估 prompt	`eval prompt` 生成结构化回溯分析模板，输出偏差描述、原因分析、经验教训
MCP Tools	`track_decision` / `evaluate_decision`，支持 AI IDE 在会议中自动提取和追踪决策

存储路径：.crew/evaluations/decisions.jsonl

Skills 互通 / Interoperability

与 Claude Code 原生 Skills 双向转换：

Crew 格式	SKILL.md 格式	转换方式
`tools: [file_read, git]`	`allowed-tools: Read Bash(git:*)`	自动映射
`args`（类型化、必填）	`argument-hint: <target> [mode]`	`<>` = 必填，`[]` = 可选
`$target`, `$focus`	`$0`, `$1`	位置变量转换
`display_name`, `tags` 等	HTML 注释	元数据往返保持

knowlyr-crew export code-reviewer      # → .claude/skills/code-reviewer/SKILL.md
knowlyr-crew export-all                # 导出全部
knowlyr-crew sync --clean              # 同步 + 清理孤立目录

.claude/skills/<name>/SKILL.md 会被自动发现，参与四层优先级合并。

knowlyr-id 协作 / Integration

与 knowlyr-id 协作——id 管身份，Crew 管技能：

knowlyr-crew run code-reviewer main --agent-id 3050
    │
    ├─ 1. 发现技能定义
    ├─ 2. 从 knowlyr-id 获取 Agent 3050 的身份信息
    │      → nickname, title, domains, memory
    ├─ 3. 生成 prompt（注入 agent 身份）
    ├─ 4. 发送心跳到 knowlyr-id
    └─ 5. 输出 prompt

export KNOWLYR_ID_URL=https://id.knowlyr.com
export AGENT_API_TOKEN=your-token
pip install knowlyr-crew[id]

不带 --agent-id 时行为完全一致，knowlyr-id 连接是可选的。

双向同步 / Bidirectional Sync

agents sync-all 命令实现本地员工目录与 knowlyr-id 之间的批量双向同步：

# 批量同步所有员工（默认扫描 .crew/global/）
knowlyr-crew agents sync-all

# 指定目录 + 预览
knowlyr-crew agents sync-all --dir private/employees/ --dry-run

# 仅推送本地变更到 id
knowlyr-crew agents sync-all --push-only --force

Push（本地 → id）：

元数据：character_name → nickname, display_name → title, bio → bio, description → capabilities, tags → domains
渲染后的完整 prompt → system_prompt（包含角色前言、变量替换、记忆注入）
avatar.webp → avatar_base64
新员工（无 agent_id）自动注册，agent_id 回写到 employee.yaml
本地已删除的员工 → 远端设为 inactive

Pull（id → 本地）：

运行时积累的 memory → memory-id.md（保留对话中学到的经验）
model / temperature → employee.yaml（运行时调整的模型配置同步回来）

内容哈希优化： 利用 _content_hash 字段，prompt 未变时跳过 prompt/avatar 推送，仅同步 metadata。--force 可强制全量推送。

部署集成

deploy/deploy.sh 自动在数据同步后触发 id 同步：

bash deploy/deploy.sh sync      # rsync 数据 → 重启服务 → 同步 knowlyr-id
bash deploy/deploy.sh id-sync   # 仅同步到 knowlyr-id
bash deploy/deploy.sh all       # 引擎 + 数据 + 重启 + ID 同步

字段映射 / Field Mapping

Crew Employee	knowlyr-id	方向	说明
`character_name`	`nickname`	push →	人名
`display_name`	`title`	push →	头衔
`bio`	`bio`	push →	一句话简介
`description`	`capabilities`	push →	能力介绍
`tags`	`domains`	push →	能力领域
rendered prompt	`system_prompt`	push →	完整系统提示词
`avatar.webp`	`avatar_base64`	push →	头像
`memory-id.md`	`memory`	← pull	运行时积累的记忆
`model`	`model`	← pull	模型配置
`temperature`	`temperature`	← pull	温度参数

头像生成 / Avatar

通过通义万相（DashScope）API 为数字员工生成写实职业照头像：

pip install knowlyr-crew[avatar]
export DASHSCOPE_API_KEY=sk-xxx

# 为员工生成头像（768x768 → 256x256 webp）
knowlyr-crew avatar security-auditor

# 创建员工时同时生成头像
knowlyr-crew init --employee my-skill --dir-format --avatar

头像流程：

从 employee.yaml 的 avatar_prompt 构建 prompt（无则自动推断）
调用通义万相 wanx2.0-t2i-turbo 生成 768×768 原图
Pillow 中心裁剪 + 缩放为 256×256 webp（~5-8 KB）
保存到员工目录 avatar.webp
agents sync 时自动上传到 knowlyr-id

生态 / Ecosystem

Architecture Diagram

graph LR
    subgraph Data Pipeline
        Radar["Radar<br/>Discovery"] --> Recipe["Recipe<br/>Analysis"]
        Recipe --> Synth["Synth<br/>Generation"]
        Recipe --> Label["Label<br/>Annotation"]
        Synth --> Check["Check<br/>Quality"]
        Label --> Check
    end
    Audit["Audit<br/>Model Audit"]
    subgraph Agent Toolchain
        Hub["Hub<br/>Orchestration"] --> Sandbox["Sandbox<br/>Execution"]
        Sandbox --> Recorder["Recorder<br/>Recording"]
        Recorder --> Reward["Reward<br/>Scoring"]
    end
    Crew["Crew<br/>AI Skill Loader"]
    ID["ID<br/>Identity"]
    Crew -.-> Radar
    Crew -.-> Check
    Crew -.-> Audit
    Crew -.-> Hub
    Crew <--> ID
    style Crew fill:#0969da,color:#fff,stroke:#0969da
    style ID fill:#2da44e,color:#fff,stroke:#2da44e

Layer	Project	PyPI	Description	Repo
Discovery	AI Dataset Radar	knowlyr-radar	Competitive intelligence, trend analysis	GitHub
Analysis	DataRecipe	knowlyr-datarecipe	Reverse engineering, schema extraction	GitHub
Production	DataSynth	knowlyr-datasynth	LLM batch generation	GitHub
Production	DataLabel	knowlyr-datalabel	Lightweight annotation	GitHub
Quality	DataCheck	knowlyr-datacheck	Rule validation, dedup	GitHub
Audit	ModelAudit	knowlyr-modelaudit	Distillation detection, fingerprinting	GitHub
Identity	knowlyr-id	—	User identity, agent management	GitHub
Skills	Crew	knowlyr-crew	AI Skill Loader	You are here
Agent	knowlyr-agent	knowlyr-sandbox / recorder / reward / hub	Sandbox + recording + reward + orchestration	GitHub

开发 / Development

git clone https://github.com/liuxiaotong/knowlyr-crew.git
cd knowlyr-crew
pip install -e ".[all]"
pytest -v

Tests: 529 cases covering parsing (single-file + directory format), discovery (with TTL cache), engine, CLI, MCP Server (stdio/SSE/HTTP), Skills conversion, knowlyr-id client (sync + async), project detection (with TTL cache), pipelines (output passing, parallel groups, execute mode), webhook server (GitHub signature, event routing, async/sync execution, CORS middleware, SSE streaming, task JSONL persistence, agent identity passthrough), cron scheduler (config validation, trigger execution), discussions (1v1 meetings, ad-hoc, round templates, orchestrated mode), persistent memory, evaluation loop, meeting log, SDK, auto versioning, JSON Schema validation, quality report, changelog draft, Bearer token auth middleware, file-lock concurrency safety, multi-model provider detection (Anthropic/OpenAI/DeepSeek/Moonshot), API key auto-resolution, and knowlyr-id bidirectional sync (push/pull/register/disable/dry-run).

License

MIT

_{knowlyr data engineering ecosystem · AI Skill Loader}

Knowlyr Crew

Quick Start

README

Crew — AI Skill Loader

快速开始 / Quick Start

工作原理 / How It Works

MCP 集成 / MCP Integration

stdio 模式（本地 AI IDE）

SSE / HTTP 模式（远程部署）

服务端特性

CLI 使用 / CLI Usage

内置技能 / Builtin Skills

自定义技能 / Custom Skills

发现优先级

创建自定义技能

模板与经验库

自动化生成

能力提升方法论

运行时沉淀工具

SDK 调用

目录格式（推荐）

单文件格式

变量替换 / Variable Substitution

智能上下文 / Smart Context

流水线 / Pipelines

内置流水线

YAML 格式

输出引用

执行模式

多模型支持

服务器模式 / Server Mode

架构总览

API 端点

Webhook 配置

Cron 调度

讨论会 / Discussions

内置讨论会

YAML 格式

核心特性

持久化记忆 / Persistent Memory

工作机制

评估闭环 / Evaluation Loop

工作机制

Skills 互通 / Interoperability

knowlyr-id 协作 / Integration

双向同步 / Bidirectional Sync

部署集成

字段映射 / Field Mapping

头像生成 / Avatar

生态 / Ecosystem

开发 / Development

License