Swarm并行计算

技能简介

Swarm 是一个基于 Gemini Flash 的分布式任务执行系统，通过并行化方式将 LLM 调用成本降低至传统方案的 1/200。支持独立任务并行、多主题研究、链式流水线等多种执行模式，配备 LRU 响应缓存和成本追踪功能。

业务背景

Swarm通过分布式并行计算大幅降低大模型调用成本，将原本串行执行的AI任务改为批量并发处理。支持独立任务并行、多主题研究、链式流水线等多种模式，帮助企业快速完成大规模内容生成、数据分析等场景，同时配备缓存和成本追踪功能，让AI投入更加可控透明。

落地案例：某市场研究团队需要同时分析10个竞品的产品定位，传统方式需逐个调用API、耗时且费用高。使用Swarm的Parallel模式，一次性提交10个分析提示，系统自动分发到多个节点并行执行，结果统一返回；若需深度调研，可切换Research模式自动搜索网络信息并生成对比报告，全程成本仅为传统方案的1/200。

能做什么

• 同时执行多个独立提示任务（Parallel 模式）
• 对多个主题进行自动化网络搜索与深度分析（Research 模式）
• 构建多阶段数据处理流水线，支持扇出、归约等编排策略（Chain 模式）
• 对比单线程与并行方案的执行效果与成本（Benchmark 模式）
• 自动缓存重复查询结果，实现数百倍响应加速
• 实时追踪会话与每日成本消耗

使用说明

安装要求：需预先安装 Node.js 运行时环境。

基础操作步骤：

1. 检查守护进程状态：swarm status
2. 若未运行则启动服务：swarm start
3. 执行并行任务：swarm parallel "问题A" "问题B" "问题C"
4. 多主题研究：swarm research "主题A" "主题B" --topic "分析角度"
5. 查看可用能力：swarm capabilities

链式流水线示例：

# 自动生成最优流水线
curl -X POST http://localhost:9999/chain/auto \
  -d '{"task":"业务机会识别","data":"市场数据...","depth":"standard"}'

# 预览不执行
curl -X POST http://localhost:9999/chain/preview \
  -d '{"task":"...","depth":"standard"}'

缓存管理：

curl http://localhost:9999/cache      # 查看统计
curl -X DELETE http://localhost:9999/cache  # 清空缓存

输入与输出

见下方输入与输出表格。

风险提示

• 网络搜索任务强制跳过缓存，每次均产生新调用成本
• 链式任务失败时仅重试失败子任务，但需关注阶段间数据依赖完整性
• 缓存默认 1 小时 TTL，时效敏感数据需手动禁用缓存
• 守护进程重启后成本统计重置，日常累计数据持久化存储
• 深度预设层级越高（exhaustive 为 8 阶段），token 消耗与等待时间同步增长

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/chair4ce/swarm/SKILL.md
来源类型：GitHub 仓库