Swarm — 将您的LLM成本降低200倍

将您昂贵的大模型转变为负担得起的日常工具。将那些枯燥的任务——并行处理、批量作业、研究分析——卸载给Gemini Flash工作节点，只需极低的成本。

概览

适用场景

Swarm非常适合：

• 3个以上独立任务（研究、摘要、比较）
• 比较或研究多个主题
• 多个URL需要抓取/分析
• 批量处理（文档、实体、事实）
• 复杂分析需要多角度分析 → 使用链式处理

快速参考

# Check daemon (do this every session)
swarm status

# Start if not running
swarm start

# Parallel prompts
swarm parallel "What is X?" "What is Y?" "What is Z?"

# Research multiple subjects
swarm research "OpenAI" "Anthropic" "Mistral" --topic "AI safety"

# Discover capabilities
swarm capabilities

执行模式

并行模式 (v1.0)

N个提示 → N个工作者同时处理。最适合独立任务。

swarm parallel "prompt1" "prompt2" "prompt3"

研究模式 (v1.1)

多阶段：搜索 → 获取 → 分析。使用谷歌搜索作为基础。

swarm research "Buildertrend" "Jobber" --topic "pricing 2026"

链式模式 (v1.3) — 精炼流水线

数据流经多个阶段，每个阶段具有不同的视角/过滤器。阶段按顺序运行；阶段内的任务并行运行。

阶段模式：

• 并行— N个输入 → N个工作者（相同视角）
• 单一— 合并输入 → 1个工作者
• 扇出— 1个输入 → N个具有不同视角的工作者
• 归约— N个输入 → 1个综合输出

自动链— 描述您的需求，获得最优流水线：

curl -X POST http://localhost:9999/chain/auto \
  -d '{"task":"Find business opportunities","data":"...market data...","depth":"standard"}'

手动链：

swarm chain pipeline.json
# or
echo '{"stages":[...]}' | swarm chain --stdin

深度预设： 快速（2个阶段），标准（4个），深度（6个），详尽（8个）

内置视角：提取器、过滤器、丰富器、分析师、综合器、挑战者、优化器、策略师、研究员、评论家

预览而不执行：

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

基准测试（v1.3）

在同一任务上比较单一、并行和链式执行，并使用LLM作为评判者进行评分。

curl -X POST http://localhost:9999/benchmark \
  -d '{"task":"Analyze X","data":"...","depth":"standard"}'

基于6个FLASK维度的评分：准确性（2倍权重）、深度（1.5倍）、完整性、连贯性、可操作性（1.5倍）、细致度。

能力发现（v1.3）

让编排器发现可用的执行模式：

swarm capabilities
# or
curl http://localhost:9999/capabilities

提示缓存（v1.3.2）

用于LLM响应的LRU缓存。缓存命中时速度提升212倍（并行），链式执行时提升514倍。

• 以指令、输入和视角的哈希值为键
• 最大500条记录，生存时间1小时
• 跳过网络搜索任务（需要最新数据）
• 守护进程重启后仍持久化保存至磁盘
• 单任务旁路设置：将task.cache = false

# View cache stats
curl http://localhost:9999/cache

# Clear cache
curl -X DELETE http://localhost:9999/cache

缓存统计信息显示于swarm status中

阶段重试机制（v1.3.2）

若链式阶段中的任务失败，仅重试失败任务（而非整个阶段）。默认重试次数：1次。可通过phase.retries按阶段配置，或通过options.stageRetries全局配置

成本追踪功能（v1.3.1）

所有端点在其complete事件中返回成本数据：

• session——当前守护进程会话总量
• daily——每日总量— 重启后持续存在，全天累积

swarm status        # Shows session + daily cost
swarm savings       # Monthly savings report

网络搜索 (v1.1)

工作人员通过谷歌搜索基础功能（仅限Gemini，无需额外费用）搜索实时网络。

# Research uses web search by default
swarm research "Subject" --topic "angle"

# Parallel with web search
curl -X POST http://localhost:9999/parallel \
  -d '{"prompts":["Current price of X?"],"options":{"webSearch":true}}'

JavaScript API

const { parallel, research } = require('~/clawd/skills/node-scaling/lib');
const { SwarmClient } = require('~/clawd/skills/node-scaling/lib/client');

// Simple parallel
const result = await parallel(['prompt1', 'prompt2', 'prompt3']);

// Client with streaming
const client = new SwarmClient();
for await (const event of client.parallel(prompts)) { ... }
for await (const event of client.research(subjects, topic)) { ... }

// Chain
const result = await client.chainSync({ task, data, depth });

守护进程管理

swarm start              # Start daemon (background)
swarm stop               # Stop daemon
swarm status             # Status, cost, cache stats
swarm restart            # Restart daemon
swarm savings            # Monthly savings report
swarm logs [N]           # Last N lines of daemon log

性能 (v1.3.2)

配置

位置：~/.config/clawdbot/node-scaling.yaml

node_scaling:
  enabled: true
  limits:
    max_nodes: 16
    max_concurrent_api: 16
  provider:
    name: gemini
    model: gemini-2.0-flash
  web_search:
    enabled: true
    parallel_default: false
  cost:
    max_daily_spend: 10.00

故障排除

结构化输出 (v1.3.7)

强制使用JSON输出并进行模式验证——在结构化任务上实现零解析失败。

# With built-in schema
curl -X POST http://localhost:9999/structured \
  -d '{"prompt":"Extract entities from: Tim Cook announced iPhone 17","schema":"entities"}'

# With custom schema
curl -X POST http://localhost:9999/structured \
  -d '{"prompt":"Classify this text","data":"...","schema":{"type":"object","properties":{"category":{"type":"string"}}}}'

# JSON mode (no schema, just force JSON)
curl -X POST http://localhost:9999/structured \
  -d '{"prompt":"Return a JSON object with name, age, city for a fictional person"}'

# List available schemas
curl http://localhost:9999/structured/schemas

内置模式： 实体、摘要、比较、行动、分类、问答

使用 Gemini 原生的response_mime_type: application/json+responseSchema用于保证JSON输出。包含对响应的模式验证。

多数投票（v1.3.7）

相同提示 → N次并行执行 → 选择最佳答案。在事实性/分析性任务上准确性更高。

# Judge strategy (LLM picks best — most reliable)
curl -X POST http://localhost:9999/vote \
  -d '{"prompt":"What are the key factors in SaaS pricing?","n":3,"strategy":"judge"}'

# Similarity strategy (consensus — zero extra cost)
curl -X POST http://localhost:9999/vote \
  -d '{"prompt":"What year was Python released?","n":3,"strategy":"similarity"}'

# Longest strategy (heuristic — zero extra cost)
curl -X POST http://localhost:9999/vote \
  -d '{"prompt":"Explain recursion","n":3,"strategy":"longest"}'

策略：

• judge— LLM根据准确性/完整性/清晰度/可操作性对所有候选答案进行评分，选出优胜者（N+1次调用）
• similarity— 基于Jaccard词集相似度，选择共识答案（N次调用，零额外成本）
• longest— 选择最长的回复作为详尽性的启发式判断（N次调用，零额外成本）

使用场景：事实性问题、关键决策，或任何准确性重于速度的任务。

自我反思（v1.3.5）

在链/骨架输出后可选的批判性检查环节。评估五个维度，若低于阈值则自动优化。

# Add reflect:true to any chain or skeleton request
curl -X POST http://localhost:9999/chain/auto \
  -d '{"task":"Analyze the AI chip market","data":"...","reflect":true}'

curl -X POST http://localhost:9999/skeleton \
  -d '{"task":"Write a market analysis","reflect":true}'

已证实：将弱输出从平均5.0分提升至7.6分。骨架+反思得分为9.4/10。

思维骨架法（v1.3.6）

生成大纲 → 并行扩展每个部分 → 合并成连贯文档。最适合长篇幅内容。

curl -X POST http://localhost:9999/skeleton \
  -d '{"task":"Write a comprehensive guide to SaaS pricing","maxSections":6,"reflect":true}'

性能：21秒内生成14,478字符（675字符/秒）—— 比链式方法多出5.1倍内容，吞吐量高出2.9倍。

何时使用何种方法：

• SoT→ 长文本内容、报告、指南、文档 (任何具有自然章节的内容)
• 链式→ 分析、研究、对抗性评审 (任何需要多视角的内容)
• 并行→ 独立任务、批量处理
• 结构化→ 实体抽取、分类、任何需要可靠JSON输出的任务
• 投票事实准确性、关键决策、建立共识

API 端点

成本对比

缓存命中基本上是免费的（约3-5毫秒，无需API调用）。