企业官网建设流程全解析

CORAL 是一个由自主 AI 编程 Agent 驱动的开源 autoresearch 基础设施（已被 COLM 2026 接收）：给它一个代码库和评分脚本（grader），它就能自动创建隔离工作区、并行运行 Claude Code、Codex、OpenCode 等多个智能体，让它们边实验、边打分、边共享知识，持续进化出更好的解法。本文将带你从安装 CORAL 到启动你的第一个多智能体实验，全程只需 3 分钟。

一、CORAL 是什么？多智能体自主研究的完整工作流

一句话理解 CORAL：多智能体实验编排器 + 自动评分系统 + 共享知识库。

• 每个 Agent 运行在独立的 git worktree 中，互不干扰；
• 所有 Agent 的尝试记录、笔记、技能（attempts / notes / skills）通过.coral/public/实时共享；
• 后台 grader 守护进程对每次提交自动打分，管理者还会周期性注入reflect、consolidate、pivot等"心跳"提示，引导 Agent 反思和转向。

它原生支持 5 种 Agent 运行时（各需在 coral/agent/builtin/ 对应的实现中安装并完成认证）：

二、一键安装 CORAL：前置条件与安装步骤

前置条件（安装脚本会自动处理uv）：

• Python 3.11+
• git（CORAL 用 git worktree 做 Agent 隔离）
• 至少一个可用的 Agent CLI（如 Claude Code 及对应 API key）

安装命令（官方脚本见 install.sh）：

curl -fsSL https://raw.githubusercontent.com/Human-Agent-Society/CORAL/main/install.sh | sh

脚本会自动安装uv、把coral装进隔离 venv 并加入PATH。验证是否成功：

coral --version

💡 也可以手动安装：克隆仓库 https://link.gitcode.com/i/347c31ec8981a6c0287016badca8ae0d 后执行uv tool install .；需要固定版本时设置环境变量CORAL_VERSION=<tag>。

装好后建议跑一次coral setup，它会扫描 PATH 中已安装的 Agent CLI，通过交互式向导创建 agent binding（命名好的 runtime + model 预设），之后任务里直接引用名字即可。

三、用 coral init 一分钟创建第一个多智能体任务

coral init my-task

这条命令会生成一个自包含的任务目录（结构定义在 coral/cli/ 的 init 命令中）：

my-task/ ├── task.yaml # 任务配置 + grader 入口 ├── seed/ │ └── solution.py # Agent 迭代优化的基线代码 └── grader/ # 独立 Python 评分包 ├── pyproject.toml └── src/my_task_grader/ └── grader.py # class Grader(TaskGrader)

四、读懂 task.yaml：多智能体实验的核心配置

打开my-task/task.yaml，最常用的配置项如下（完整字段参考 examples/README.md）：

task: name: my-task description: "优化 solution.py，让输出的分数更高。" grader: entrypoint: "my_task_grader.grader:Grader" timeout: 300 direction: maximize # 分数越高越好 agents: count: 2 # 并行启动 2 个 Agent runtime: claude_code model: sonnet workspace: repo_path: "./seed"

几个新手常问的点：

• 评分方向：direction设为maximize或minimize，grader 会据此排序排行榜；
• 隐藏数据：把答案文件路径写进grader.private，会被复制到 Agent 无权读取的.coral/private/；
• 心跳机制：agents.heartbeat可配置reflect（每次 eval 后反思）、consolidate（每 10 次整合共享知识）、pivot（连续无提升时转向）。

五、验证与启动：coral validate 和 coral start 命令

启动前先验证 grader 能否在种子代码上正常打分：

coral validate my-task

验证通过后，一条命令启动多智能体实验：

coral start -c my-task/task.yaml

CORAL 会自动完成 4 件事：创建.coral/共享状态目录 → 为每个 Agent 建立隔离的 git worktree → 生成各自的CORAL.md指令文件 → 启动 N 个 Agent（默认自动包进 tmux 会话，可用--no-tmux跳过）。

Agent 启动后会自主进入循环：阅读指令和排行榜 → 规划并修改代码 → 执行coral eval -m "改动说明"提交评分 → 根据分数和反馈继续迭代，并把自己的发现写入共享笔记与技能。

六、实时查看多智能体进度：status、log 与 Web 仪表盘

运行期间，随时用这些命令观察实验：

coral status # 管理器和 Agent 健康状态 + 排行榜 Top coral log # 查看排行榜（默认按分数排序前 20 条） coral log --recent # 按时间排序 coral ui # 打开 Web 仪表盘（默认端口 8420）

所有 Agent 的共识会沉淀为共享笔记，例如一次 kernel 优化实验中多 Agent 共同确认的"死路清单"：

满意了就优雅停止：

coral stop # 优雅停止管理器和所有 Agent coral stop --all # 停止所有活动 run

七、不想从零写任务？直接运行现成示例

examples/目录内置了一批开箱即用的多智能体实验，任意一个都能直接启动（详见 examples/README.md）：

以 mnist 为例，它配置了 4 个claude_codeAgent 并行优化分类准确率：

coral start -c examples/mnist/task.yaml

多 Agent 数量、模型、岛屿数等都可以在命令行直接覆盖，例如coral start -c task.yaml --agents 4 --model opus。

八、进阶一步：多岛屿（multi-island）探索

想让实验探索得更广？v0.6.0 起支持多岛屿模式：把 Agent 分成相互隔离的"岛屿"，各自独立进化，再按分数在岛屿间迁移，避免所有 Agent 陷入同一条局部最优路径。命令行即可开启：

coral start -c task.yaml agents.count=4 islands.count=2

CORAL 的定位正是"多智能体组织的进化"这一阶段——这也是它论文 "CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery" 的核心思想。

总结：3分钟回顾你的第一个多智能体实验

1. 安装：一行 curl 脚本装好coral，coral --version验证；
2. 建任务：coral init my-task生成 task.yaml + seed + grader；
3. 验证：coral validate my-task确认评分可用；
4. 启动：coral start -c my-task/task.yaml，多 Agent 开始自主实验；
5. 观察：coral status/coral log/coral ui看排行榜与共享笔记；
6. 收尾：coral stop停止，用coral show <hash>或coral export提取最佳方案。

更多细节可深入 coral/agent/（Agent 管理与心跳）、coral/grader/（评分守护进程）和 coral/workspace/（worktree 与用户隔离）源码目录，祝你顺利跑出自己的第一个多智能体进化实验 🚀