tclaw 做到了，但不够
tclaw 现在用起来很顺手。让它帮我写代码、查文档、处理文件，基本的事情都能搞定。多 agent 这块，重构之后用的是 run_agent 的方式——主 agent 需要做某件事，就调用对应的专业 agent 去干，就像调用普通工具一样。
这套方案比之前的消息总线稳定多了。但有一个问题始终没解决：tclaw 是单进程的。
单进程意味着所有 agent 都跑在同一台机器的同一个进程里。如果我想在公司的开发环境里跑一个 coder agent，在另一台机器上跑一个 tester agent，让他们协同工作——tclaw 做不到。
每个 agent 都是孤岛，没有一个真正的多机协作机制。
一个更大的问题
往更深处想，单机只是一个限制，不是本质问题。
本质问题是：谁来分派任务？
在 tclaw 里，是主 agent（通常是 AI）决定调用哪个子 agent。这其实把"任务分配"这个职责压在了 AI 身上，而 AI 的行为是概率性的——有时候它会聪明地把任务委托出去，有时候它又自己把事情做了，绕过了专业 agent。
能不能把任务分配这件事从 AI 手里剥离出来，做成一个确定性的系统？
tbrain 的想法
由此有了 tbrain 的雏形。
设计理念很简单：tbrain 只做任务管理，不做 AI 推理。
tbrain 本身没有 AI 能力。它做的事情就是：
- 接收任务请求
- 按照顺序把任务分配给注册在系统上的 agent
- agent 完成后标记完成，继续下一个任务
AI 推理的部分交给一个特殊的 agent——brain agent（大脑）。brain agent 负责和用户聊需求，理解任务，然后向 tbrain 发出具体的任务指令，包括任务应该拆分成哪几步、分别交给哪个 agent 去做。
tbrain 拿到这个计划之后，就机械地执行——按顺序通知 agent，等完成，继续下一个。确定性的，可预测的，稳定的。
为什么这样设计
把 AI 推理和任务调度分开，是这套设计里最重要的一个决定。
之前消息总线的教训历历在目：靠 AI 去维护消息通知，本质上是用不确定的方式解决协调问题。AI 会瞎 @ 人，会越权，会忘记规则，会在你测试通过之后换个场景又乱跑。
tbrain 的思路反过来：让 AI 只做它擅长的事（理解需求、拆分任务），让确定性的系统只做它擅长的事（按顺序执行、状态追踪）。两件事不混在一起。
所有注册到 tbrain 的 agent，都可以通过接口查到当前在线的 agent 列表和各自的能力描述。brain agent 看到这个列表，就知道有哪些人可以用、分别能干什么，然后制定计划发给 tbrain。
整个系统极其简单，也极其稳定。
tclaw 提供 Mac、Linux、Windows 版下载，Mac 版支持最好，感兴趣可以去 tclaw-releases 体验。
也可以先玩玩 tclaw 用 AI 做的几个小游戏：→ 点这里玩