企业官网建设流程全解析

Ruflo / Claude Flow 监控命令实战：swarm-monitor、agent-metrics 与 real-time-view 全解析

【免费下载链接】ruflo🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo

ruflo 是面向多智能体编排与协同的 meta-harness 框架，其随附的 claude-flow 监控命令族用于对运行中的 swarm（智能体群）、单个 Agent 与任务流做实时观测。本文以 监控命令索引 及其所在目录下五份命令文档为核心骨架，系统梳理 CLI 命令与 MCP 工具两条使用路径的参数、用法与示例，并结合 swarm.ts、agent.ts、status.ts 及对应 MCP 工具源码，讲清监控数据从哪来、状态如何计算，读完可直接用命令监控自己的 swarm 集群并看懂输出含义。

监控命令家族一览

在.claude/commands/monitoring/目录（同时被镜像打包进 plugin/commands/monitoring/README.md，且 v3 CLI、MCP 包内各有一份.claude/commands/monitoring副本，见 v3/@claude-flow/cli/.claude/commands/monitoring/README.md）中共有五份命令说明，覆盖两个使用入口：

其中前三者是面向终端的 CLI 监控命令，后两者是面向 Claude Code 等宿主侧的 MCP 工具化版本。二者共享同一套底层状态数据（详见下文“监控数据从哪来”）。

swarm-monitor：实时 swarm 监控

文档 swarm-monitor.md 给出了 CLI 用法：

npx claude-flow swarm monitor [options]

可用参数

示例

# 直接开始监控（默认间隔） npx claude-flow swarm monitor # 自定义 5 秒刷新间隔 npx claude-flow swarm monitor --interval 5000 # 附带详细指标 npx claude-flow swarm monitor --metrics

源码印证

monitor是 swarm.ts 中注册的命令子项，其描述即为“Enable real-time monitoring”，与文档“Real-time swarm monitoring”一一对应。该命令展示的数据来自getSwarmStatus一类的状态计算逻辑：读取.swarm/agents/、.swarm/tasks/下的任务 JSON（按completed/in_progress/running等字段归类），当 Agent 目录为空时，会回退到权威活动文件.claude-flow/metrics/swarm-activity.json做对账（见 swarm.ts，该文件由 agent 相关命令的updateSwarmActivityMetrics写入，记录swarm.agent_count与swarm.coordination_active等计数）。实时监控可以看作“每隔interval毫秒执行一次状态采集并刷新输出”。

监控视图中的关键状态语义（同一套取值逻辑也服务于 status 命令输出）：

• status：按“进行中任务数 > 0 或活跃 Agent > 0”判为running，全部完成判为completed，仅有 swarm 状态则判为ready，否则idle；
• progress：动态由已完成任务数 / 任务总数计算；
• metrics：tokensUsed取自 swarm 状态，avgResponseTime由各任务文件中的startedAt/completedAt差值求平均而来，展示时会附Elapsed Time、Success Rate等字段（见 swarm.ts）。

agent-metrics：Agent 性能指标

文档 agent-metrics.md 说明如何按 Agent 粒度查看性能数据：

npx claude-flow agent metrics [options]

可用参数

示例

# 查看全部 Agent 指标 npx claude-flow agent metrics # 只看指定 Agent npx claude-flow agent metrics --agent-id agent-001 # 最近一小时 npx claude-flow agent metrics --period 1h

源码印证

该命令的后端位于 agent.ts。从源码结构看，agent 命令同时负责agent spawn、agent list与指标落盘：agent spawn本身并不逐一写.swarm/agents/*.json快照，而是把计数写入.claude-flow/metrics/swarm-activity.json（见 swarm.ts），因此agent metrics的查询与 swarm 状态对账共用同一份权威指标文件。MCP 侧等价工具为mcp__claude-flow__agent_metrics，传参形式{"agentId": "coder-123"}，实现位于 agent-tools.ts。

real-time-view：swarm 活动实时视图

文档 real-time-view.md 提供的是面向事件流的实时观察命令，适合在调试多 Agent 协作时盯住日志输出：

npx claude-flow monitoring real-time-view [options]

可用参数

示例

# 直接进入实时视图 npx claude-flow monitoring real-time-view # 只看错误事件 npx claude-flow monitoring real-time-view --filter errors # 高亮包含 API 的日志 npx claude-flow monitoring real-time-view --highlight "API"

三个参数可叠加组合（例如--filter errors --tail 50），在事件量大时先用--filter缩小范围、再用--highlight标记关键模式，是较实用的排查组合。

MCP 侧命令：状态检查与模式列举

monitoring 目录下的 status.md 与 agents.md 采用同一套“协调型工具”模板：这些工具只负责“协调与观测 Claude Code 的行动”，本身不写代码、不直接读写文件、也不执行命令，真正的实现动作由宿主（Claude Code）完成。

swarm_status：协调状态与系统健康

工具名mcp__claude-flow__swarm_status，参数：

{ "swarmId": "current" }

返回内容覆盖：

• 当前启用的协调拓扑（Active coordination topologies）；
• 正在使用的认知模式（cognitive patterns）；
• 任务分解与进度（task breakdown and progress）；
• 协调侧资源利用率（resource utilization）；
• 整体系统健康度（overall system health）。

在 Claude Code 中的典型调用链：

1. 检查 swarm 状态：mcp__claude-flow__swarm_status；
2. 实时监控：mcp__claude-flow__swarm_monitor，参数{"interval": 1000}（对应 CLI 的--interval 1000）；
3. 取单个 Agent 指标：mcp__claude-flow__agent_metrics，参数{"agentId": "agent-123"}；
4. 健康检查：mcp__claude-flow__health_check，参数{"components": ["swarm", "memory", "neural"]}。

可见 health_check 支持按组件（swarm / memory / neural）定向体检，与 CLI 监控形成互补。相关工具实现集中在 swarm-tools.ts 与 system-tools.ts。

agent_list：列举活跃 Agent / 认知模式

工具名mcp__claude-flow__agent_list，参数：

{ "swarmId": "current" }

用于查看所有活跃认知模式及其当前焦点（focus areas），并支持按状态过滤：

• all：全部已定义模式；
• active：当前已投入使用的模式；
• idle：可用但尚未启用的模式；
• busy：正在积极协调任务的模式。

使用示例：先用agent_list拿到 Agent 清单，再对具体agentId调agent_metrics，需要盯进程时再用swarm_monitor（{"interval": 2000}），构成一个完整的“列举 → 体检 → 持续观察”闭环。

监控数据从哪来：状态文件与计算口径

无论走 CLI 还是 MCP，监控输出都来自同一组运行时状态，弄清数据源能帮助你理解监控结果、定位异常。综合 swarm.ts 的读取逻辑，主要数据源如下：

计算口径要点：

• progress= 已完成任务 / 任务总数（无任务但已初始化 swarm 时显示 5% 占位）；
• status四态（idle/running/completed/ready）由任务与 Agent 活跃情况推导；
• avgResponseTime仅统计同时具备startedAt与completedAt的合法任务，单个损坏 JSON 会被跳过而不影响整体。

小结：一条命令把多 Agent 集群“看透”

ruflo / claude-flow 的监控体系设计很克制：终端场景用三条 CLI 命令（swarm monitor、agent metrics、monitoring real-time-view），宿主 Agent 场景用同名 MCP 工具（swarm_status、swarm_monitor、agent_metrics、agent_list、health_check）。两者读取同一套.claude-flow/metrics/与.swarm/状态数据，口径一致、可相互印证。上手时建议先npx claude-flow swarm monitor建立全局视图，再用agent metrics --agent-id <id> --period 1h下钻单个 Agent，最后在事件风暴中用real-time-view --filter errors快速收敛问题。命令的权威说明以 .claude/commands/monitoring/ 下各文档为准，其插件化副本位于 plugin/commands/monitoring，实现源码可继续翻阅 swarm.ts 与 agent.ts。

【免费下载链接】ruflo🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo