并行 AI 编码 Agent 实战：用 AWF 在隔离 Docker 工作区中安全协作

场景：当多个 AI Agent 同时写代码

想象一下这个场景：你的项目需要同时完成三个功能——修复一个安全漏洞、添加一个新 API 端点、重构一个老旧模块。你启动了三路 AI 编码 Agent（Claude Code、Codex、Gemini CLI）同时开工。但很快你发现：

• Agent A 修改了 package.json，Agent B 也修改了同一文件，产生冲突
• Agent C 启动了一个数据库容器，占用了 Agent A 想要的端口
• 三个 Agent 共享本地 node_modules，依赖版本被打乱
• PR 提交后，B 的代码变成了 stale，C 的代码无法通过 CI

这不是 Agent 能力的问题——是工作区隔离的问题。单个 Agent 能写代码不稀奇，但让多个 Agent 安全地并行工作而不踩到彼此的脚，才是规模化 AI 编码的真正瓶颈。

AWF：Agent 工作区编排基板

Agent Workspace Fabric（AWF）是一个开源的工作区编排工具，专门为并行 AI 编码 Agent 场景设计。它给每个 Agent 分配一个独立的 Docker 工作区，包含隔离的文件系统、服务栈和凭据环境，并通过一个控制面板统一管理 16 步生命周期。

快速上手：5 分钟启动 AWF

AWF 提供三种安装方式，推荐使用 uv tool 安装：

uv tool install agent-workspace-fabric

pipx install agent-workspace-fabric

git clone https://github.com/dimileeh/agent-workspace-fabric.git
cd agent-workspace-fabric
uv tool install . --force

安装后，一键启动本地控制面板：

awf setup
awf start

awf start 会启动本地 API、工作进程、数据库和 Web 控制台（默认 http://127.0.0.1:3000），你可以在浏览器中看到所有 Agent 工作区的运行状态。

接着，将你的项目注册到 AWF：

awf init /path/to/your/project --write-profile --yes
awf smoke run --project /path/to/your/project --mocked-local --format pretty

awf smoke 命令会执行一次模拟运行，验证项目配置是否正确。如果一切顺利，绿色输出意味着你的项目已准备就绪。

核心工作流：16 步 Agent 生命周期

AWF 将一个编码任务转化为一个可观测、可恢复的 16 步生命周期。工作区操作通过三种客户端接口完成：CLI（主要用于服务管理和初始化）、REST API（程序化调用）和 MCP 工具集（Agent 原生调用）。

启动服务与初始化

awf setup
awf start

awf service status --format pretty

awf init /path/to/your/project --write-profile --yes

awf smoke run --project /path/to/your/project --mocked-local --format pretty

awf start 会在本地启动 API 服务、工作进程、数据库和 Web 控制台（地址 http://127.0.0.1:3000）。在该控制台中，你可以查看所有工作区的运行状态、资源使用情况和工作区事件日志。

创建和管理工作区

工作区通过 MCP 工具或 REST API 创建。如果你使用 Claude Code 或 Codex，可以通过 MCP 集成直接在工作区中启动编码任务：

每个工作区的完整生命周期如下：

1. 在工作区数据库中创建一行记录
2. 从请求的基础分支创建一个隔离的 git worktree
3. 解析工作区配置文件（描述项目运行时环境）
4. 生成并启动专属的 Docker Compose 栈
5. 执行 Profile 定义的初始化阶段
6. 可选：AWF 自有的 Plan → Execute → Compare 迭代
7. 在容器内运行选定的编码 Agent
8. 执行验证阶段和自定义检查命令
9. 提交、推送并创建 PR
10. 监控 PR 直到合并、关闭或失败
11. 收到评论后重新唤醒 Agent 处理
12. CI 失败时获取日志并修复
13. 基础分支更新时同步到 PR 分支
14. 给 Reviewer 一个初始审查缓冲期
15. 所有门禁通过后自动合并
16. 清理成功的任务，保留失败的用于排查

Agent 适配器：一个控制面板管所有

AWF 最实用的设计之一是Agent 适配器。它内置了 6 个主流 AI 编码 Agent 的适配器：

选择不同 Agent 的配置在项目初始化时设定，也可以在 Web 控制台中按工作区指定。AWF 的默认配置使用 Claude Code 作为首选 Agent。

实际场景：三个 Agent 同时工作

让我们回到开头的场景。用 AWF 重新组织这个工作流。首先在终端中启动 AWF 本地服务：

awf setup
awf start
awf init /path/to/your/project --write-profile --yes
awf smoke run --project /path/to/your/project --mocked-local --format pretty

服务启动后，在浏览器中打开 Web 控制台 http://127.0.0.1:3000。通过 MCP 工具（如果你使用 Claude Code）或 REST API，依次创建三个工作区：

• 工作区 1（Claude Code）：安全漏洞修复，分支 fix/security-vuln
• 工作区 2（Codex）：新 API 端点，分支 feat/analytics-api
• 工作区 3（Gemini CLI）：模块重构，分支 refactor/auth-module

三个 Agent 各自拥有：

• 隔离的 Git Worktree：从同一 main 分支 fork，互不干扰
• 独立的 Docker Compose 栈：数据库、缓存、服务各一套
• 独立的文件系统：依赖、环境变量、凭据完全隔离

每个 Agent 完成后，AWF 自动创建 PR、运行 CI、监控反馈，并在所有门禁通过后自动合并。你不再需要手动协调多个 Agent 的工作。

安全与供应链门禁

对于生产环境使用，AWF 内置了供应链安全门禁。工作区配置可以声明 security.supply_chain 规则：

• 阻止未固定版本的依赖安装
• 警告远程脚本执行操作
• 检测意外的包注册表域名
• 监控锁文件在授权路径外的修改

这些规则会在每个工作区的验证阶段自动检查，并将结果记录到工作区事件日志中。

小结

AWF 解决了并行 AI 编码 Agent 中最棘手的「打架」问题——工作区冲突。它不是一个聊天界面，也不是一个代码生成器，而是一个执行基板：将多个 Agent 的并行工作变成一个有秩序、可观测、可恢复的工业化流程。

对于每日处理多个编码任务的团队来说，AWF 的价值不在于让单个 Agent 写得更快，而在于让多个 Agent 同时工作而不产生混乱。当你的项目需要同时推进三路功能开发，或者需要让 Agent 在隔离环境中安全地执行高风险操作时，AWF 提供了一种比手动协调可靠得多的方式。

适用场景：并行功能开发、安全审计修复、大规模重构、多 Agent 流水线 项目地址：github.com/dimileeh/agent-workspace-fabric 许可证：Apache-2.0