Ruflo چیست؟ تبدیل Claude Code به یک تیم چند ایجنتی قدرتمند

اگر با Claude Code کار می‌کنید و پروژه‌های شما کم‌کم بزرگ‌تر شده‌اند، احتمالاً با یک مشکل آشنا روبه‌رو شده‌اید:

آیا یک Agent باید همزمان کدنویسی کند، تحقیق انجام دهد، تست بنویسد، باگ پیدا کند و Context پروژه را هم مدیریت کند؟

برای پروژه‌های کوچک شاید پاسخ مثبت باشد؛ اما در پروژه‌های پیچیده‌تر، تقسیم کار بین چند Agent تخصصی می‌تواند Workflow متفاوتی ایجاد کند.

اینجاست که Ruflo وارد می‌شود.

Ruflo جایگزین Claude Code نیست. این ابزار یک لایه Multi-Agent Orchestration است که در اطراف Claude Code قرار می‌گیرد و می‌تواند Taskهای مختلف را میان Agentهای تخصصی تقسیم و هماهنگ کند.

یعنی به‌جای اینکه یک Agent تمام پروژه را به‌تنهایی انجام دهد، می‌توانید تیمی از Agentها داشته باشید که یکی روی Coding، دیگری روی Testing، یکی روی Research و Agent دیگری روی Security یا Debugging کار کند.

در این مقاله از معین گیفت بررسی می‌کنیم Ruflo چیست، چه تفاوتی با Claude Code دارد، Multi-Agent Workflow آن چگونه کار می‌کند و چطور می‌توان Ruflo را روی Claude Code نصب و راه‌اندازی کرد.

Ruflo چیست؟

Ruflo یک پروژه متن‌باز برای Orchestration و مدیریت Agentهای هوش مصنوعی است.

خود پروژه آن را یک:

Agent Meta-Harness for Claude Code and Codex

معرفی می‌کند.

به زبان ساده، Ruflo یک لایه مدیریتی در اطراف Coding Agentها ایجاد می‌کند تا بتوانید:

• چند Agent تخصصی ایجاد کنید
• Taskها را بین آن‌ها تقسیم کنید
• چند Task را به‌صورت Parallel اجرا کنید
• Memory مشترک بسازید
• Context پروژه را بین Sessionها حفظ کنید
• Agentها را در قالب Swarm هماهنگ کنید

Ruflo جایگزین Claude Code نیست

این نکته بسیار مهم است.

Claude Code همچنان وظایفی مثل:

• خواندن و نوشتن فایل
• تغییر Source Code
• اجرای Terminal
• Git Operations
• اجرای Test
• استفاده از ابزارهای Coding

را انجام می‌دهد.

Ruflo بیشتر روی Coordination تمرکز دارد.

یعنی تصمیم می‌گیرد چه Agentی روی چه Taskی کار کند، اطلاعات چگونه بین Agentها منتقل شود و Workflow چندمرحله‌ای چگونه جلو برود.

یک Agent یا یک تیم Agent؟

فرض کنید می‌خواهید یک Feature جدید به پروژه اضافه کنید.

در حالت معمول ممکن است یک Agent تمام این کارها را انجام دهد:

1. Requirement را بخواند.
2. Codebase را بررسی کند.
3. راه‌حل طراحی کند.
4. کد بنویسد.
5. Test ایجاد کند.
6. Bugها را اصلاح کند.

اما در یک Multi-Agent Workflow می‌توان همین پروژه را تقسیم کرد.

برای مثال:

• Research Agent: Requirement و Codebase را بررسی کند.
• Architect Agent: معماری Feature را طراحی کند.
• Coder Agent: Implementation را انجام دهد.
• Tester Agent: Test بنویسد و اجرا کند.
• Reviewer Agent: Code Review انجام دهد.
• Security Agent: مشکلات امنیتی احتمالی را بررسی کند.

Ruflo تلاش می‌کند این Agentها را مثل اعضای یک تیم هماهنگ کند.

Swarm چیست؟

در Ruflo به گروهی از Agentهای هماهنگ معمولاً Swarm گفته می‌شود.

Swarm می‌تواند چند Agent داشته باشد که روی یک هدف مشترک کار می‌کنند.

Ruflo از ساختارهای مختلف Coordination پشتیبانی می‌کند.

از جمله:

• Hierarchical
• Mesh
• Hierarchical-Mesh
• Adaptive

در ساختار Hierarchical معمولاً یک Coordinator مرکزی Taskها را بین Agentهای Worker تقسیم می‌کند.

مثال ساده از یک Swarm

برای مثال یک تیم توسعه AI می‌تواند چنین ساختاری داشته باشد:

Coordinator
│
├── Research Agent
├── Backend Agent
├── Frontend Agent
├── Test Agent
├── Security Agent
└── Code Review Agent

Coordinator هدف اصلی را دریافت می‌کند و بخش‌های مختلف را بین Agentها تقسیم می‌کند.

اجرای Parallel Taskها

یکی از مهم‌ترین دلایل استفاده از Multi-Agent Orchestration امکان اجرای بعضی Taskها به‌صورت موازی است.

برای مثال:

• Agent اول Documentation را بررسی کند.
• Agent دوم Test Suite را تحلیل کند.
• Agent سوم معماری فعلی پروژه را بررسی کند.

اگر این Taskها وابستگی مستقیم به یکدیگر نداشته باشند، لازم نیست یکی تمام شود تا بعدی شروع شود.

این موضوع می‌تواند در بعضی پروژه‌ها زمان Workflow را کاهش دهد.

Memory؛ Agentها چیزی از پروژه به خاطر می‌سپارند

یکی دیگر از بخش‌های مهم Ruflo سیستم Memory است.

فرض کنید در Session قبلی تصمیم گرفته‌اید Authentication پروژه براساس:

JWT + Refresh Token

باشد.

می‌توانید این Pattern را داخل Memory ذخیره کنید:

npx ruflo@latest memory store \
  --key "auth-pattern" \
  --value "JWT with refresh tokens" \
  --namespace patterns

بعداً Agentهای دیگر می‌توانند این اطلاعات را دوباره بازیابی کنند.

Memory بین Sessionها

یکی از مشکلات Agentهای Coding این است که Context هر Session محدود است.

وقتی یک پروژه برای چند روز یا چند هفته ادامه پیدا می‌کند، نگه داشتن تمام تصمیمات قبلی داخل Context مدل می‌تواند دشوار شود.

Ruflo برای این مسئله سیستم Memory و Retrieval ارائه می‌کند تا اطلاعات مهم پروژه خارج از Context اصلی مدل ذخیره شوند.

این اطلاعات می‌توانند شامل:

• Architecture Decisionها
• Patternهای کدنویسی
• Bugهای قبلی
• راه‌حل‌های موفق
• Conventionهای پروژه

باشند.

Ruflo چند Agent دارد؟

نسخه فعلی پروژه مجموعه بزرگی از Agent Definitionها و Pluginهای تخصصی ارائه می‌دهد.

در Repository رسمی، Ruflo از بیش از 100 Agent تخصصی برای حوزه‌هایی مانند:

• Coding
• Testing
• Security
• Documentation
• Architecture
• Research

صحبت می‌کند.

البته این به معنی آن نیست که در هر پروژه باید ده‌ها Agent را همزمان اجرا کنید.

برای بسیاری از پروژه‌ها تیم کوچک ۳ تا ۸ Agent می‌تواند منطقی‌تر باشد.

Pluginهای Ruflo

Ruflo فقط Swarm Management نیست و Pluginهای مختلفی برای Workflowهای تخصصی ارائه می‌کند.

از جمله:

• ruflo-swarm: هماهنگی Agentها
• ruflo-rag-memory: Memory و Retrieval
• ruflo-testgen: تولید و بررسی Test
• ruflo-browser: Browser Testing
• ruflo-security-audit: بررسی امنیتی
• ruflo-docs: تولید Documentation
• ruflo-observability: Log و Monitoring
• ruflo-cost-tracker: بررسی Token و Cost

MCP چه نقشی دارد؟

Ruflo می‌تواند از طریق MCP یا Model Context Protocol به Claude Code متصل شود.

MCP اجازه می‌دهد ابزارهای Ruflo برای Claude Code قابل استفاده شوند.

به این ترتیب Claude Code می‌تواند عملیات‌هایی مانند:

• ساخت Swarm
• مدیریت Agent
• جستجوی Memory
• هماهنگی Workflow

را از طریق ابزارهای Ruflo انجام دهد.

پیش‌نیازهای نصب Ruflo

براساس مستندات فعلی Ruflo برای نصب کامل CLI بهتر است این موارد را داشته باشید:

• Node.js 20 یا بالاتر
• npm 9 یا بالاتر
• Git
• Claude Code برای استفاده مستقیم با Claude

نصب Ruflo روی Windows، macOS و Linux

یکی از ساده‌ترین روش‌ها استفاده از Setup Wizard است.

داخل Terminal پروژه اجرا کنید:

npx ruflo@latest init wizard

Wizard تنظیمات موردنیاز پروژه را مرحله‌به‌مرحله ایجاد می‌کند.

طبق مستندات Ruflo، این روش روی Windows PowerShell و CMD نیز قابل استفاده است.

Ruflo چه فایل‌هایی ایجاد می‌کند؟

بعد از Initialization ممکن است فایل‌ها و Directoryهایی مانند:

.claude/
.claude-flow/
CLAUDE.md

در پروژه ایجاد شوند.

این فایل‌ها برای Agent Definition، Hookها و تنظیمات Ruflo استفاده می‌شوند.

اتصال Ruflo به Claude Code با MCP

بعد از Initialization می‌توانید Ruflo را به‌عنوان MCP Server به Claude Code اضافه کنید.

claude mcp add ruflo -- npx ruflo@latest mcp start

بعد از این مرحله ابزارهای Coordination و Memory Ruflo از طریق Claude Code قابل استفاده خواهند بود.

بررسی نصب با Doctor

Ruflo یک ابزار Diagnostics داخلی به نام doctor دارد.

برای بررسی تنظیمات اجرا کنید:

npx ruflo@latest doctor --fix

این دستور مواردی مانند:

• نسخه Node.js
• نسخه npm
• Git
• Configuration
• API Keyها
• MCP Connectivity
• Disk Space

را بررسی می‌کند.

Daemon چیست؟

Ruflo یک Background Daemon هم دارد که برای Workerهای پس‌زمینه و Workflowهای طولانی‌تر استفاده می‌شود.

برای فعال کردن آن:

npx ruflo@latest daemon start

و برای مشاهده وضعیت:

npx ruflo@latest daemon status

فعال کردن Daemon برای همه پروژه‌ها اجباری نیست و بیشتر زمانی کاربرد دارد که Background Worker یا Taskهای Autonomous نیاز دارید.

ساخت اولین Swarm

بعد از نصب می‌توانید یک Swarm ساده ایجاد کنید.

npx ruflo@latest swarm init \
  --topology hierarchical \
  --max-agents 8 \
  --strategy specialized

در این نمونه یک Swarm با حداکثر هشت Agent و ساختار Hierarchical ساخته می‌شود.

ساخت یک Coder Agent

برای مثال می‌توان یک Agent مخصوص Coding ایجاد کرد:

npx ruflo@latest agent spawn \
  -t coder \
  --name my-coder

برای مشاهده Agentهای فعال:

npx ruflo@latest agent list

بعد از نصب، Claude Code را مثل قبل استفاده می‌کنیم؟

بله.

یکی از اهداف Ruflo این است که بعد از Setup، همچنان بتوانید Claude Code را به شکل معمول استفاده کنید.

برای مثال می‌توانید به Claude Code بگویید:

این پروژه را بررسی کن.

کار را بین Agentهای زیر تقسیم کن:

- Architect
- Backend Developer
- Tester
- Security Reviewer

ابتدا معماری فعلی را بررسی کنید.
سپس Feature را پیاده‌سازی کنید.
در پایان Test و Security Review انجام دهید.

Ruflo می‌تواند Coordination مربوط به این Workflow را مدیریت کند.

مثال واقعی؛ ساخت یک Feature

فرض کنید می‌خواهید سیستم Authentication پروژه را بازطراحی کنید.

Workflow ممکن است به شکل زیر باشد:

Research Agent
      ↓
Architecture Agent
      ↓
 ┌───────────────┐
 │               │
Backend Agent  Test Agent
 │               │
 └───────┬───────┘
         ↓
Security Agent
         ↓
Code Review
         ↓
Final Result

بعضی مراحل Sequential و بعضی مراحل Parallel اجرا می‌شوند.

آیا Ruflo واقعاً مصرف Token را کاهش می‌دهد؟

اینجا باید با دقت صحبت کرد.

در مستندات و Benchmarkهای خود پروژه، Ruflo برای بعضی Workflowها از کاهش Token و بهبود Efficiency صحبت می‌کند.

برای مثال در بعضی پیاده‌سازی‌ها و Routing Strategyهای پروژه اعدادی در حدود:

۲۴ تا ۳۲ درصد کاهش Token

گزارش شده است.

همچنین در یکی از معماری‌های Model Routing، پروژه ادعا می‌کند می‌تواند بخشی از Taskهای ساده را به مدل یا پردازش ارزان‌تر منتقل کند و استفاده از مدل‌های گران‌تر را فقط برای Taskهای پیچیده نگه دارد.

اما این اعداد تضمین‌شده نیستند

این Benchmarkها عمدتاً توسط خود پروژه منتشر شده‌اند و نباید آن‌ها را به‌عنوان نتیجه قطعی برای تمام پروژه‌ها در نظر گرفت.

Multi-Agent Workflow خودش سربار دارد.

هر Agent ممکن است:

• System Prompt جدا داشته باشد.
• Context جدا دریافت کند.
• با Agentهای دیگر پیام ردوبدل کند.
• نتیجه خود را دوباره Summary کند.

بنابراین در بعضی پروژه‌ها Multi-Agent حتی می‌تواند Token بیشتری از یک Agent ساده مصرف کند.

بهترین روش این است که Token Usage و Cost را روی پروژه واقعی خودتان Benchmark کنید؛ نه اینکه صرفاً به درصدهای تبلیغاتی تکیه کنید.

آیا Ruflo می‌تواند محدودیت Claude را بیشتر کند؟

Ruflo خودش Usage Limit حساب Claude را افزایش نمی‌دهد.

کاری که می‌تواند انجام دهد این است که با Routing بهتر، Memory، تقسیم Task و جلوگیری از ارسال Context غیرضروری تلاش کند استفاده از منابع را بهینه‌تر کند.

اگر این Optimization در Workflow شما موفق باشد، ممکن است با همان سهمیه Claude بتوانید کار بیشتری انجام دهید.

اما میزان این بهبود کاملاً به نوع پروژه، مدل‌ها، تعداد Agentها و نحوه Configuration بستگی دارد.

چه زمانی Multi-Agent واقعاً مفید است؟

Ruflo زمانی جذاب‌تر می‌شود که پروژه Taskهای نسبتاً مستقل زیادی داشته باشد.

مثلاً:

• Repository بزرگ
• Refactoring چند Module
• تحقیق + Implementation + Testing
• Code Review چندلایه
• Security Audit
• تولید Documentation همزمان با Development

چه زمانی یک Agent ساده بهتر است؟

برای یک تغییر کوچک شاید ساخت Swarm فقط Complexity اضافه کند.

مثلاً برای:

• اصلاح یک Bug کوچک
• تغییر یک Component
• نوشتن یک Function
• پاسخ به یک سؤال ساده درباره Codebase

معمولاً یک Agent کافی است.

قاعده ساده این است:

هرچه Task بیشتر قابل تقسیم باشد، Multi-Agent جذاب‌تر می‌شود.

Ruflo رسمی Anthropic است؟

خیر.

Ruflo یک پروژه مستقل و متن‌باز است و نباید آن را قابلیت رسمی Claude Code یا محصول Anthropic در نظر گرفت.

این پروژه با Claude Code Integration دارد، اما توسعه آن توسط تیم Ruflo انجام می‌شود.

امنیت؛ قبل از نصب روی پروژه واقعی دقت کنید

ابزارهای Agentic Orchestration معمولاً دسترسی بالایی به پروژه دارند.

Ruflo ممکن است بسته به Configuration به مواردی مانند:

• Source Code
• Terminal
• MCP Serverها
• Environment Variableها
• API Providerها

متصل شود.

بنابراین برای Repositoryهای حساس بهتر است قبل از استفاده:

• کد و Packageهای مورد استفاده را بررسی کنید.
• Secretها را مستقیم داخل Repository قرار ندهید.
• Permission Agentها را محدود کنید.
• ابتدا روی پروژه آزمایشی اجرا کنید.
• لاگ و Token Usage را مانیتور کنید.

Ruflo هنوز پروژه‌ای در حال توسعه است

Ruflo پروژه فعالی است و Architecture و قابلیت‌های آن مرتب تغییر می‌کنند.

در Repository خود پروژه نیز بعضی Benchmarkهای قدیمی در Auditهای جدید اصلاح شده‌اند.

برای مثال برخی اعداد Performance قبلی مربوط به Vector Search بعداً دوباره Benchmark شده و مقادیر واقع‌بینانه‌تری منتشر شده است.

بنابراین هنگام استفاده از Ruflo بهتر است Documentation و Releaseهای جدید را بررسی کنید.

لینک رسمی Ruflo

Repository رسمی Ruflo روی GitHub:

مشاهده و دانلود Ruflo از GitHub →

راهنمای نصب رسمی:

مشاهده راهنمای نصب Ruflo →

دستورات مهم Ruflo در یک نگاه

# راه‌اندازی
npx ruflo@latest init wizard

# اتصال به Claude Code
claude mcp add ruflo -- npx ruflo@latest mcp start

# بررسی نصب
npx ruflo@latest doctor --fix

# اجرای Daemon
npx ruflo@latest daemon start

# ساخت Swarm
npx ruflo@latest swarm init \
  --topology hierarchical \
  --max-agents 8 \
  --strategy specialized

# ساخت Coder Agent
npx ruflo@latest agent spawn \
  -t coder \
  --name my-coder

# نمایش Agentها
npx ruflo@latest agent list

جمع‌بندی

Ruflo تلاش می‌کند Claude Code را از یک Coding Agent تنها به هسته یک Multi-Agent Development Workflow تبدیل کند.

به‌جای اینکه تمام کار به یک Agent سپرده شود، می‌توانید Task را بین Agentهای Coding، Testing، Research، Security و Architecture تقسیم کنید و بعضی مراحل را به‌صورت Parallel اجرا کنید.

سیستم Memory، Swarm Coordination، MCP Integration و Background Workerها نیز به مدیریت پروژه‌های طولانی‌تر کمک می‌کنند.

اما Multi-Agent همیشه به معنی سرعت بیشتر یا مصرف Token کمتر نیست. پروژه Ruflo Benchmarkهای امیدوارکننده‌ای منتشر کرده، ولی نتیجه واقعی به نوع Workflow بستگی دارد و حتی ممکن است در پروژه‌های کوچک سربار بیشتری ایجاد شود.

Ruflo قرار نیست جای Claude Code را بگیرد؛ هدفش این است که وقتی یک Agent دیگر کافی نیست، چند Agent را مثل یک تیم کنار هم قرار دهد.

---

آموزش Claude و ابزارهای هوش مصنوعی در معین گیفت

در معین گیفت جدیدترین ابزارهای Claude Code، ChatGPT، Codex و AI Agentها را بررسی می‌کنیم و روش‌های کاربردی استفاده از آن‌ها در برنامه‌نویسی، اتوماسیون و توسعه نرم‌افزار را آموزش می‌دهیم.