Swarm 是一个用于并行编排多个 worker 的技能，核心目标是：扇出 N 个并行 worker，等待它们全部结束，然后汇总返回一份报告。每个 worker 运行在各自独立的 Paseo worktree 中。这些 worker 可以覆盖不同的任务切片，也可以针对同一份任务简报进行竞速，或者两者混合。父任务负责等待、聚合，并返回单一报告。
使用方式
在启动任何 worker 之前，先打开一个 todolist，每个阶段对应一个条目。整体流程分为四个阶段：Frame（框定）、Fan out（扇出）、Aggregate（聚合）、Report（报告）。
阶段 A：Frame（框定）
明确完成判定（done predicate），以及 swarm 必须返回的产物或报告。
选择形态：可以按切片划分，可以让 N 个 worker 针对相同简报竞速，也可以混合两种方式。对于竞速或混合形态，需要在生成 worker 之前声明选择规则：first pass（首个通过）、rank all（全部排名）或 best-of（最优）。
N 由用户指定，或根据形态推导。N 是 worker 总数，不是并发上限。
worker 模型从 pstack Agent profiles 中选择（通过 list_profiles 读取）：pstack-worker，默认 codex/gpt-6.1-sol xhigh。将 profile 的 provider/model、thinkingOptionId、modeId 和 featureValues 复制到 create_agent 中。如果 create_agent 拒绝某个模型，则使用默认模型并说明；如果默认模型也被拒绝，则从 list_models 中选择同一 provider 下最接近的有效模型。对于模型竞速，需要提前为每个分支命名其模型。
当 worker 需要写入时，为每个 worker 提供各自可写的输出。当 worker 需要验证或测量提交时，每份简报都要写明确切的 SHA。测量类简报还要写明方法（样本数量、单个样本是什么、顺序）。worker 需在结果中记录这两者。
阶段 B：Fan out（扇出）
在一条消息中通过 create_agent 生成全部 N 个 worker，每个 worker 位于各自的 Paseo worktree 中（先用 create_workspace 并设置 isolation worktree，然后传入其 workspaceId），设置 notifyOnFinish: true，并使用第 4 步确定的模型。只有当 worker 需要访问全新 worktree 之外的内容时，才在当前 workspace 中运行该 worker。
当 worker 必须从非默认的已推送分支启动时，将其作为 baseBranch 传给 create_workspace。
每份简报都要独立完整，包含目标、范围、确切的切片或竞速分支、如何验证以及需要报告什么。报告使用 PASS、ISSUES 或 BLOCKED，并附上证据。能够证明缺陷的 worker 报告 ISSUES，并列出它能证明的每一个问题，而不仅是第一个。
如果某个 worker 掉线，则以 N-1 继续，并记录该情况。
阶段 C：Aggregate（聚合）
读取最终结果。丢弃未记录其简报所指定 SHA 和方法的结果，并重新运行该 worker 一次。第二次仍未记录时，记录一个缺口（gap）。缺口不计为通过。对于覆盖型任务，每个必需的切片都需要有结果。对于竞速型任务，应用事先声明的选择规则：first pass、rank all 或 best-of。不要粘贴 worker 的原始输出。
保留一张紧凑的结果表、一行式带证据的问题列表，以及明确的缺口或掉线情况。
阶段 D：Report（报告）
返回一份合并的聊天内报告，包含结果表、问题一行式说明、缺口或掉线情况，以及使用竞速规则时的规则说明。
适用场景
适用于 /swarm 指令、"swarm this" 请求、并行覆盖、竞速、gauntlet 以及探索类任务。
限制
资料未提供关于收费、价格、平台支持范围、性能效果或具体使用步骤的更多信息。