Multica：把编码 Agent 当成团队成员管理的开源平台

一句话定位

Multica 是一个开源的 Managed Agents 平台，用看板、Issue、运行时和技能系统，把 Claude Code、Codex、OpenCode、Hermes 等编码 Agent 管理成可以被分配任务、跟踪进度、复用经验的“团队成员”。

官方 README 将 Multica 定位为开源的 Managed Agents 平台。它的重点不是再造一个新的编码 Agent，而是把 Claude Code、Codex、OpenCode、Hermes 等已有 Agent 纳入团队协作流：分配任务、跟踪进度、管理运行时，并把常见工程动作沉淀成可复用技能。

官方 README 列出的支持范围包括 Claude Code、Codex、OpenClaw、OpenCode、Hermes、Gemini、Pi、Cursor Agent、Kimi、Kiro CLI。实际支持能力建议以仓库最新 README 和本机 CLI 检测结果为准。

基础信息卡片

解决什么问题

现在很多团队已经开始使用编码 Agent，但常见用法仍然偏“临时对话”：打开一个 CLI、复制一段需求、等待它跑完，再人工确认结果。这个模式适合个人效率工具，却很难自然进入团队协作流程。

Multica 想解决的是另一类问题：当团队里不止一个人、也不止一个 Agent 时，如何把 Agent 纳入日常工作流？

它把 Agent 放到类似项目管理工具的上下文里：任务可以被分配，执行过程可以被观察，阻塞可以被报告，结果可以沉淀为可复用技能。这样 Agent 不再只是一个命令行窗口，而更像看板里的协作者。

Multica 的核心界面接近团队项目管理工具：左侧是工作区导航，中间是 Issues 看板，任务按 Backlog、Todo、In Progress、In Review、Done 等状态流转，Agent 和人类成员共享同一套任务视图。

核心功能

1. Agent 像队友一样被分配任务

在 Multica 里，Agent 可以出现在看板、成员列表、任务负责人和评论区中。你可以像给同事分配 Issue 一样，把任务分配给某个 Agent。

它接手后会更新状态、发表评论、报告阻塞，也可以创建新的 Issue。对团队来说，重点不是“又多了一个 AI 工具”，而是 Agent 的动作被放进了统一的协作记录里。

这也是 Multica 和单个编码 Agent CLI 最大的区别：CLI 解决的是“让 Agent 做事”，而 Multica 解决的是“让团队知道 Agent 在做什么、由谁负责、做到哪一步、结果如何沉淀”。

2. 完整的任务生命周期管理

Multica 不只关注一次 prompt 的输出，而是关注任务从排队、认领、开始执行到完成或失败的全过程。

官方 README 中提到，Multica 支持完整的任务生命周期管理，包括 enqueue、claim、start、complete/fail，并通过 WebSocket 实时推送进度。这样团队可以看到 Agent 正在做什么、卡在哪里、最终产出了什么，而不是几个小时后才发现任务没有继续推进。

这对于团队场景很重要。因为团队协作里，任务是否完成只是结果，过程中的状态、阻塞、上下文和责任归属同样重要。

3. 统一运行时：本地机器和云端都能管理

Multica 通过本地 daemon 连接你的机器，也支持云端运行时。daemon 会自动检测本机 PATH 中可用的 Agent CLI，例如 Claude Code、Codex、OpenCode、Hermes、Gemini、Cursor Agent 等。

这意味着团队可以在一个控制台里管理不同运行环境：有人用本地 MacBook 跑 Agent，有人用云端实例跑任务，Multica 负责把这些运行时统一呈现和调度。

从架构上看，Runtime 是 Multica 很关键的一层。它不只是展示一个看板，而是把“任务”和“执行环境”连接起来，让 Agent 真正可以在指定环境里接手工作。

4. 技能系统：把经验沉淀给整个团队

Multica 的 Skills 设计很关键。它把“如何完成某类任务”的步骤、配置、上下文和模板沉淀下来，让之后的 Agent 可以复用。

例如部署到测试环境、编写数据库迁移、做 PR Review、补测试等，都可以被整理成技能。一次解决方案不只是一次性结果，而会变成团队后续可调用的能力。

这也是 Managed Agents 平台和普通 AI 工具的区别之一：普通 AI 工具更多是在单次对话里产生结果，而 Managed Agents 平台需要让经验可以积累、复用和团队共享。

5. 多工作区与团队隔离

Multica 支持 workspace 级别的隔离，每个工作区可以有独立的 Agent、Issue 和设置。对于多团队、多项目场景，这比单机工具或单人看板更接近真实协作需求。

如果团队同时维护多个项目，或者不同业务线有不同的 Agent、运行时和权限边界，多工作区设计会比单一全局配置更可控。

适合谁

Multica 比较适合以下几类团队或个人：

• 已经在使用 Claude Code、Codex、OpenCode、Hermes 等编码 Agent，希望把它们纳入团队流程；
• 有多个项目、多个运行环境，需要统一管理 Agent 执行位置和状态；
• 希望减少“复制 prompt、盯着终端、人工汇报进度”的重复操作；
• 想把常见工程动作沉淀为团队级技能，而不是让每个人各自维护脚本和经验；
• 对自部署、厂商中立、可控基础设施有要求的团队。

如果只是偶尔让 AI 帮忙改一个小函数，Multica 可能显得偏重；但如果团队已经开始认真把编码 Agent 当成协作者，它的价值会更明显。

快速上手

macOS / Linux 推荐使用 Homebrew 安装：

brew install multica-ai/tap/multica

也可以使用安装脚本：

curl -fsSL https://raw.githubusercontent.com/multica-ai/multica/main/scripts/install.sh | bash

Windows PowerShell：

irm https://raw.githubusercontent.com/multica-ai/multica/main/scripts/install.ps1 | iex

安装后，一条命令完成配置、认证和启动 daemon：

multica setup

如果要自部署完整服务，可以使用：

curl -fsSL https://raw.githubusercontent.com/multica-ai/multica/main/scripts/install.sh | bash -s -- --with-server
multica setup self-host

官方架构大致如下：

  flowchart LR
    A[Next.js 前端] <--> B[Go Backend\nChi + WebSocket]
    B <--> C[PostgreSQL 17\npgvector]
    B <--> D[Agent Daemon]
    D --> E[Claude Code]
    D --> F[Codex]
    D --> G[OpenCode / OpenClaw]
    D --> H[Hermes / Gemini / Cursor Agent 等]

前端使用 Next.js 16，后端使用 Go、Chi、sqlc 和 gorilla/websocket，数据库是 PostgreSQL 17 + pgvector。整体架构并不只是一个 UI 壳，而是围绕 Agent 执行、状态同步、运行时管理和技能复用做了一套完整平台。

Multica 和普通编码 Agent 的区别

很多编码 Agent 解决的是“执行”问题，例如根据提示修改代码、运行命令、生成测试或提交补丁。

Multica 解决的是更上层的“管理”问题：

所以它不是 Claude Code、Codex、OpenCode 的替代品，而更像是这些 Agent 之上的协作和管理层。

结论

Multica 的核心价值，是把“编码 Agent”从个人命令行工具提升为团队协作对象。

它没有把重点放在再造一个 Agent，而是站在管理层：谁来做、在哪里跑、进度如何、失败怎么暴露、经验如何复用。对于正在把 AI 编程工具接入真实研发流程的团队来说，这个方向很值得关注。

从当前关注度和功能迭代节奏看，Multica 已经是 Managed Agents 方向里值得关注的开源项目之一。如果你已经在使用多个编码 Agent，并且开始遇到任务分配、运行监控、团队复用这些问题，Multica 可以作为一个开源方案优先试用。