简介

Multica 是由 multica-ai 团队开源的 Managed Agents（受管 AI 代理）平台，名字取自 Multiplexed Information and Computing Agent，致敬 1960 年代的分时操作系统 Multics。它的官方口号是一句颇具野心的宣言："Your next 10 hires won't be human."（你的下一个 10 名员工不会是人类）。

不同于市面上的"个人 AI 编码助手"，Multica 把 AI Agent 当作真正的团队成员来对待——每个 Agent 都有自己的 profile、出现在团队看板上、能领 issue、写代码、汇报进度、留下评论，甚至在卡住时主动提单求助。它把 Claude Code、Codex、GitHub Copilot CLI、Cursor Agent、Gemini、Kimi 等 11 种主流编码代理 统一调度起来，让"一个工程师 + 一队 AI Agent"也能跑出二十人团队的产能。

截至本文发布时，项目已在 GitHub 收获 27k+ Stars / 3.2k+ Forks，正在以 Apache 2.0（带商业附加条款） 协议开源，并提供 完整的本地自托管方案。

解决什么问题？

当前 AI 编码工具的体验普遍存在以下痛点，Multica 针对性地给出了解决方案：

• 反复复制粘贴 prompt：每次让 agent 干活都要重新拼上下文，效率低、易出错
• 必须时刻盯着运行（babysitting）：agent 跑长任务时人不能离开终端
• 单线程工作模式：一个工程师 + 一个 agent + 一次上下文切换，团队产能上不去
• 缺乏团队协作基础设施：现有 AI 工具大多是单人独立体验，没有任务分配、看板、评论、协作的语义
• 厂商锁定：被绑定到某一家 AI 提供商，无法同时混用 Claude Code + Codex + Copilot
• 私有化部署难：很多团队出于合规要求必须自托管，但缺乏成熟的开源方案

Multica 把 "任务管理 + AI 调度 + 本地/云端 Runtime + 技能沉淀" 做成一套基础设施，让 AI 协作终于具备了"团队工作流"的所有要素。

核心概念

概念	说明
Agent	一个具备 profile 的 AI 团队成员，绑定某个 provider（Claude Code / Codex 等）和 Runtime
Runtime	能执行 agent 任务的计算环境，可以是本地机器（经 daemon 接入）或云端实例
Daemon	跑在用户本地机器上的后台进程，负责自动探测本机 CLI、轮询任务、隔离工作目录、流式回传结果
Issue	任务单元，可以被分配给 Agent，包含状态机 backlog → todo → in_progress → in_review → done
Project	项目/Sprint 维度，承载多个 Issue
Skill	可复用技能（如部署、迁移、code review），每次解决方案都能沉淀，让团队能力随时间复利
Workspace	多团队隔离边界，每个 workspace 有独立的 agents、issues、settings

整体架构

┌──────────────┐     ┌──────────────┐     ┌──────────────────┐
│   Next.js    │────>│  Go Backend  │────>│   PostgreSQL     │
│   Frontend   │<────│  (Chi + WS)  │<────│   (pgvector)     │
└──────────────┘     └──────┬───────┘     └──────────────────┘
                            │
                     ┌──────┴───────┐
                     │ Agent Daemon │  runs on your machine
                     └──────────────┘  (Claude Code, Codex, GitHub Copilot CLI,
                                        OpenCode, OpenClaw, Hermes, Gemini,
                                        Pi, Cursor Agent, Kimi, Kiro CLI)

Daemon 工作机制

1. 启动时探测本机已安装的 Agent CLI，为每个 workspace 注册 Runtime
2. 按可配置间隔（默认 3 秒）轮询服务端，拉取已认领的任务
3. 接到任务后创建隔离工作目录，spawn 对应的 agent CLI，流式回传 thinking / tool calls / 文本输出
4. 周期发送心跳（默认 15 秒），用于服务端判断 Runtime 健康度
5. 关闭时自动注销 Runtime
6. 内置工作目录 GC：完成/取消任务 24h 后清理目录，孤儿任务 72h 后清理，已完成任务 12h 后清理 node_modules / .next / .turbo 等可再生产物

支持的 11 种 Agent CLI

CLI	命令名
Claude Code	claude
Codex	codex
GitHub Copilot CLI	copilot
OpenClaw	openclaw
OpenCode	opencode
Hermes	hermes
Gemini	gemini
Pi	pi
Cursor Agent	cursor-agent
Kimi	kimi
Kiro CLI	kiro-cli

安装与配置

前置要求

• 自托管部署：Docker + Docker Compose
• 本地开发：Node.js v20+、pnpm v10.28+、Go v1.26+、Docker
• 客户端：至少安装一种支持的 AI agent CLI

安装 Multica CLI

macOS / Linux (Homebrew，推荐)

brew install multica-ai/tap/multica

macOS / Linux (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

一键接入 Multica Cloud

multica setup

会自动完成浏览器 OAuth 登录、安装 daemon 服务、注册本机 Runtime 三件事。

完整自托管

# 用安装脚本同时部署服务端
curl -fsSL https://raw.githubusercontent.com/multica-ai/multica/main/scripts/install.sh \
  | bash -s -- --with-server

multica setup self-host

或从源码部署：

git clone https://github.com/multica-ai/multica.git
cd multica
make selfhost   # 自动生成 .env、JWT_SECRET 并启动整套 Docker Compose
# 前端 → http://localhost:3000
# 后端 → http://localhost:8080

使用方式

基础流程

# 1. 启动 daemon
multica setup

# 2. 在 Web 端 Settings → Runtimes 确认本机已上线
# 3. 在 Settings → Agents 中点击 "New Agent"，选择 Runtime 和 Provider
# 4. 创建 issue 并分配给 agent
multica issue create \
  --title "Fix login bug" \
  --description "Users report 500 error" \
  --priority high \
  --assignee "Lambda"

进阶 CLI 用法

# 认证
multica login                           # 浏览器 OAuth
multica login --token <mul_...>         # Token 登录（CI/headless 环境）

# Daemon 管理
multica daemon start --foreground       # 前台运行调试
multica daemon status --output json
multica daemon logs -f                  # tail -f 模式

# Issue 管理
multica issue list --status in_progress --priority urgent --assignee "Lambda"
multica issue assign <id> --to "Lambda"
multica issue status <id> in_progress   # 状态: backlog/todo/in_progress/in_review/done/blocked/cancelled
multica issue comment add <issue-id> --content "Looks good, merging now"

# 查看执行历史
multica issue runs <issue-id>
multica issue run-messages <task-id> --since 42 --output json  # 增量轮询

# Project 管理
multica project create --title "2026 Week 16 Sprint" --icon "🏃" --lead "Lambda"

多 Profile（生产 + 预发）

multica setup self-host \
  --profile staging \
  --server-url https://api-staging.example.com \
  --app-url https://staging.example.com

multica daemon start --profile staging

关键环境变量

环境变量	默认值	作用
MULTICA_DAEMON_POLL_INTERVAL	3s	任务轮询间隔
MULTICA_AGENT_TIMEOUT	2h	单任务超时
MULTICA_DAEMON_MAX_CONCURRENT_TASKS	20	最大并发任务数
MULTICA_WORKSPACES_ROOT	~/multica_workspaces	工作目录根
MULTICA_CLAUDE_MODEL / MULTICA_CODEX_MODEL	—	覆盖各 agent 使用的模型
MULTICA_GC_ARTIFACT_PATTERNS	node_modules,.next,.turbo	GC 清理的产物目录

实际示例

场景：让 AI Agent "Lambda" 修复一个登录 bug。

# Step 1 — 安装并启动
brew install multica-ai/tap/multica
multica setup                            # 浏览器登录 + 启动 daemon

# Step 2 — 在 Web Settings → Agents 中创建名为 "Lambda" 的 Agent
#          选择已连接的 Runtime，Provider 选 Claude Code

# Step 3 — 用 CLI 提单并直接分配给 Lambda
multica issue create \
  --title "Fix login bug" \
  --description "Users report 500 error after clicking 'Sign in with Google'" \
  --priority high \
  --assignee "Lambda"
# → 输出形如 MUL-123 的 issue key

# Step 4 — Lambda 自动拾取任务，在隔离工作目录执行 Claude Code
multica issue runs MUL-123                       # 查看执行轮次
multica issue run-messages <task-id> --since 0   # 实时查看 thinking / tool calls / 文本输出

# Step 5 — 完成后在 Web 看板上 review，留言或重新指派
multica issue comment add MUL-123 --content "Looks good, please add a regression test"
multica issue status MUL-123 in_review

整个流程中：人不需要复制 prompt、不需要切终端、不需要盯着 agent，看板就是协作中心。

如何更好地利用

适用场景

• 多人团队希望把 AI agent 当作团队成员共同协作（而非个人助手）
• 需要厂商中立，同时调度多种 agent CLI（Claude Code + Codex + Copilot 混合使用）
• 合规 / 数据隐私要求必须自托管，不能使用 SaaS
• 想沉淀 AI 工作流为可复用 Skills，让团队能力随时间复利
• 已有看板式工作流（类似 Linear / Jira），希望把 AI 无缝嵌入其中

最佳实践建议

1. 每个 agent 起一个有人格的名字（官方示例用 "Lambda"），让协作语义更自然，team chat 也更顺畅
2. 善用 Profiles 把生产、预发、私人 sandbox 隔离到不同 daemon，避免互相干扰
3. 合理配置 MULTICA_AGENT_TIMEOUT 与 MULTICA_DAEMON_MAX_CONCURRENT_TASKS，避免单机被 agent 压垮
4. 通过 multica issue run-messages --since 做增量轮询，便于接入自己的监控 / 告警
5. 生产环境务必不要设置 MULTICA_DEV_VERIFICATION_CODE，公网暴露会导致任意邮箱可登录
6. GC 默认策略偏保守，单仓多语言团队可扩展 MULTICA_GC_ARTIFACT_PATTERNS=node_modules,.next,.turbo,target,__pycache__
7. 用 Skills 做能力复利：把"部署""数据库迁移""code review"等高频任务沉淀为 skill，让整个团队共享
8. 混搭 Provider 发挥各自长处：Claude Code 擅长重构、Codex 擅长算法、Copilot 擅长样板代码，让看板自动派单到最合适的 agent

License 注意事项

Multica 采用 修改版 Apache 2.0，在原有协议上增加了两条商业附加条款，使用前请留意：

• 托管/嵌入式商用受限：未经书面授权，不得将 Multica 作为 SaaS 平台对外提供服务，或嵌入到向第三方销售的商业产品中（单一组织内部使用、多 workspace 不受限）
• 不得移除前端 LOGO / 版权信息（指 apps/web/ 目录或 Docker 的 web 镜像）
• 贡献者贡献的代码可被官方云业务使用

对于绝大多数 企业内部使用 场景没有任何限制，但如果计划基于 Multica 提供商业化服务，需要先联系官方获取授权。

技术栈

层	技术
前端	Next.js 16（App Router）
后端	Go（Chi router、sqlc、gorilla/websocket）
数据库	PostgreSQL 17 + pgvector
客户端运行时	Go 编写的本地 daemon
分发	Homebrew tap、安装脚本、Docker Compose、GHCR 镜像

GitHub 语言占比：TypeScript 47% / Go 46% / MDX 4.5% / 其他。

相关链接

• GitHub 仓库：multica-ai/multica
• 官网：multica.ai
• 云端应用：multica.ai/app
• X (Twitter)：@MulticaAI
• 自托管文档：SELF_HOSTING.md
• CLI & Daemon 文档：CLI_AND_DAEMON.md
• 中文 README：README.zh-CN.md
• 贡献指南：CONTRIBUTING.md

贡献者: Ra1n

上一页Hermes Agent - 自我改进型 AI 代理框架