Multica：开源多智能体团队协作平台深度解析

什么是 Multica

Multica 是一个开源的Managed Agents平台，项目口号是"你的下一批员工，不是人类"（ Your next 10 hires won't be human ）。它将Claude Code、Codex、OpenCode、OpenClaw、Hermes、Gemini、Pi、Cursor Agent等主流AI编码智能体转化为真正的团队成员——可以像分配任务给同事一样，把Issue分配给Agent，Agent会自主接手工作、编写代码、更新状态、报告阻塞问题。

项目地址：https://github.com/multica-ai/multica

Multica

Multica解决了当前AI辅助开发中的核心痛点：

割裂的工作流：开发者需要在编辑器、命令行和任务看板之间频繁切换，把AI输出手动搬运到项目管理系统。
缺少管理层：没有统一的入口对多个AI工具进行任务分配、进度追踪和成果沉淀。
厂商绑定：各家AI工具有自己的UI和工作流，难以在团队中统一规范。
技能无法复用：每次让AI做类似工作都要重写Prompt，团队的最佳实践无法沉淀。

核心特性

特性	说明
`Agent`即队友	`Agent`有个人档案，出现在看板，可发评论、创建`Issue`、主动报告阻塞
自主任务执行	任务全生命周期自动管理：排队→认领→执行→完成/失败
可复用技能	每个解决方案都可沉淀为全团队共享的 `Skill`，随时间持续增强团队能力
统一运行时	一个控制台管理本地 `Daemon` 和云端运行时，自动检测可用 `CLI`
多工作区	工作区级别隔离，各自独立的 `Agent`、`Issue` 和配置
厂商中立	同时支持 8 种主流`AI`编码 `Agent CLI`，无厂商锁定
自部署支持	完整开源，支持 Docker 自部署，数据完全掌控

架构设计

整体架构

Multica采用三层架构：前端Web应用、Go后端服务和本地Daemon。三者通过HTTP REST API和WebSocket进行通信。

技术栈明细

层级	技术栈	说明
前端	`Next.js 16`（`App Router`）	`React 18`，实时看板`UI`
后端	`Go`（`Chi router`、`sqlc`、`gorilla/websocket`）	单二进制，高性能
数据库	`PostgreSQL 17` + `pgvector`	支持向量搜索
`Agent`运行时	本地 `Daemon`	托管多种 `AI CLI` 的执行
部署	`Docker Compose`	自部署一键启动

各组件详解

前端（Next.js Web 应用）

前端提供项目看板、Issue管理、Agent配置、运行时监控等全套UI。其关键设计要点：

使用staleTime: Infinity配合WebSocket推送驱动数据更新，避免频繁轮询：
通过WebSocket订阅工作区级别事件总线，实时接收issue:created、issue:updated、任务进度流等事件；
JWT鉴权 + WebSocket Origin白名单双重安全控制。

后端（Go 服务）

后端是整个系统的核心调度层，主要模块如下：

模块	路径	职责
`Handler`层	`server/internal/handler/`	`HTTP`路由处理，参数校验，响应序列化
`Service`层	`server/internal/service/`	核心业务逻辑：任务调度、`Autopilot`等
`Daemon`层	`server/internal/daemon/`	`Agent Daemon`逻辑实现
`Realtime`层	`server/internal/realtime/`	`WebSocket Hub`，管理订阅连接
`Events`层	`server/internal/events/`	进程内事件总线（发布/订阅）
`Auth`层	`server/internal/auth/`	`JWT` + `PAT`（个人访问令牌）认证
`Mention`层	`server/internal/mention/`	`Issue`标识符（如`MUL-117`）展开为链接

使用sqlc生成类型安全的数据库访问层，避免手写SQL映射。

实时事件总线

server/internal/events/bus.go实现了一个进程内同步发布/订阅事件总线：

// 订阅特定事件
bus.Subscribe("issue:created", func(e Event) { ... })

// 全局订阅（接收所有事件）
bus.SubscribeAll(func(e Event) { ... })

// 发布事件（各 handler 可调用）
bus.Publish(events.Event{
    Type:        "issue:updated",
    WorkspaceID: workspaceID,
    Payload:     payload,
})

事件总线连接服务端业务逻辑与WebSocket推送层，解耦各模块。

Agent Daemon

Daemon是运行在用户本地机器（或云实例）上的 Agent 执行引擎，源码位于server/internal/daemon/，这是 Multica 区别于其他平台最关键的组件：

启动流程：

从CLI配置文件加载认证token；
调用API获取用户所有工作区，为每个工作区、每个检测到的 Agent CLI 注册一个Runtime；
启动workspaceSyncLoop（每30s）发现新工作区；
启动heartbeatLoop（默认每15s）维持心跳；
启动gcLoop清理完成任务的沙箱目录；
进入pollLoop（默认每3s）轮询并认领任务。

沙箱技术：隔离执行环境

Multica的Agent执行隔离采用文件系统级进程隔离方案，源码位于server/internal/daemon/execenv/。

注意：Multica当前版本的沙箱不依赖container或VM层，而是通过独立目录树 + Git Worktree实现环境隔离。这是一种轻量级沙箱，优先保证速度和可移植性，适合编码类任务。

目录结构

每个任务运行时，Daemon在~/multica_workspaces/<workspace_id>/<task_id_short>/下创建一套独立目录：

~/multica_workspaces/
└── <workspace_id>/
    └── <task_id_short>/          # 任务根目录 (envRoot)
        ├── workdir/              # Agent 的工作目录（代码在此）
        ├── output/               # 任务输出文件
        ├── logs/                 # 执行日志
        ├── .gc_meta.json         # GC 元数据（issue_id, workspace_id, 完成时间）
        └── codex-home/           # 仅 Codex：per-task CODEX_HOME

Git Worktree 代码隔离

当Agent需要操作代码仓库时，通过multica repo checkout <url>命令：

Daemon调用git worktree add在workdir/下创建独立工作树，分支命名为multica/<agent-name>/<timestamp>；
每个任务获得独立的Git分支，Agent的代码修改互不影响；
支持同一工作区多个Agent同时在同一个代码仓库的不同分支上并行工作；
任务完成后，GC循环自动清理工作树和沙箱目录。

运行时配置注入

不同Agent CLI使用不同的配置文件约定，Multica 通过InjectRuntimeConfig函数统一处理：

Agent	注入文件	说明
`claude`	`CLAUDE.md`	`Claude Code` 原生读取工作目录下的 `CLAUDE.md`
`codex`	`AGENTS.md` + `CODEX_HOME/skills/`	`Codex` 通过 `AGENTS.md` 和 `CODEX_HOME` 发现技能
`opencode`	`AGENTS.md`	`OpenCode` 原生读取 `AGENTS.md`
`openclaw`	`AGENTS.md`	`OpenClaw` 原生读取 `AGENTS.md`
`gemini`	`GEMINI.md`	`Gemini CLI` 原生读取 `GEMINI.md`
`cursor`	`AGENTS.md`	`Cursor Agent` 原生读取 `AGENTS.md`
`pi`	`AGENTS.md`	`Pi CLI` 原生读取 `AGENTS.md`

注入内容包括：Agent身份信息、可用的multica CLI命令列表、仓库列表和工作流指引，赋予Agent完整的上下文感知能力。

GC 机制

gcLoop定期扫描multica_workspaces/目录，读取每个子目录的.gc_meta.json，对完成时间超过保留期（默认 7 天）的任务目录执行清理，防止磁盘无限膨胀。

多 Agent 协作机制

设计哲学

Multica的多Agent协作核心思路是：用Issue作为协作的基本单元，多个Agent可以围绕同一个 Issue 进行异步协作，而不需要在Agent间建立直接的通信通道。这使协作模型更接近人类团队的实际工作方式。

协作触发机制

Multica支持两种触发Agent执行任务的方式：

分配触发（Assignment Trigger）

将Issue分配给Agent时自动触发：

Issue 分配给 Agent-A
    → TaskService.EnqueueTaskForIssue()
    → 创建 agent_task_queue 记录
    → Daemon 轮询认领
    → Agent-A 开始执行

@mention 触发（Mention Trigger）

在Issue评论中@mention特定Agent，触发该Agent参与协作：

评论内容：@agent-b 请帮我做代码审查
    → TaskService.EnqueueTaskForMention()
    → Agent-B 收到任务，上下文为触发评论 ID
    → Agent-B 读取评论内容，响应并执行

这使多个Agent可以在同一个Issue下进行接力或并行协作。

多 Agent 协作完整流程

任务上下文传递

为了让Agent在接手任务时理解完整上下文，Multica会将以下信息注入到执行环境中：

IssueID：当前处理的 Issue 编号；
TriggerCommentID：触发本次执行的评论ID（区分是分配触发还是评论触发）；
AgentID / AgentName：Agent 的身份；
AgentInstructions：Agent 的个性化指令（人设/技能方向）；
AgentSkills：Agent 已安装的技能列表；
Repos：工作区已注册的代码仓库列表。

Agent通过multica CLI 工具与平台交互，读取和更新 Issue 状态：

# Agent 在执行过程中可调用的命令
multica issue get <id> --output json          # 读取 Issue 详情
multica issue comment list <id> --output json # 读取所有评论
multica issue comment add <id> --content "..." # 发布评论
multica issue status <id> in_progress          # 更新状态
multica repo checkout <url>                    # 检出代码仓库

与其他项目相比的优势

维度	Multica	OpenDevin	AutoGen	CrewAI
集成方式	包装现有成熟 `CLI`（`Claude Code` 等）	自有 `Agent` 框架	自有框架	自有框架
多 `Agent` 协作	`Issue + @mention` 异步协作	任务规划 + 子 `Agent`	`Agent` 对话轮转	角色分工，顺序/并行
人机协作模式	看板式，与人类工作流无缝融合	主要面向自动化管道	代码优先，程序化	代码优先，程序化
技术底座	成熟的 `AI CLI` 工具	独立沙箱 + 自有 `LLM` 接入	`Python`，`LLM API`	`Python`，`LLM API`
团队协作	原生多用户多 `Agent`	单用户为主	单用户为主	单用户为主
技能复用	`Skills` 系统，团队共享	`Memory` 系统	有限	无内建机制
部署方式	`Docker` 自部署 / 云服务	自部署	本地`Python`	本地`Python`

Multica 的核心优势在于：

零框架锁定：不自研 Agent 框架，直接集成业界最优秀的Claude Code、Codex等 CLI，充分利用这些工具已有的代码理解、工具调用和上下文管理能力；
团队原生设计：多用户、多角色、多工作区是第一公民，而非后期补丁；
与人类工作流融合：看板模型是大多数开发团队最熟悉的工作方式，Agent 参与到已有流程中，而不是要求团队适应新工作方式；
异步协作：基于 Issue/评论的异步协作模型天然支持跨时区、跨人机的复杂工作场景。

Skills 技能系统

Skills是 Multica 的知识积累和复用机制。每个技能是一个结构化的 Markdown 文档，描述特定领域的工作流程或最佳实践。

技能的工作方式

团队成员在 Multica 平台上创建并管理 Skills；
Agent 被创建时，可以为其分配一组 Skills；
任务执行前，Daemon 将 Agent 的 Skills 写入沙箱执行环境对应位置（Claude 写入.claude/skills/，Codex 写入CODEX_HOME/skills/等）；
Agent CLI 在启动时自动发现并加载这些技能作为上下文。

技能锁文件

项目使用skills-lock.json管理技能依赖（类似package-lock.json的思路）：

{
  "version": 1,
  "skills": {
    "frontend-design": {
      "source": "anthropics/skills",
      "sourceType": "github",
      "computedHash": "063a0..."
    },
    "shadcn": {
      "source": "shadcn/ui",
      "sourceType": "github",
      "computedHash": "507f0..."
    }
  }
}

Skills 支持从 GitHub 拉取社区贡献的技能包，实现跨团队知识共享。

安装与配置

快速安装（推荐）

# macOS / Linux，通过 Homebrew 安装
brew install multica-ai/tap/multica

# 一键配置：连接 Multica Cloud，登录，启动 Daemon
multica setup

自部署（Self-Hosting）

# 方式一：安装脚本（自动部署服务端 + 安装 CLI）
curl -fsSL https://raw.githubusercontent.com/multica-ai/multica/main/scripts/install.sh | bash -s -- --with-server
multica setup self-host

# 方式二：手动克隆部署
git clone https://github.com/multica-ai/multica.git
cd multica
make selfhost

# CLI 安装和配置
brew install multica-ai/tap/multica
multica setup self-host

自部署后访问：

前端：http://localhost:3000
后端API：http://localhost:8080
登录验证码（非生产环境）：888888

Daemon 配置参数

配置项	环境变量	默认值	说明
轮询间隔	`MULTICA_DAEMON_POLL_INTERVAL`	`3s`	检查新任务的频率
心跳间隔	`MULTICA_DAEMON_HEARTBEAT_INTERVAL`	`15s`	存活心跳频率
Agent 超时	`MULTICA_AGENT_TIMEOUT`	`2h`	单个任务最长运行时间
最大并发任务	`MULTICA_DAEMON_MAX_CONCURRENT_TASKS`	`20`	同时执行的最大任务数
Daemon ID	`MULTICA_DAEMON_ID`	主机名	唯一标识
工作区根目录	`MULTICA_WORKSPACES_ROOT`	`~/multica_workspaces`	沙箱目录根路径

Agent CLI 路径覆盖

如果 Agent CLI 不在系统PATH中，可通过环境变量指定：

变量	说明
`MULTICA_CLAUDE_PATH`	`claude`二进制的自定义路径
`MULTICA_CLAUDE_MODEL`	覆盖使用的 `Claude` 模型
`MULTICA_CODEX_PATH`	`codex`二进制的自定义路径
`MULTICA_CODEX_MODEL`	覆盖使用的 `Codex` 模型
`MULTICA_GEMINI_PATH`	`gemini`二进制的自定义路径
`MULTICA_GEMINI_MODEL`	覆盖使用的 `Gemini` 模型

使用示例

示例一：分配第一个任务给 Agent

# 1. 安装 CLI 和至少一个 Agent CLI
brew install multica-ai/tap/multica
# 确保 claude 或 codex 在 PATH 上

# 2. 一键配置并启动
multica setup

# 3. 创建一个 Issue
multica issue create --title "实现用户注册功能" --description "需要添加邮件验证"

# 4. 查看 Issue 列表，获取 ID
multica issue list --output json

# 5. 将 Issue 分配给 Agent（在 Web UI 中操作，或使用 CLI）
multica issue assign <issue-id> --to "Claude"

示例二：通过 @mention 触发多 Agent 协作

假设Agent-A（Claude Code）已完成功能实现，现在需要Agent-B（Codex）进行代码审查：

# 在 Issue 的评论中 @mention Agent-B
multica issue comment add <issue-id> \
  --content "@codex-reviewer 功能实现已完成，请审查代码质量并提出改进建议"

Multica后端检测到@mention后自动为Agent-B创建任务，Agent-B读取评论上下文后自主开展审查。

示例三：查看 Daemon 状态和日志

# 查看 Daemon 运行状态
multica daemon status

# 实时跟踪日志
multica daemon logs -f

# 查看 JSON 格式的详细状态（包含已注册的 Runtime 信息）
multica daemon status --output json

示例四：自定义 Agent 超时和并发

# 启动 Daemon 时指定参数
multica daemon start \
  --agent-timeout 4h \
  --max-concurrent-tasks 5 \
  --poll-interval 5s

示例五：多工作区管理

# 查看当前所有工作区
multica workspace list

# 切换工作区
multica workspace use <workspace-slug>

# 在特定工作区创建 Issue
multica issue create --title "后端优化" --workspace <workspace-id>

与同类项目对比

Multica vs Golutra

维度	Multica	Golutra
定位	团队`AI Agent`协作管理平台	个人多`Agent`工作空间桌面应用
架构	云端/自部署服务 + 本地 `Daemon`	本地 `Tauri` 桌面应用（`Rust + Vue 3`）
用户模型	多人团队，角色权限	单人，一人军团
看板	项目看板（`Issue` 驱动）	桌面 `GUI` 面板
沙箱	文件系统 + `Git Worktree`	`PTY` 伪终端进程级隔离
`Agent` 协作	`Issue + @mention` 异步协作	并行 `PTY` 面板，手动派发
技能系统	`Skills`（团队共享）	无内建机制
适用场景	工程团队，长期项目	个人高强度多任务并行

Multica vs Paperclip

Multica 官方文档直接对标 Paperclip，核心差异如下：

维度	Multica	Paperclip
定位	团队`AI Agent`协作平台	个人`AI Agent`公司模拟器
用户模型	多人团队，角色权限	单人 `Board Operator`
`Agent` 交互	`Issue` + 评论会话	`Issue` + 心跳轮询
部署模式	云端优先，支持自部署	本地优先
管理深度	轻量（`Issue` / `Project` / `Labels`）	重度（组织架构 / 审批 / 预算）
扩展性	`Skills` 系统	`Skills` + 插件系统

Multica vs OpenDevin（All-Hands）

维度	Multica	OpenDevin
框架	包装外部 `CLI`	自研 `Agent` 框架
沙箱	文件系统 + `Git Worktree`	`Docker` 容器级隔离
使用门槛	低（现有工具直接接入）	中（需理解框架）
扩展能力	依赖外部 `CLI` 能力	框架内可深度定制
团队协作	原生支持，多用户	主要单用户模式
适用场景	团队日常开发协作	复杂自动化管道探索

开发者接入

对于想参与 Multica 贡献的开发者，本地开发环境搭建：

环境依赖：

Node.js v20+
pnpm v10.28+
Go v1.26+
Docker

git clone https://github.com/multica-ai/multica.git
cd multica

# 一键启动开发环境（自动检测主仓库或 worktree）
make dev

make dev会自动完成：创建环境配置文件、安装 JS 依赖、启动 PostgreSQL 容器、初始化数据库、执行迁移、启动后端和前端。

对于需要并行开发多个功能的贡献者，项目提供了Git Worktree支持，每个worktree使用独立数据库（通过端口哈希自动分配隔离端口），互不干扰。

总结

Multica代表了一种务实的AI团队协作思路：不重新发明AI框架，而是为最优秀的现有AI CLI工具构建一层团队协作管理层。它的 Issue 驱动、@mention 协作、Skills 技能积累和 Git Worktree 隔离等设计，使AI Agent能够真正融入工程团队的日常工作流，而非成为需要单独维护的独立系统。

对于希望在团队中引入AI Agent协作、同时保持厂商中立和数据自主的工程团队，Multica值得认真评估。

什么是 Multica​

核心特性​

架构设计​

整体架构​

技术栈明细​

各组件详解​

前端（Next.js Web 应用）​

后端（Go 服务）​

实时事件总线​

Agent Daemon​

沙箱技术：隔离执行环境​

目录结构​

Git Worktree 代码隔离​

运行时配置注入​

GC 机制​

多 Agent 协作机制​

设计哲学​

协作触发机制​

分配触发（Assignment Trigger）​

@mention 触发（Mention Trigger）​

多 Agent 协作完整流程​

任务上下文传递​

与其他项目相比的优势​

Skills 技能系统​

技能的工作方式​

技能锁文件​

安装与配置​

快速安装（推荐）​

自部署（Self-Hosting）​

Daemon 配置参数​

Agent CLI 路径覆盖​

使用示例​

示例一：分配第一个任务给 Agent​

示例二：通过 @mention 触发多 Agent 协作​

示例三：查看 Daemon 状态和日志​

示例四：自定义 Agent 超时和并发​

示例五：多工作区管理​

与同类项目对比​

Multica vs Golutra​

Multica vs Paperclip​

Multica vs OpenDevin（All-Hands）​

开发者接入​

总结​