乐于分享
好东西不私藏
当前位置：夜雨聆风 > 技术教程 > 软件教程 > Multica 源码解析:把 AI Agent 变成真正的队友

Multica 源码解析:把 AI Agent 变成真正的队友

当前时间： 2026-04-21 17:08:53 更新时间： 2026-04-21 分类：软件教程 评论(0)

Multica 源码解析:把 AI Agent 变成真正的队友

你现在大概已经习惯了用 Claude Code 或 Codex 写代码。输入一个 prompt，Agent 开始干活，你盯着终端看输出。

但如果你有 3 个 Agent 同时在跑呢？5 个呢？谁在做什么？做到哪了？卡住了吗？需要人工介入吗？

这就是 Multica 要解决的问题。

Multica 不是又一个 AI 编程 Agent。它是 Agent 的管理平台——一个开源的、AI 原生的项目管理工具，把 coding agent 当作真正的团队成员来管理。你给 Agent 分配 Issue，就像给同事分配任务一样。Agent 自己认领、执行、报告进度、遇到问题主动说。

这篇文章从源码层面拆解 Multica 的架构，搞清楚它到底怎么工作的，以及它和直接用 Claude Code / Codex 有什么本质区别。

Multica 是什么

一句话：Multica 是一个开源的 managed agents 平台，让你像管理人类团队一样管理 AI coding agent。

它的名字来自 Multics（Multiplexed Information and Computing Service），1964 年诞生的分时操作系统先驱。Multics 解决了多用户共享计算资源的问题，Multica 要解决的是多 Agent 协作的问题。

核心信息：

  • 定位：AI 原生项目管理平台，不是 Agent 框架
  • 开源协议：开源，可自托管
  • 技术栈：Next.js 16 前端 + Go 后端（Chi router + sqlc）+ PostgreSQL 17（pgvector）+ Go CLI Daemon
  • 支持的 Agent：Claude Code、Codex、OpenClaw、OpenCode
  • 部署方式：Cloud 托管 或 Docker 自托管
  • 目标用户：2-10 人的 AI 原生小团队

关键区分：Multica 不执行代码。它管理执行代码的 Agent。Claude Code 是干活的人，Multica 是分配活的经理。

源码架构拆解

Multica 的代码库是一个 monorepo，核心分为四层。

前端层 apps/web/

前端：Next.js 16 + Zustand

前端在 apps/web/ 目录下，用 Next.js 16 App Router 构建。状态管理用 Zustand（轻量级，比 Redux 简单得多），数据获取用 TanStack Query。

有意思的是前端的组织方式。packages/core/ 提供共享的 API 客户端和认证逻辑，packages/ui/ 提供原子级 UI 组件，apps/web/features/ 按功能模块组织页面。这个结构说明团队从一开始就考虑了多端复用——除了 Web，还有 apps/desktop/（Electron 桌面端）。

实时更新通过 WebSocket 实现。当 Agent 在执行任务时，进度信息通过 WebSocket 实时推送到前端，你能在看板上看到 Agent 的工作状态实时变化。

后端：Go + Chi + sqlc

后端在 server/ 目录下，用 Go 写。路由用 Chi（轻量级 HTTP router），数据库查询用 sqlc（从 SQL 生成类型安全的 Go 代码），WebSocket 用 gorilla/websocket。

后端的核心是 realtime.Hub——一个 WebSocket 广播中心。所有状态变更（任务创建、Agent 认领、进度更新、完成/失败）都通过 Hub 广播给所有连接的客户端。这是 Multica 实时性的基础。

数据库用 PostgreSQL 17，带 pgvector 扩展。pgvector 的存在暗示了未来可能的语义搜索能力——比如根据 Issue 描述自动匹配最合适的 Agent 或 Skill。

Agent Daemon：本地执行引擎

这是 Multica 架构中最独特的部分。

Daemon 是一个运行在你本地机器上的 Go 进程（cmd/multica/daemon.go）。它做三件事：

  1. 自动检测：扫描系统 PATH，发现可用的 Agent CLI（claude、codex、openclaw、opencode）
  2. 任务轮询：定期向后端 API 轮询 /api/daemon/tasks，获取分配给本机 Runtime 的任务
  3. 隔离执行：在隔离环境中启动对应的 Agent CLI，传入任务上下文，收集输出

Daemon 启动后，你的机器就变成了一个 “Runtime”——一个可以执行 Agent 任务的计算环境。在 Multica 的 Web UI 里，你能看到所有 Runtime 的状态、可用的 Agent CLI、当前负载。

这个设计的巧妙之处在于：Agent 的执行发生在你自己的机器上，代码不需要上传到任何第三方服务器。对安全敏感的团队来说，这很重要。

Task Lifecycle：任务的一生

每个任务在 Multica 里都有明确的生命周期：

图表

什么意思呢？当你在看板上把一个 Issue 分配给 Agent 时：

  1. 后端创建一个 Task，状态为 enqueued
  2. 对应 Runtime 上的 Daemon 轮询到这个 Task，状态变为 claimed
  3. Daemon 启动 Agent CLI（比如 Claude Code），传入 Issue 描述和上下文，状态变为 running
  4. Agent 执行过程中，进度通过 WebSocket 实时回传
  5. 执行完成后状态变为 completed，或者失败变为 failed
  6. 如果 Agent 遇到无法自行解决的问题，它会主动报告 blocked，等待人工介入

这个状态机是 Multica 和”直接在终端跑 Claude Code”的核心区别。直接跑 CLI，你只能盯着一个终端窗口。Multica 给了你一个看板视图，所有 Agent 的所有任务一目了然。

实时通信：WebSocket Hub

图表

realtime.Hub（server/internal/realtime/hub.go）是整个实时系统的核心。它维护所有 WebSocket 连接，当后端状态发生变化时，Hub 负责把事件广播给所有相关的客户端。

这意味着：当 Agent A 在你的机器上执行任务时，你的同事在另一台电脑上也能实时看到进度。这是团队协作的基础。

Skills 系统：可复用的 Agent 能力

Multica 的 Skills 系统让你把 Agent 学到的能力打包成可复用的模块。

一个 Skill 包含代码、配置和上下文——比如”部署到 staging 环境”、”写 SQL 迁移脚本”、”审查 PR”。一旦定义好，工作区里的任何 Agent 都可以执行这个 Skill。

这和 Hermes Agent 的自动技能生成不同。Multica 的 Skills 更像是团队知识库——人工定义、Agent 执行。好处是可控性强，坏处是需要人工维护。

与现有 Agent 的本质区别

这是理解 Multica 最重要的一点：它不在执行层竞争。

分层对比图：三个水平层级，顶层管理层Multica(蓝色)负责任务分配和进度追踪，中层编排层Kiro/Cursor(橙色)负责代码规划和Agent模式，底层执行层Claude Code/Codex/OpenClaw(绿色)负责实际代码编写，层间有向下箭头表示调用关系

现有的 AI 编程工具大致分三层：

执行层：Claude Code、Codex、OpenClaw、OpenCode。它们是真正写代码的 Agent——接收指令，操作文件，执行命令。

编排层：Kiro、Cursor、Windsurf。它们是 Agent 的工作环境——提供 IDE 界面、代码补全、Agent 模式、Spec 工作流。

管理层：Multica。它是 Agent 的项目经理——分配任务、追踪进度、协调多个 Agent、积累团队知识。

Multica 不替代 Claude Code，它管理 Claude Code。你可以同时有 3 个 Agent（一个跑 Claude Code，一个跑 Codex，一个跑 OpenClaw），Multica 统一管理它们的任务队列、执行状态和输出结果。

这个定位解释了为什么 Multica 的架构里有 Daemon 但没有 LLM 调用——它不需要自己调模型，它调度别人调模型。

对比：三种 Agent 协作模式

雷达图：五个维度对比Multica、Claude Code Agent Teams、直接CLI三种模式，Multica在任务管理(9.5)和进度可视化(9.5)维度接近满分，Claude Code Teams在多Agent协调(7)居中，直接CLI在上手门槛(9)最优但其他维度偏低，蓝色Multica橙色Teams绿色CLI

模式 1：直接用 CLI

最简单的方式。打开终端，跑 claude 或 codex，给它一个任务。

优点：零配置，即开即用。
缺点：一次只能盯一个 Agent，没有任务管理，没有进度追踪，没有历史记录。适合个人快速任务。

模式 2：Claude Code Agent Teams

Claude Code 自带的多 Agent 模式。一个 lead session 协调多个 teammate session，在同一个项目上并行工作。

优点：原生集成，不需要额外工具。
缺点：只支持 Claude Code（不能混用 Codex 或 OpenClaw），没有持久化的任务看板，session 结束后上下文丢失。适合单次复杂任务的并行拆分。

模式 3：Multica

完整的管理平台。看板视图、任务生命周期、多 Agent 多 Runtime、实时进度、Skills 复用。

优点：真正的团队级 Agent 管理，vendor-neutral（不绑定特定 Agent），持久化所有历史。
缺点：需要部署和配置，有学习成本。适合持续运行多个 Agent 的团队。

维度 直接 CLI Claude Code Teams Multica
多 Agent 支持 手动开多终端 原生 lead-teammate 统一看板管理
Agent 类型 单一 仅 Claude Code Claude/Codex/OpenClaw/OpenCode
任务持久化 无 Session 内 完整生命周期
进度可视化 终端输出 终端输出 Web UI 实时看板
技能复用 无 无 Skills 系统
部署成本 零 零 Docker 或 Cloud

使用场景与工作流

场景 1：夜间批量执行

下班前在 Multica 看板上创建 5 个 Issue，分配给不同的 Agent。设置好优先级和依赖关系。回家。

第二天早上打开 Multica，看到：3 个完成、1 个失败（附带错误日志）、1 个 blocked（Agent 报告需要数据库权限）。处理失败和 blocked 的任务，继续。

这个场景用直接 CLI 是做不到的——你不可能开 5 个终端窗口然后去睡觉。

场景 2：混合团队协作

团队有 3 个人类开发者和 2 个 Agent。在 Multica 的看板上，人类和 Agent 的任务在同一个视图里。

Sprint 规划时，把简单的重构任务分给 Agent，复杂的架构设计留给人类。Agent 完成后自动更新状态，人类在同一个 Activity Feed 里看到所有变更。

看板 Board

场景 3：Agent 技能积累

第一次让 Agent 做 staging 部署，你需要详细描述步骤。Agent 完成后，把这个流程打包成一个 Skill。

下次任何 Agent 需要做 staging 部署，直接调用这个 Skill。不需要重新描述，不需要重新学习。团队的 Agent 能力随时间积累。

局限与展望

还很早期。 Multica 是一个新项目，社区规模和文档丰富度都还在起步阶段。生产环境使用需要评估风险。

Agent 质量依赖底层工具。 Multica 管理 Agent，但 Agent 写出的代码质量取决于 Claude Code / Codex 本身。Multica 不能让一个差的 Agent 变好，它只能让好的 Agent 更有组织。

自托管有门槛。 需要 Docker、PostgreSQL、Go 环境。对于小团队来说，Cloud 托管版可能更实际。

Skills 系统还比较基础。 目前的 Skills 是人工定义的，没有 Hermes Agent 那样的自动学习能力。未来如果能结合 Agent 的执行历史自动生成 Skills，价值会大很多。

值得期待的方向：

pgvector 的存在暗示了语义搜索的可能——根据 Issue 描述自动匹配最合适的 Agent 和 Skill。多 Workspace 隔离已经实现，企业级的权限管理和审计日志是自然的下一步。

Multica 的核心洞察是对的：当 AI Agent 从”偶尔用一下的工具”变成”每天都在干活的队友”时，你需要一个系统来管理它们。这个需求只会越来越强。

结语

Multica 解决的不是”怎么让 AI 写代码”的问题，而是”怎么管理一群会写代码的 AI”的问题。

它的定位很清晰：不做执行层（那是 Claude Code / Codex 的事），不做编排层（那是 Kiro / Cursor 的事），专注做管理层。任务分配、进度追踪、多 Agent 协调、技能积累——这些是当你有多个 Agent 同时工作时真正需要的能力。

从源码看，架构设计是干净的：Go 后端 + WebSocket 实时通信 + 本地 Daemon 执行，每一层职责明确。vendor-neutral 的设计（支持四种 Agent CLI）避免了绑定特定供应商的风险。

如果你的团队已经在用 Claude Code 或 Codex，而且经常同时跑多个 Agent 任务，Multica 值得试试。它不会改变 Agent 写代码的方式，但会改变你管理 Agent 的方式。

你的下 10 个 hire，可能不是人类。但你仍然需要管理他们。

参考链接

  • Multica GitHub 仓库 – multica-ai/multica[1]
  • Multica 官方网站[2]
  • Multica 产品介绍 – MOGE[3]
  • Multica 架构深度分析 – DeepWiki[4]
  • Multica: A Visual Desktop Client for Coding Agents – Jimmy Song[5]
  • How to Run a Multi-Agent Coding Workspace (2026) – Augment Code[6]
  • Claude Code Agent Teams: Complete Guide – AIFreeAPI[7]
  • What makes multi-agent coding work – Addy Osmani[8]

参考链接

[1] https://github.com/multica-ai/multica

[2] https://multica.ai

[3] https://moge.ai/product/multica

[4] https://deepwiki.com/multica-ai/multica

[5] https://jimmysong.io/ai/multica/

[6] https://www.augmentcode.com/guides/how-to-run-a-multi-agent-coding-workspace

[7] https://www.aifreeapi.com/en/posts/claude-code-agent-teams

[8] https://addyosmani.com/blog/code-agent-orchestra/