概述如果你用过 Claude Code 这类 AI 编程助手大概率是一个人盯着一个对话框——开一个终端提一个需求看它干完再提下一个。这种模式很顺手但天花板也很明显一次只能盯一件事多个项目、多个任务没法并行更谈不上一支智能体团队协同作战。Multica 想解决的就是这个问题。它是一个多智能体multi-agent编排平台把多个 AI 智能体注册成可管理的资源让它们各自带着不同的模型、指令、环境配置在一个工作区里并行接活、长期运行。本文不讲具体怎么写脚本运维那是另一篇的主题而是从架构和概念层面带你理解 Multica 到底是什么、由哪些部件组成、一次任务又是怎么跑起来的。它解决什么问题从单个对话框到智能体团队把 Multica 和裸用 Claude Code对比一下差别就清楚了维度单个 AI 对话框Multica 平台并发一次一个任务多个 agent、每个还能并发多任务配置临时、跟着当前会话每个 agent 有持久化的模型 / 指令 / 环境变量组织没有全靠人记工作区、编队、项目、issue 来组织触发人工手动支持定时 / 事件触发的自动化状态关掉就没了服务端持久化daemon 长期在线一句话Multica 把一次性的 AI 会话升级成了一支可配置、可调度、可观测的智能体团队。整体架构云端编排 本地运行时Multica 是典型的云端编排 本地执行架构可以分成三层来看┌─────────────────────────────┐ │ 云端服务编排 / 状态 / 审计 │ https wss://.../ws └──────────────┬──────────────┘ │ 轮询任务 / 上报心跳 ┌──────────────┴──────────────┐ │ 本地 Daemon调度中枢 │ poll 30s · heartbeat 15s └──────────────┬──────────────┘ │ 拉起 / 管理 ┌──────────────┴──────────────┐ │ RuntimeClaude Code / Opencode│ 真正执行任务的引擎 └─────────────────────────────┘云端服务负责编排保存工作区、agent 配置、任务队列记录审计日志并通过 HTTPS WebSocketwss://.../ws和本地通信。本地 Daemon是关键的中间层。它常驻在你的机器上按固定节奏向云端轮询有没有新任务、定期上报心跳再把任务分派给本地的运行时。Runtime运行时才是真正干活的引擎——本质上就是被托管起来的 Claude Code 或 Opencode 进程。这种设计的好处是编排和状态在云端多端可见、不丢算力和代码在本地贴近你的仓库和环境。你的代码、密钥、工作目录都留在自己机器上云端只负责谁该干什么。核心概念理解 Multica关键是理清几个名词之间的关系。Workspace一切的容器工作区Workspace是顶层容器有自己的id、name和slug。agent、runtime、项目、issue 都归属于某个工作区。多数操作都需要先确定在哪个工作区CLI 里体现为--workspace-id参数。Agent可配置的智能体智能体Agent是 Multica 的主角——一个持久化、可配置的 AI 工作单元。它远不止一个模型而是一组配置的集合model使用的模型如claude-sonnet-4-6、claude-opus-4-8留空则回落到运行时默认instructions系统指令 / 角色设定custom_env自定义环境变量代理、网关地址、令牌等服务端持久化、可审计custom_args传给底层 CLI 的额外参数skills指派给它的技能集合mcp_configMCPModel Context Protocol服务器配置max_concurrent_tasks最大并发任务数默认 6pre_launch_commands启动前执行的命令runtime_id绑定到哪个运行时visibility可见性private私有 /workspace工作区共享status当前状态如idle空闲正因为这些配置是持久化的agent 才能记住自己是谁——下次接任务时模型、指令、环境一应俱全不必每次重设。Runtime真正干活的引擎运行时Runtime是 agent 背后的执行引擎由本地 daemon 拉起。它有provider提供方字段区分类型常见两种claudeClaude Code 引擎启动头形如claude (stream-json)opencodeOpencode 引擎启动头形如opencode run (json)每个运行时还带有statusonline在线、last_seen_at最后心跳、device_info设备与版本如WIN-XXX · 2.1.156 (Claude Code)、runtime_modelocal本地等信息。agent 通过runtime_id绑定到具体运行时——也就是说同一个工作区里可以既有跑在 Claude 上的 agent也有跑在 Opencode 上的 agent。Daemon本地调度中枢守护进程Daemon是把这一切串起来的本地常驻服务。从它的运行参数能看出它的工作方式以下为默认值示例version0.3.16 workspaces_root ...\multica_workspaces # agent 的工作根目录 health_port 19514 # 本地健康检查端口 poll_interval 30s # 多久向云端要一次任务 heartbeat_interval 15s # 多久上报一次心跳 agent_timeout 2h # 单个 agent 任务超时 idle_watchdog 30m # 空闲多久回收 max_concurrent_tasks 20 # daemon 级并发上限 gc_enabled true # 是否启用垃圾回收daemon 需要认证后才能工作——它读取登录后写入的令牌没有令牌会提示run multica login。一旦认证并启动它就进入轮询 → 领任务 → 拉起运行时执行 → 上报结果 → 心跳保活的循环。Profile多套环境的隔离配置档Profile用来隔离多套环境。一个 profile 会隔离 config、daemon 状态和工作区三样东西。最典型的用途是Desktop 桌面应用登录后会维护自己的 profile名字形如desktop-host其中保存了真正可用的令牌CLI 则可以用--profile指向它来复用登录态或者用一个独立的devprofile 做开发隔离互不干扰。进阶概念Squad、Autopilot、Skill在 agent 之上Multica 还提供了几层组织和自动化能力Squad编队把多个 agent 编成一支队伍可以设置leader队长 agent。队长能对 issue 做出评估squad leader evaluation适合分工协作 汇总裁决的场景。Autopilot自动驾驶定时或事件触发的 agent 自动化。也就是说agent 不一定要人工点一下才动可以挂在计划任务或触发条件上自动接活。Skill技能可复用的能力单元能指派给 agentagent skills让不同 agent 装配不同技能。Issue / Project / Repo / Label一套轻量的工作组织体系。Multica 把 agent 要做的事抽象成 issue归入 project、关联 repo、打上 label——很像把AI 智能体团队接入了一个项目管理系统。一个任务的生命周期把概念串成流程一次任务大致是这样跑完的下发在云端或通过 CLI / Desktop给某个工作区里的 agent 指派一个任务issue。领取本地 daemon 按poll_interval轮询到这个任务。调度daemon 找到该 agent 绑定的 runtime在workspaces_root下准备好工作目录按需执行pre_launch_commands、注入custom_env、套用instructions与model。执行runtimeClaude Code / Opencode实际跑起来完成编码、检索、修改等动作daemon 持续上报心跳。回收与上报任务完成或超过agent_timeout后结束结果回传云端空闲超过idle_watchdog的资源被回收。整个过程里配置来自 agent它是谁、算力来自 runtime用什么跑、节奏由 daemon 控制何时跑、跑多久——三者各司其职。CLI 速览Multica 提供了一个multica命令行工具命令体系覆盖了上述全部概念agent 管理智能体create / list / update / env / skills ... runtime 管理运行时list / usage / activity ... workspace 管理工作区 squad 管理编队 autopilot 管理自动化 skill 管理技能 issue / project / repo / label 工作组织 daemon 控制本地 daemonstart / stop ... config CLI 配置 login / setup 认证与初始化几个常用全局参数--profile选择配置档、--workspace-id指定工作区、--server-url覆盖服务端地址后两者也支持用环境变量MULTICA_WORKSPACE_ID/MULTICA_SERVER_URL设置。绝大多数命令都支持--output json非常适合脚本化二次开发。它适合谁重度 AI 编程用户手上同时有多个项目 / 仓库想让不同 agent 各管一摊、并行推进。需要自动化的团队希望把定时巡检、自动修复、批量处理这类活儿交给 autopilot而不是每次人工触发。关注数据与算力本地化的人代码和密钥留在本机只把编排状态放云端。喜欢工程化管理的人把 AI 智能体纳入 workspace / squad / issue 的体系像管理一个团队一样管理它们。总结Multica 的核心思路可以浓缩成几句话三层架构云端负责编排与状态本地 daemon 负责调度runtimeClaude Code / Opencode负责执行。Agent 是可配置的持久实体模型、指令、环境变量、技能、MCP 配置都挂在它身上跨任务保留。Daemon 是本地中枢以轮询 心跳的节奏把云端的任务安全地落到本地运行时上。Profile 做隔离Squad / Autopilot / Skill 做组织与自动化让单个 agent 成长为可协作、可调度的团队。如果说裸用 AI 助手像是自己上手干活那么 Multica 更像是组建并指挥一支 AI 团队。理解了 workspace、agent、runtime、daemon 这四个核心概念的分工就抓住了这个平台的主线。想进一步动手的话可以从multica login完成认证、multica agent list看看现状开始——相关的批量运维与配置技巧可参见 [[Multica 多智能体批量运维环境变量配置与 PowerShell 踩坑实录]]。