Multica 研究筆記¶

資料來源¶

項目	連結
GitHub Repo	multica-ai/multica
官網	multica.ai
Cloud 版	multica.ai/app
自架指南	SELF_HOSTING.md
評論文章	MOGE.ai 介紹

專案狀態： ⭐ 9.9K+ stars · TypeScript + Go · 2026-01 創建 · 活躍開發中

專案概述¶

Multica 的核心理念是：「你下一批 10 個新員工不會是人類。」 它是一個開源的 Managed Agents 平台，讓 Coding Agent（Claude Code、Codex、OpenClaw、OpenCode、Hermes）像真正的隊友一樣運作——出現在看板上、接收任務分派、自主執行工作、回報進度與阻礙、並將解決方案積累為可複用的技能。

這解決了目前 Coding Agent 使用上的核心痛點：缺乏統一的專案管理與經驗積累機制。 現狀是每次都要手動貼 prompt、盯著執行、跨 agent 重複解決相同問題。Multica 把這些碎片化的操作包裝成一個完整的生命週期管理系統。

核心功能¶

功能	說明
Agents as Teammates	Agent 有個人 profile，出現在看板上，可評論、建 issue、主動回報 blocker
Autonomous Execution	完整任務生命週期：enqueue → claim → start → complete/fail，WebSocket 即時串流進度
Reusable Skills	每個解決方案自動成為可複用技能，部署、遷移、code review 都能跨 agent 累積
Unified Runtimes	一個 dashboard 管理所有算力——本地 daemon 與雲端 runtime，自動偵測可用 CLI
Multi-Workspace	按團隊隔離工作空間，各自獨立的 agent、issue、設定

支援的 Agent Runtime¶

Agent CLI	狀態
Claude Code (`claude`)	✅ 支援
Codex (`codex`)	✅ 支援
OpenClaw (`openclaw`)	✅ 支援
OpenCode (`opencode`)	✅ 支援
Hermes (`hermes`)	✅ 支援

技術架構¶

┌──────────────────┐     ┌──────────────────┐     ┌──────────────────┐
│   Next.js 16     │────>│   Go Backend     │────>│  PostgreSQL 17   │
│   (App Router)   │<────│  (Chi + WS)      │<────│  (+ pgvector)    │
│   Web Dashboard  │     │  REST + WebSocket │     │  主要資料庫       │
└──────────────────┘     └────────┬─────────┘     └──────────────────┘
                                  │
                    ┌─────────────┴─────────────┐
                    │      Agent Daemon          │
                    │  (本地機器 / 雲端 Runtime)   │
                    │  自動偵測 PATH 上的 CLI      │
                    │  Claude / Codex / OpenClaw  │
                    └────────────────────────────┘

層級	技術棧
Frontend	Next.js 16 (App Router)
Backend	Go (Chi router, sqlc, gorilla/websocket)
Database	PostgreSQL 17 + pgvector
Agent Runtime	本地 daemon，偵測並執行 Coding Agent CLI
部署	Docker Compose（自架）/ Multica Cloud

Runtime 架構的設計¶

Runtime 是 Multica 的核心抽象——一個「可執行 Agent 任務的計算環境」。可以是開發者的本機（透過 daemon）或雲端實例。每個 Runtime 會回報可用的 Agent CLI，讓 Multica 知道如何路由工作。這意味著：

團隊成員各自的機器都是 Runtime，各自安裝不同的 Agent CLI
任務分派時 Multica 根據 Runtime 的能力自動路由
即時監控每個 Runtime 的狀態與負載

快速開始¶

Cloud 版（最快）¶

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

# 登入 + 啟動 daemon
multica login          # 開瀏覽器驗證
multica daemon start   # 啟動本地 Agent Runtime

自架版¶

# 一鍵安裝（需要 Docker）
curl -fsSL https://raw.githubusercontent.com/multica-ai/multica/main/scripts/install.sh | bash -s -- --local

# 或手動
git clone https://github.com/multica-ai/multica.git
cd multica
make selfhost          # 自動建 .env、生成 JWT_SECRET、啟動 Docker Compose

自架版登入：開啟 http://localhost:3000，任意 email + 驗證碼 888888（非 production 環境）。

CLI 常用指令¶

指令	說明
`multica setup`	一鍵設定（configure + login + start daemon）
`multica daemon start/stop/status`	管理本地 Agent daemon
`multica issue list/create`	查看、建立 issue
`multica config local`	切換至自架 server
`multica update`	更新 CLI

使用流程¶

multica login + multica daemon start → 連接 Runtime
Web App → Settings → Runtimes 確認機器已上線
Settings → Agents → 建立 Agent（選 Runtime + Provider）
建 issue → 分派給 Agent → Agent 自動接手執行

目前限制 / 注意事項¶

License 未明確宣告 — GitHub 顯示 NOASSERTION，商用前需確認授權條款
Agent 支援範圍有限 — 目前僅支援 5 種 CLI-based Coding Agent，不支援 API-only 的 LLM
Skill 系統的品質取決於累積量 — 冷啟動時缺乏可用技能，需要團隊持續使用才能發揮複利效應
自架需要 Docker — 對部分企業環境可能是限制
pgvector 依賴 — 技能搜尋可能依賴向量相似度，需要 PostgreSQL 17 + pgvector 擴展
Agent 執行在本機 — 目前主要是本地 daemon 模式，雲端 Runtime 的生產級部署文件較少

研究價值與啟示¶

關鍵洞察¶

「Agent 即隊友」是正確的產品抽象層級。 Multica 不試圖做另一個 Agent 框架（CrewAI、LangGraph 那一層），而是在更上層做「Agent 的專案管理」——用人類已熟悉的看板、issue、assignee 等概念來管理 Agent。這降低了認知負擔，也讓 human-agent 混合團隊成為可能。
Skill 複用是 Coding Agent 規模化的關鍵瓶頸。 目前 Coding Agent 的最大問題不是單次執行能力，而是經驗無法跨任務、跨 Agent 累積。Multica 的 Skill Library 讓每個 Agent 解決的問題都成為團隊資產——這是從「每次從零開始」到「持續複利」的關鍵轉變。
Vendor-neutral Runtime 抽象的策略價值。 同時支援 Claude Code、Codex、OpenClaw、OpenCode 的設計，讓團隊不被綁定在單一 AI 供應商。在 AI 能力快速迭代的時期，這種中立層特別重要——今天最強的 Agent 三個月後可能不是。
Go + Next.js 的技術選型反映了「基礎設施」定位。 不用 Python（Agent 框架的主流語言），而用 Go 做後端——追求的是低延遲、高並發的基礎設施品質，而非快速原型。sqlc（而非 ORM）的選擇也體現了性能優先的工程取向。
WebSocket 即時串流是 Agent 管理的必要條件。 跟傳統專案管理工具不同，Agent 任務的進度是秒級更新的。Multica 用 gorilla/websocket 做即時串流，這在架構上就決定了它不是給「5 分鐘看一次」的經理用的，而是給「需要即時感知 Agent 狀態」的開發者用的。

與其他專案的關聯¶

vs Agent Orchestrator / Claude Cowork Dispatch： 這些是更底層的 Agent 調度工具，Multica 則提供完整的 UI + 專案管理層。可以想像 Multica 內部使用類似的調度邏輯，但包裝成非技術人員也能操作的介面。
vs OpenHarness / Open SWE： 這些聚焦在 Agent 的執行環境與 benchmark，Multica 則聚焦在「如何把 Agent 整合進團隊工作流程」。
vs Agency Agents / Page Agent： 這些是單一 Agent 的增強工具，Multica 是多 Agent 的管理平台——層級不同，互補而非競爭。
對 Fluffy 生態的啟示： Multica 的 Skill 複用機制與 Runtime 抽象層，對 fluffy-agent-core 設計多 Agent 協作有參考價值——特別是「如何讓 Agent 的解決方案跨任務累積」這個問題。