【AI】认识Multica-本地运行时与云端编排的多智能体平台

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：

text 复制代码

┌─────────────────────────────┐
│  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
┌──────────────┴──────────────┐
│  Runtime（Claude 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 + WebSocket（wss://.../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_config：MCP（Model Context Protocol）服务器配置
max_concurrent_tasks：最大并发任务数（默认 6）
pre_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：

claude：Claude Code 引擎，启动头形如 claude (stream-json)
opencode：Opencode 引擎，启动头形如 opencode run (json)

每个运行时还带有 status（online 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_mode（local 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）：

text 复制代码

version=0.3.16
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 dev profile 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 agent（agent 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：runtime（Claude 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：

text 复制代码

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 daemon（start / 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，runtime（Claude 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$ ]。