原文:mp.weixin.qq.com/s/ZanK692h5...(2026年09月04日)
最近用 Multica,有一个感受越来越明显。
真正打动我的,并不是它能同时跑多少个 Agent,也不是某个 Agent 又变聪明了多少。
而是它改变了一个很基础的东西:Agent 在团队里所处的位置。
以前用 AI,不管是 ChatGPT、Claude,还是各种 coding agent,我的感觉其实都差不多。
AI 很强,但它还是我的工具。
任务在我这里,上下文也在我这里。我知道为什么要做这件事,知道之前发生了什么,知道哪些方案已经试过,然后我再把其中一部分信息整理出来交给 Agent。
Agent 做完,再把结果交回来。
所以不管它能力有多强,关系其实一直没有变:
我在上面,它在下面。
我是工作的拥有者,它是执行工具。
Multica 最让我觉得不一样的地方,是它开始把这个关系拉平了。
一个任务可以分配给人,也可以分配给 Agent。Agent 会出现在团队的工作流里,有自己的任务、状态、执行记录,也会把结果交回来等待 review。
这种感觉和"我打开一个 AI 工具让它帮我干活"很不一样。
更像是:
团队里真的多了一个成员。
这件事听起来好像只是交互上的变化,但我觉得它其实很重要。
今天很多 Agent 已经很像一个工程师了。
它会读代码,会修改,会测试,会自己找问题。
可"能力像工程师"和"工作方式像一个工程师",是两回事。
一个真正的团队成员,并不是每天等着别人把完整上下文整理好,然后发一个 prompt 给他。
现实团队不是这样运转的。
大家有同一个项目,有同一个 issue,有历史讨论,有进度,有人负责,有人 review。一个人接手工作的时候,他不是从零开始的,他会自然地进入团队已经形成的上下文。
而现在使用大多数 Agent 时,我们其实还在不停地重复一件事:
把上下文搬给 AI。
告诉它背景是什么。
告诉它之前发生过什么。
告诉它为什么要这么做。
告诉它哪些地方不能碰。
从这个角度看,我觉得 Multica 真正有意思的地方并不是"给 Agent 更多 context"。
而是它在尝试让人和 Agent 共享同一个 context。
这两个东西差别很大。
前者是在想,怎么让一个工具知道得更多。
后者是在想,怎么让一个新成员进入团队之后,自己看得懂这里正在发生什么。
我更看好后者。
这也是为什么我现在越来越觉得,未来 Agent 的主界面未必会一直是聊天框。
只有一个 Agent 的时候,chat 很自然。
你问,它答。
你给任务,它做。
但如果未来一个团队里有十个 Agent、二十个 Agent,再让人开二十个窗口去和它们聊天,这显然不是一种能规模化的工作方式。
到那个时候,人真正想看的应该不是:
"这个 Agent 跟我说了什么?"
而是:
"现在谁在做什么?"
"哪个任务卡住了?"
"哪个结果等着 review?"
"谁做完以后应该交给谁?"
这其实已经不是聊天的问题了。
而是团队协作的问题。
Multica 给我的感觉,有点像把 Agent 从聊天窗口里拿出来,放回了工作的现场。
我觉得这一步非常对。
Multica 看板视图------人类和 智能体 协同管理任务
不过,也正因为这个方向是对的,它现在的不足反而变得更明显。
其中一个是自动化。
Multica 已经开始有 Autopilot 这类东西,可以按时间或者事件触发一些工作。
这当然有用。
比如每天做一次检查、定期生成报告,或者某个 webhook 出现以后自动让 Agent 开始工作。
但我觉得这还只是比较初级的自动化。
它更像"到了这个时间,就做这件事"。
真正的团队自动化,应该更像:
一个 Agent 做完之后,系统知道接下来要不要自动进入 review。
如果 review 没过,要不要重新交回去。
一个任务连续失败几次之后,是不是应该找人介入。
几件不同的任务如果反复暴露出同一个问题,是不是应该自动产生一个新的任务。
甚至随着团队工作越来越多,系统应该慢慢知道:
某一类任务交给谁更合适。
哪些事情应该让 Agent 自己处理。
哪些事情必须找人。
现在这些更多还是要靠人提前把流程定义出来。
所以在自动化这一块,我觉得 Multica 目前更像是"能够自动执行一些流程",还没有真正到"团队可以自己运转"的程度。
这应该是以后很值得继续做的地方。
另外一个我更在意的问题,是 memory。
Multica 已经在做共享上下文了。
但共享上下文和团队记忆,其实不是一回事。
共享上下文解决的是:
现在发生了什么。
有哪些 issue,大家讨论了什么,谁做了什么,任务现在到了哪一步。
这些信息很重要。
可是一个真正成熟的团队,不只是知道现在发生了什么。
它还会记得以前学到了什么。
比如:
我们之前踩过什么坑。
为什么最后没有选某个方案。
哪一种做法在这个项目里效果一直比较好。
哪个架构决定是有历史原因的。
哪类任务交给哪个 Agent 更靠谱。
哪些规则已经过时了。
这些东西才是一个团队真正长期积累下来的东西。
现实里,一个团队工作久了以后会形成很多这种"默认知识"。
有些会写进文档。
有些会变成规范。
有些会变成代码习惯。
还有很多只是大家慢慢形成的共同认知。
而 Agent 团队以后同样需要这一层东西。
否则就会出现一个问题:
每个任务都做完了。
所有历史记录也都保存着。
但下次遇到类似的问题,团队还是重新学一遍。
那其实不能算真的成长。
所以我觉得 Multica 接下来一个很关键的问题,是:
怎么把历史记录慢慢变成团队知识。
不是简单地把所有内容都存下来。
存得越多,不一定越有用。
真正有价值的是,系统能不能逐渐分辨:
这次任务里有什么值得以后继续用?
哪些经验已经重复出现了很多次?
哪些规则已经失效?
哪些东西应该被整理成一个 skill、一个规范,或者某种团队共识?
甚至更进一步,新的经验进来之后,旧知识要不要被改掉?
我觉得这才是所谓 memory 真正难的地方。
Memory 不是"Agent 能记住以前聊过什么"。
更像是:
这个团队有没有自己的学习能力。
如果这一层能做好,事情就会开始变得很有意思。
因为那意味着同一个团队工作半年以后,应该和第一天不一样。
不仅人更熟悉项目。
Agent 也更熟悉项目。
而且这些经验不是分散在某一个人的脑子里,或者某一个 Agent 的 memory 里,而是变成整个团队共同拥有的东西。
这才是真正让我期待的方向。
所以如果现在让我评价 Multica,我不会说它已经做出了完整的 AI Team。
它显然还没有。
自动化还比较早。
Memory 更是一个很大的开放问题。
有时候我甚至觉得,后面这两个问题会比"再接更多 Agent"难得多。
但它已经做对了一件很重要的事情:
它先改变了 Agent 在团队里的位置。
以前我们一直在想,怎么给每个人配一个更强的 AI 助手。
Multica 让我第一次比较明显地感觉到,可能未来不是"每个人都有一个 AI"。
而是团队从一开始,就是由人和 Agent 一起组成的。
大家在同一个 workspace 里。
看同样的上下文。
接不同的任务。
把工作交给彼此。
人不需要一直是 Agent 的操作员。
Agent 也不只是躲在某个人电脑里的工具。
我觉得这才是它最有意思的地方。
至于再往后,如果自动化能让这些工作真正自己流动起来,memory 又能让团队不断从过去的工作里积累经验,那时候出现的可能就不只是"更好用的 Agent"。
而是一种真的不太一样的组织方式。
这也是为什么,我现在愿意继续关注 Multica。
不是因为它已经把答案做出来了。
而是因为它问的那个问题,我觉得是对的:
当 Agent 已经越来越能工作之后,人和 Agent 到底应该怎么一起工作?