今天看到一则新闻6月9号的新闻：Niantic（宝可梦开发商）和Vantor（万拓）合作，将 Pokémon GO 玩家提供的位置信息来训练无人机的导航系统。也就是说，玩家在玩游戏时贡献的数据，可能被用在完全不同的技术领域，比如无人机避障和路径规划。 文中提到，玩家是自愿同意条款和条件的，虽然我没有去看具体的条款，但我觉得条款中会合理出现的是“我同意你用我的数据优化游戏”，而不是“我同意你用我的数据训练机器人”吧？ 如果以后更多的XR的游戏数据被用在科研或商业项目，你会玩吗？ 原文链接： Pokémon Go data ‘exploited to develop navigation’ for military drones 1 个帖子 - 1 位参与者 阅读完整话题
据韩联社12日报道，韩国前总统尹锡悦因“制造平壤上空无人机入侵事件”一审被判处有期徒刑30年。 这果然是高危职位。 2 个帖子 - 2 位参与者 阅读完整话题
想搞个非 +86 的手机号方便收验证码，就是自己手机2个卡槽都满了，想100块以内买个老人机来插这个小白卡，专门接收验证码。 不知道有没有佬友试过，有没有信号？能不能收码？ 7 个帖子 - 6 位参与者 阅读完整话题
这几天快被 cloudflare 的人机校验整疯了，小鸡用了 1 年多了，本来没事，结果强行迁到了 DC3 机房，然后就来了，几乎每个使用 cloudflare 的网站都要校验一次，快被整疯了。 大家有没有什么好方法能够减少校验的次数? 此外我还安装了 Silk - Privacy Pass Client 插件，这个更逆天，我浏览期间都要跳出来让我校验一次 7 个帖子 - 4 位参与者 阅读完整话题
最近刚来hz一家小公司，主要是在做无人机以及新能源相关的，但是实习期间基本不给核心工作，基本就是简单打打杂，也是双休不让主动加班，250/天在杭州基本上存不了什么钱，一个人大老远来到陌生城市，还要冒着被抓的风险，还很闲，每次晚上想起来就很伤心，很孤独。分公司也没多少人，后端同事们以及我的领导都在其他分部，哎，真的不知道实习的意义是什么，这已经是我第三段实习了，马上就大四秋招了，回到出租屋一个人孤零零的也不知道干什么，钱也没多少不干大手大脚的花，不知道各位小厂实习的佬们有没有类似的烦恼 16 个帖子 - 12 位参与者 阅读完整话题
为啥用了官方的design skill还是人机味道那么重。。佬友们有没有其他的前端skill推荐 2 个帖子 - 2 位参与者 阅读完整话题
是节点或账号问题吗 站里稍微浏览几个帖子就429 10 个帖子 - 9 位参与者 阅读完整话题
这是准备考公吗 ，所以答案是什么？ 4 个帖子 - 4 位参与者 阅读完整话题
Ubuntu搭建PX4无人机仿真环境 前言 本教程基于 ROS2 ，在搭建之前，需要把 ROS2、QGC 等基础环境安装配置完成。 小白必看 ： 本次安装是以 px4 v1.14.0 为例，不适用之前的 px4 版本。（支持 Ubuntu 22.04 ROS2 Humble PX4v1.14.0+，Ubuntu 24.04 ROS2 Jazzy PX4v1.16.0+） 我的配置如下： 虚拟机 Ubuntu 22.04 (运行内存 4G、硬盘内存 80G) 、ROS2 Humble 、QGC v4.4.4 禁止无脑复制：首先大部分命令都有先后顺序，就是要上一个命令执行成下一个才能执行成功，对于不熟悉的命令可以直接复制问 AI 这样还能顺带学习学习；其次在有些情况下多个命令一起执行会出现奇怪的错误，而且有些命令旁边有注释，有时候复制上去可能也会出现错误。 建议使用虚拟机：虽然虚拟机得性能有限，但是对于新手入门阶段是完全够用了，后续大型仿真再用双系统也比较熟悉了。而且虚拟机有一个快照功能，可以保存当前虚拟机的状态 (相当于存档)，这样如果后面出了问题要重新搭建环境，可以用快照回到上一个状态，这样就不用重头开始（我一般是安装好 ROS 拍一个、安装好 mavros 拍一个…）。 关于网络：由于一些懂得都得的原因，再加上每个人的网络环境不同，我们下载 GitHub上的资源、安装 Python 包、apt 安装包等会时快时慢，所以大家会换源，比如一开始的换 apt 软件安装源等。但是下载资源一定要耐心，如果是网络问题，可以尝试多执行几次命令，而且有些我也给了相应的解决方案。 1. 准备 1.1 下载源码 方式一： 从 Github 上下载，但是比较考验个人网速 sudo apt install git git clone https://github.com/PX4/PX4-Autopilot.git # 下载源码 mv PX4-Autopilot PX4_Firmware # 更改目录名 cd PX4_Firmware git checkout v1.14.0 # 切换版本 git submodule update --init --recursive # 更新下载子模块 方式二： 从提供的网盘里下，或者从QQ群(961297255)里下载 链接: 百度网盘 请输入提取码 提取码: rbrk 下载后解压，然后执行下面命令： cd PX4_Firmware wget https://gitee.com/tyx6/mytools/raw/main/px4/set_executable.sh chmod +x set_executable.sh ./set_executable.sh 1.2 安装依赖 sudo apt install ros-dev-tools cd ~/PX4_Firmware/Tools/setup 修改文件并备份 （就把 pip 安装源换成了清华源），这一步是可做可不做，如果觉得python 包下载太慢了，可以试试 sed -i.bak 's|\/requirements.txt|\/requirements.txt -i https:\/\/pypi.tuna.tsinghua.edu.cn\/simple|' ./ubuntu.sh chmod +x ubuntu.sh ./ubuntu.sh --no-nuttx --no-sim-tools # 这是官方提供的脚本 有两个可选参数 # --no-sim-tools 不安装仿真环境 # --no-nuttx 不安装交叉编译环境 #（如果需要自己编译飞控固件，烧录到飞控中，那就需要交叉编译环境） # 脚本执行时间，跟个人网络有关，可能需要一段时间 重启电脑 1.3 安装 Gazebo Gazebo是一款强大的3D仿真软件，主要用于机器人学的研究和开发。它提供了高度逼真的物理模拟环境，包括动力学、碰撞检测、传感器模型以及与真实世界相似的物理属性如重力、摩擦力等。Gazebo可以模拟各种类型的机器人，从移动机器人、无人机到机械臂，甚至可以模拟整个城市环境。 根据上图说明，Gazebo 官方做了更新将之前的 Gazebo Ignition 命名为 Gazebo，以前的 Gazebo 现在叫 Gazebo Classic ，而 Ubuntu 22.04 及以后的版本就支持 Gazebo (Gazebo Ignition) 。 因为几年前官方对 Gazebo 进行了重大架构变更，然后将变更后的版本叫 Gazebo Ignition，旧的仍叫 Gazebo。后面Gazebo Ignition 逐渐成熟并经过使用验证，所以他结束了旧的 Gazebo ( Gazebo 11 是 Gazebo Classic 的最后一个版本，支持到 2025 年 )，并重新对它们命了名。 cd ~/PX4_Firmware/Tools/setup ./ubuntu.sh --no-nuttx # 这一步会安装仿真环境，包括 gazebo # 脚本执行时间，跟个人网络有关，可能需要一段时间 再运行一下 gazebo ： gz sim 2. 安装 Micro XRCE-DDS Agent 在 ROS2 中 PX4 使用 uXRCE-DDS 中间件来允许在配套计算机上发布和订阅 uORB 消息，就像它们是 ROS2 话题一样。这提供了 PX4 和 ROS2 之间快速可靠的集成，并使 ROS2 应用程序更容易获取车辆信息和发送命令，如上图所示。 这应该跟 ROS2 将中间件改为 DDS 有关，但是官方又说明了在 ROS2 中仍可以使用 MAVROS，可能官方觉得在 ROS2 中 Micro XRCE-DDS Agent 更好用 ，也可能是因为 MAVLink 是外部通信协议，uORB 是内部通信协议。 注：如果想用 Mavros 请参考这篇文章 ubuntu搭建PX4无人机仿真环境(2) —— MAVROS安装(适用于ROS1、ROS2)-CSDN博客 使用方法跟 ROS1 类似，这里不做描述。 Micro XRCE-DDS Agent 与 MAVROS 的对比（来自豆包AI，仅供参考） MAVROS 是 ROS（机器人操作系统）生态中连接 MAVLink 协议设备（如 PX4、ArduPilot 飞控）的主流工具，本质是 ROS 与 MAVLink 的桥梁。二者的核心差异体现在如下方面： 维度 Micro XRCE-DDS Agent MAVROS 核心定位 资源受限设备与 DDS 分布式网络的通信代理，支持多设备协同 ROS 与 MAVLink 设备（如飞控）的通信桥梁，专注无人机控制 生态兼容性 兼容 DDS 生态（如 Fast DDS、Cyclone DDS），可与非 ROS 系统集成 强依赖 ROS 生态，仅支持 ROS 节点与 MAVLink 设备交互 资源占用 客户端（Client）极轻量（适合 MCU 等嵌入式设备），Agent 本身资源消耗中等 依赖 ROS 节点和进程，资源占用较高（不适合极简嵌入式环境） 灵活性 支持自定义数据类型，可灵活扩展消息结构，适应复杂分布式场景 消息类型固定为 MAVLink 标准消息，扩展需修改协议或自定义消息 实时性 原生支持实时性配置（通过 DDS QoS），适合低延迟场景 实时性依赖 ROS 调度，默认配置下实时性中等 适用场景 无人机集群协同、多传感器分布式融合、跨平台设备互联 单无人机与 ROS 系统的通信（如地面站控制、数据日志、任务规划） 优点 1. 分布式架构，支持多设备协同； 2. 轻量级客户端适合嵌入式； 3. 可自定义消息，灵活性高； 4. 强实时性与 QoS 保障 1. 无缝集成 ROS 生态，开发便捷； 2. 成熟稳定，支持 MAVLink 全功能（控制、参数、日志等）； 3. 社区活跃，问题易解决 缺点 1. 学习成本高（需理解 DDS 概念），目前资料相比于mavros少很多 ； 2. 与 ROS 集成需额外适配； 3. 对单设备简单通信场景略显复杂 1. 依赖 ROS，非 ROS 环境下使用不便，但非ROS环境也有其他基于mavlink的库可以使用 ； 2. 分布式多设备协同能力弱； 3. 资源占用较高，不适合极简嵌入式 下载源码： git clone -b v2.4.3 https://github.com/eProsima/Micro-XRCE-DDS-Agent.git 编译： cd Micro-XRCE-DDS-Agent mkdir build cd build cmake .. make # make 的时候还会下载代码，跟个人网速有有关，大概要10-20分钟 安装： sudo make install sudo ldconfig /usr/local/lib/ # 更新动态链接器的缓存 3. 编译 cd ~/PX4_Firmware make px4_sitl gz_x500 # 这步可能有点慢 出现这个表示编译成功 错误 ：如果在虚拟机中可能遇到下面错误，这是由于在虚拟机设置中开启了 3D 图形加速，导致系统的 OpenGL 版本降低。 参考这个 Issue 中的解决方法，降低仿真使用的渲染引擎的版本 修改处大概在 73 行（PX4_Firmware/ROMFS/px4fmu_common/init.d-posix/px4-rc.simulator）： sed -i 's/${gz_command} ${gz_sub_command} -g &/${gz_command} ${gz_sub_command} -g --render-engine ogre \&/' ~/PX4_Firmware/ROMFS/px4fmu_common/init.d-posix/px4-rc.simulator 错误 ：如果编译过程中出现类似下面错误，应该是 gz_bridge 启动超时 INFO [gz_bridge] world: default, model name: x500_0, simulation model: x500 ERROR [gz_bridge] Service call timed out ERROR [gz_bridge] Task start failed (-1) ERROR [init] gz_bridge failed to start ERROR [px4] Startup script returned with return value: 256 参考下面链接中给出的解决方法 make px4_sitl gz_x500出错 - 哔哩哔哩 然后，再重新编译 4. 通信 打开一个终端，启动 MicroXRCEAgent： MicroXRCEAgent udp4 -p 8888 打开另一个终端，启动仿真： cd ~/PX4_Firmware make px4_sitl gz_x500 都启动后，可以看到通信成功 5. offboard 测试 创建工作空间： mkdir -p ~/ros2_ws/src 下载源码： cd ~/ros2_ws/src git clone https://github.com/PX4/px4_msgs.git git clone https://github.com/PX4/px4_ros_com.git 编译： cd ~/ros2_ws colcon build 更新环境： echo "source ~/ros2_ws/install/setup.bash" >> ~/.bashrc source ~/.bashrc #使环境生效 测试： 先启动 QGC 地面站，然后执行下面命令，不然有可能无法起飞 终端一，启动 MicroXRCEAgent： MicroXRCEAgent udp4 -p 8888 终端二，启动仿真： cd ~/PX4_Firmware make px4_sitl gz_x500 终端三，启动官方 offboard 案例（上升5米）： ros2 run px4_ros_com offboard_control 注：如果过了一段时间，无人机无法 offboard 起飞，程序都正常启动，这时可以尝试下面命令 cd ~/ros2_ws/src rm -f ./px4_msgs/msg/*.msg cp ~/PX4_Firmware/msg/*.msg ./px4_msgs/msg/ # rm -f ./px4_msgs/srv/*.srv # v1.15.0 之后 # cp ~/PX4_Firmware/srv/*.srv ./px4_msgs/srv/ # v1.15.0 之后 # cp ~/PX4_Firmware/msg/versioned/*.msg ./px4_msgs/msg/ # v1.16.0 之后 然后重新编译 source /opt/ros/humble/setup.bash cd ~/ros2_ws colcon build 编译成功后，记得 source 一下，再重新offboard测试 到这 PX4 无人机基本仿真环境就搭建完成了，大家可以基于此来拓展自己的仿真。 参考 PX4 ROS 2 User Guide PX4 documentation uXRCE-DDS PX4 Ubuntu Development Environment a-new-era-for-gazebo Unable to ros2 topic echo specific topics - PX4 Autopilot - Discussion Forum 如有其他问题，或者发现文章有错误，请在评论区留言 Keep learning！ 1 个帖子 - 1 位参与者 阅读完整话题
兄弟们，感觉被人作局了？ 搞七捻三 有人跟我说，5年 GitHub 账号没多少人的，能进的基本上之前也都进过了。我信了，开了这个渠道，结果 6 个小时整了差不多 5k 人进来？GitHub oauth API 都搞出 Rate limit 了？ [image] [image] 这玩意据说是 5000次/1H 啊，这也能爆掉？幸亏 5.1 的服务器扩容给力。 [image] 这指定是被作局了，这另一条腿我根本都不敢出了。 … 如果说没有号商进入，认为不太可能。 感觉可以拉github ，过去5年记录。AI评估+ 人工随机抽查 44 个帖子 - 29 位参与者 阅读完整话题
老哥们会疯狂弹人机验证吗，我现在打开页面隔个40-50秒就来个人机验证弹窗，我浏览器javascript和cookie都完全打开了。感谢 3 个帖子 - 2 位参与者 阅读完整话题
请问各位佬友：为什么注册mail.com的免费邮箱一直失败，换设备，换住宅ip一样失败。每次人机验证过之后就是We’re sorry, that didn’t work. Please try again later. 7 个帖子 - 5 位参与者 阅读完整话题
本文完整内容见（包括 Agent 指令设计）： 原文地址 1 、Managed Agents 核心理念：解耦"大脑"与"双手" Managed Agents 定义：一套用于大规模构建、部署和运行 AI Agent 的全托管基础设施，核心设计原理围绕组件解耦与分层抽象，解决长周期 AI Agent 开发和生产部署的痛点。 Managed Agents 设计思路：将智能体的「决策能力」（模型作为"大脑"）、「执行能力」（工具/沙箱作为"双手"）和「记忆能力」（持久化会话作为记忆）完全分离； 借鉴操作系统分层思想重构 Agent 架构，各模块独立演进提升整体系统的稳定性。解决了传统 Agent 开发中 Agent 代码粘连、环境崩溃导致任务中断等问题。 Managed Agents 核心模块： Harness （可替换控制循环）：作为隔离模型实现与系统功能的抽象控制层，负责调度模型和路由工具，允许模型随时升级不影响系统稳定性，让针对特定模型的补丁可独立演进。 Sandbox （隔离执行环境）：提供独立的代码/文件执行单元，执行环境与核心系统物理隔离，避免工具调用异常或容器崩溃导致整体任务失败，将错误转化为可处理的单纯异常。 Session （持久化日志）：突破传统上下文窗口限制，将完整历史事件日志作为外部化记忆仓库，支持按需读取、回放历史和提取关键切片，解决长任务中信息存储与回溯的问题。 2 、Multica 介绍 Multica 是一个开源的 Managed Agents 平台，定位为遵循 Managed Agents 架构规范、厂商中立的开源 AI 智能体团队协作平台。 Multica 目标并非自建 Agent ，而是搭建跨 AI Agent 的托管调度层，将分散在本地、多终端、多厂商（ Claude Code 、Codex 、OpenCode ）的智能体收拢，把 AI Agent 转化为人机团队内和开发人员平权的正式成员，落地 Managed Agents 工程化、团队化实践。 Multica 核心为解决行业几类典型痛点： 多 AI 编程工具碎片化，切换繁琐、无法统一管控； Agent 孤立运行，无任务看板、无进度可视化，人工持续盯盘； Agent 单次优质执行经验无法沉淀，重复造轮子、团队能力无法复利增长。 3 、人机 Agent 团队组织设计 针对人机 Agent 团队协同，首先需要结合业务场景，进行团队组织设计，确定团队角色及职责。此处以 “ 全栈项目迭代开发 ” 为业务场景，落地实践人机多角色 Agent 团队协作。 针对研发需求交付流程，一般覆盖 「需求分析、方案设计、代码开发、代码审核、需求测试、项目部署」等环节。 其中“需求分析、方案设计、代码开发”类工作长耗时且低风险低，适合 Agent 角色执行；其他工作风险性相对高，短期（本文案例）持续让 人 来负责，未来考虑过度给 Agent 。 基于上述分工思路，团队具体组织设计如下： 团队名称 ：汉兴三杰（墨萧张联盟） 团队角色 ：由 3 个 Agent 角色（队长、架构师、全栈工程师） + 1 个 人 角色组成； 前者负责 「需求分析、方案设计、代码开发」类工作，后者负责「代码审核、需求测试、项目部署」类工作。 Agent 角色明细 ： 角色 职责定位责 权限边界 萧何（队长） 团队唯一对外交互入口，全流程总调度，承担「任务拆解、进度追踪、结果汇总」核心职能，是整个小队的定盘星 仅负责调度整合，不参与具体方案设计、不编写执行落地代码，所有具体工作全部委派给对应角色，绝不越界。 张良（架构师） 方案输出核心，承担「信息调研、复杂任务方案设计」核心职能，是连接需求与落地的核心枢纽 仅输出设计方案，不参与具体落地执行；遇到需求调整仅修改方案，不越界修改执行成果。 墨子（全栈工程师） 长周期任务执行核心，承担「长时间、独立复杂任务执行」核心职能，是将纸面方案转化为实际成果的攻坚者 仅在方案设计范围内完成执行，不自行修改整体框架、不扩展超出需求范围的额外功能；所有超出边界的需求统一返回协调者重新处理，不私自调整方案。 4 、场景案例 Multica 系统截图 ： Multica Squad：团队设置 + 成员组织（ 3xAgent + 1x 人）。 Multica Agent：Agent 角色的设置类信息。 墨子为例，设置信息包括：运行时（本地 MacMini + OpenCode ） + Agent 模型（ DeepSeek ） + 技能（ design-taste-frontend ） + 指令等。 Multica 运行时：我的电脑上安装了 Claude 、Codex 和 OpenCode ，如下图全部识别可用。 案例场景说明 ： 案例场景：“新建一个博客网站，只包含前端 HTML 页面，无需后端逻辑”。 需求承接：通过 Multica 的 Squad/团队 承接，过程中体现多智能体调度、会话隔离、事件追溯、技能等能力。 Multica 处理流程分析 ： Multica 流程参考下图，核心步骤如下： 发起任务 ：用户提交 ISSUE ，分配给 Multica 团队，此处分配给「汉兴三杰（墨萧张联盟）」。 需求分析/分配任务 ：团队接到需求，「萧何（队长）」会自动进行需求功能点提炼；然后，将方案设计设计任务分配给「张良（架构师）」。 技术方案 ：「张良（架构师）」接到任务，结合同步的需求信息、主动调研信息等，进行技术方案设计。技术方案完成后，会周知「萧何（队长）」。 方案评审 ：「萧何（队长）」接到技术方案完成通知，会进行技术方案 Review 。然后，将开发任务分配给「墨子（全栈工程师）」。 代码开发 ：「墨子（全栈工程师）」接到任务，开始进行代码开发。代码开发完成后，会周知「萧何（队长）」。 代码验收 ：「萧何（队长）」接到代码开发完成通知，会进行代码验收。验收完成后，会主动更新任务状态。 需求测试/项目部署 ：按照前文组织设计，这部分由人来处理。因此，由“Jason （我）”人工触发。 Multica 产出效果 ： 博客网站运行截图：
本文完整内容见（包括 Agent 指令设计）： 原文地址 1 、Managed Agents 核心理念：解耦"大脑"与"双手" Managed Agents 定义：一套用于大规模构建、部署和运行 AI Agent 的全托管基础设施，核心设计原理围绕组件解耦与分层抽象，解决长周期 AI Agent 开发和生产部署的痛点。 Managed Agents 设计思路：将智能体的「决策能力」（模型作为"大脑"）、「执行能力」（工具/沙箱作为"双手"）和「记忆能力」（持久化会话作为记忆）完全分离； 借鉴操作系统分层思想重构 Agent 架构，各模块独立演进提升整体系统的稳定性。解决了传统 Agent 开发中 Agent 代码粘连、环境崩溃导致任务中断等问题。 Managed Agents 核心模块： Harness （可替换控制循环）：作为隔离模型实现与系统功能的抽象控制层，负责调度模型和路由工具，允许模型随时升级不影响系统稳定性，让针对特定模型的补丁可独立演进。 Sandbox （隔离执行环境）：提供独立的代码/文件执行单元，执行环境与核心系统物理隔离，避免工具调用异常或容器崩溃导致整体任务失败，将错误转化为可处理的单纯异常。 Session （持久化日志）：突破传统上下文窗口限制，将完整历史事件日志作为外部化记忆仓库，支持按需读取、回放历史和提取关键切片，解决长任务中信息存储与回溯的问题。 2 、Multica 介绍 Multica 是一个开源的 Managed Agents 平台，定位为遵循 Managed Agents 架构规范、厂商中立的开源 AI 智能体团队协作平台。 Multica 目标并非自建 Agent ，而是搭建跨 AI Agent 的托管调度层，将分散在本地、多终端、多厂商（ Claude Code 、Codex 、OpenCode ）的智能体收拢，把 AI Agent 转化为人机团队内和开发人员平权的正式成员，落地 Managed Agents 工程化、团队化实践。 Multica 核心为解决行业几类典型痛点： 多 AI 编程工具碎片化，切换繁琐、无法统一管控； Agent 孤立运行，无任务看板、无进度可视化，人工持续盯盘； Agent 单次优质执行经验无法沉淀，重复造轮子、团队能力无法复利增长。 3 、人机 Agent 团队组织设计 针对人机 Agent 团队协同，首先需要结合业务场景，进行团队组织设计，确定团队角色及职责。此处以 “ 全栈项目迭代开发 ” 为业务场景，落地实践人机多角色 Agent 团队协作。 针对研发需求交付流程，一般覆盖 「需求分析、方案设计、代码开发、代码审核、需求测试、项目部署」等环节。 其中“需求分析、方案设计、代码开发”类工作长耗时且低风险低，适合 Agent 角色执行；其他工作风险性相对高，短期（本文案例）持续让 人 来负责，未来考虑过度给 Agent 。 基于上述分工思路，团队具体组织设计如下： 团队名称 ：汉兴三杰（墨萧张联盟） 团队角色 ：由 3 个 Agent 角色（队长、架构师、全栈工程师） + 1 个 人 角色组成； 前者负责 「需求分析、方案设计、代码开发」类工作，后者负责「代码审核、需求测试、项目部署」类工作。 Agent 角色明细 ： 角色 职责定位责 权限边界 萧何（队长） 团队唯一对外交互入口，全流程总调度，承担「任务拆解、进度追踪、结果汇总」核心职能，是整个小队的定盘星 仅负责调度整合，不参与具体方案设计、不编写执行落地代码，所有具体工作全部委派给对应角色，绝不越界。 张良（架构师） 方案输出核心，承担「信息调研、复杂任务方案设计」核心职能，是连接需求与落地的核心枢纽 仅输出设计方案，不参与具体落地执行；遇到需求调整仅修改方案，不越界修改执行成果。 墨子（全栈工程师） 长周期任务执行核心，承担「长时间、独立复杂任务执行」核心职能，是将纸面方案转化为实际成果的攻坚者 仅在方案设计范围内完成执行，不自行修改整体框架、不扩展超出需求范围的额外功能；所有超出边界的需求统一返回协调者重新处理，不私自调整方案。 4 、场景案例 Multica 系统截图 ： Multica Squad：团队设置 + 成员组织（ 3xAgent + 1x 人）。 Multica Agent：Agent 角色的设置类信息。 墨子为例，设置信息包括：运行时（本地 MacMini + OpenCode ） + Agent 模型（ DeepSeek ） + 技能（ design-taste-frontend ） + 指令等。 Multica 运行时：我的电脑上安装了 Claude 、Codex 和 OpenCode ，如下图全部识别可用。 案例场景说明 ： 案例场景：“新建一个博客网站，只包含前端 HTML 页面，无需后端逻辑”。 需求承接：通过 Multica 的 Squad/团队 承接，过程中体现多智能体调度、会话隔离、事件追溯、技能等能力。 Multica 处理流程分析 ： Multica 流程参考下图，核心步骤如下： 发起任务 ：用户提交 ISSUE ，分配给 Multica 团队，此处分配给「汉兴三杰（墨萧张联盟）」。 需求分析/分配任务 ：团队接到需求，「萧何（队长）」会自动进行需求功能点提炼；然后，将方案设计设计任务分配给「张良（架构师）」。 技术方案 ：「张良（架构师）」接到任务，结合同步的需求信息、主动调研信息等，进行技术方案设计。技术方案完成后，会周知「萧何（队长）」。 方案评审 ：「萧何（队长）」接到技术方案完成通知，会进行技术方案 Review 。然后，将开发任务分配给「墨子（全栈工程师）」。 代码开发 ：「墨子（全栈工程师）」接到任务，开始进行代码开发。代码开发完成后，会周知「萧何（队长）」。 代码验收 ：「萧何（队长）」接到代码开发完成通知，会进行代码验收。验收完成后，会主动更新任务状态。 需求测试/项目部署 ：按照前文组织设计，这部分由人来处理。因此，由“Jason （我）”人工触发。 Multica 产出效果 ： 博客网站运行截图：
IT之家 6 月 7 日消息，6 月 5 日，“驼峰”1500H 重载无人机首飞仪式在重庆市江津区团结湖数字经济产业园举行。 在江津区团结湖试飞场，“驼峰”1500H 顺利完成智能飞控、导航系统、航向性能、自主飞行等关键科目验证，最后精准平稳着陆，圆满完成首飞任务。此次飞行全程采用 多余度飞控系统 主导，飞行姿态稳定， 标志着我国 1.5 吨级重载无人机实现重要突破 。 IT之家从官方介绍获悉，“驼峰”1500H 是驼航科技面向国家应急体系建设、低空经济发展、高原与远海物资投送等重大需求推出的核心装备， 最大起飞重量 1.5 吨，最大载重 700 公斤，最大速度 160km/h ，具备全自主起降、自主巡航、空中悬停、一键返航等核心能力。搭载 500 公斤载荷续航时间 6 小时以上，可广泛应用于 应急救援、高原物流、海岛补给、消防灭火、工程运输、电力建设、特种投送 等领域。 “驼峰”1500H 专为复杂环境设计，可抵御零下 25℃ 严寒与 55℃ 高温，起降抗风 6 级、空中抗风 8 级，6000 米高升限满足高原作业。 在极端环境下，“驼峰”1500H 续航能力几乎不受影响 ，适合高原、高寒、长航时等严苛任务场景。
本文完整内容见（包括 Agent 指令设计）： 原文地址 1 、Managed Agents 核心理念：解耦"大脑"与"双手" Managed Agents 定义：一套用于大规模构建、部署和运行 AI Agent 的全托管基础设施，核心设计原理围绕组件解耦与分层抽象，解决长周期 AI Agent 开发和生产部署的痛点。 Managed Agents 设计思路：将智能体的「决策能力」（模型作为"大脑"）、「执行能力」（工具/沙箱作为"双手"）和「记忆能力」（持久化会话作为记忆）完全分离； 借鉴操作系统分层思想重构 Agent 架构，各模块独立演进提升整体系统的稳定性。解决了传统 Agent 开发中 Agent 代码粘连、环境崩溃导致任务中断等问题。 Managed Agents 核心模块： Harness （可替换控制循环）：作为隔离模型实现与系统功能的抽象控制层，负责调度模型和路由工具，允许模型随时升级不影响系统稳定性，让针对特定模型的补丁可独立演进。 Sandbox （隔离执行环境）：提供独立的代码/文件执行单元，执行环境与核心系统物理隔离，避免工具调用异常或容器崩溃导致整体任务失败，将错误转化为可处理的单纯异常。 Session （持久化日志）：突破传统上下文窗口限制，将完整历史事件日志作为外部化记忆仓库，支持按需读取、回放历史和提取关键切片，解决长任务中信息存储与回溯的问题。 2 、Multica 介绍 Multica 是一个开源的 Managed Agents 平台，定位为遵循 Managed Agents 架构规范、厂商中立的开源 AI 智能体团队协作平台。 Multica 目标并非自建 Agent ，而是搭建跨 AI Agent 的托管调度层，将分散在本地、多终端、多厂商（ Claude Code 、Codex 、OpenCode ）的智能体收拢，把 AI Agent 转化为人机团队内和开发人员平权的正式成员，落地 Managed Agents 工程化、团队化实践。 Multica 核心为解决行业几类典型痛点： 多 AI 编程工具碎片化，切换繁琐、无法统一管控； Agent 孤立运行，无任务看板、无进度可视化，人工持续盯盘； Agent 单次优质执行经验无法沉淀，重复造轮子、团队能力无法复利增长。 3 、人机 Agent 团队组织设计 针对人机 Agent 团队协同，首先需要结合业务场景，进行团队组织设计，确定团队角色及职责。此处以 “ 全栈项目迭代开发 ” 为业务场景，落地实践人机多角色 Agent 团队协作。 针对研发需求交付流程，一般覆盖 「需求分析、方案设计、代码开发、代码审核、需求测试、项目部署」等环节。 其中“需求分析、方案设计、代码开发”类工作长耗时且低风险低，适合 Agent 角色执行；其他工作风险性相对高，短期（本文案例）持续让 人 来负责，未来考虑过度给 Agent 。 基于上述分工思路，团队具体组织设计如下： 团队名称 ：汉兴三杰（墨萧张联盟） 团队角色 ：由 3 个 Agent 角色（队长、架构师、全栈工程师） + 1 个 人 角色组成； 前者负责 「需求分析、方案设计、代码开发」类工作，后者负责「代码审核、需求测试、项目部署」类工作。 Agent 角色明细 ： 角色 职责定位责 权限边界 萧何（队长） 团队唯一对外交互入口，全流程总调度，承担「任务拆解、进度追踪、结果汇总」核心职能，是整个小队的定盘星 仅负责调度整合，不参与具体方案设计、不编写执行落地代码，所有具体工作全部委派给对应角色，绝不越界。 张良（架构师） 方案输出核心，承担「信息调研、复杂任务方案设计」核心职能，是连接需求与落地的核心枢纽 仅输出设计方案，不参与具体落地执行；遇到需求调整仅修改方案，不越界修改执行成果。 墨子（全栈工程师） 长周期任务执行核心，承担「长时间、独立复杂任务执行」核心职能，是将纸面方案转化为实际成果的攻坚者 仅在方案设计范围内完成执行，不自行修改整体框架、不扩展超出需求范围的额外功能；所有超出边界的需求统一返回协调者重新处理，不私自调整方案。 4 、场景案例 Multica 系统截图 ： Multica Squad：团队设置 + 成员组织（ 3xAgent + 1x 人）。 Multica Agent：Agent 角色的设置类信息。 墨子为例，设置信息包括：运行时（本地 MacMini + OpenCode ） + Agent 模型（ DeepSeek ） + 技能（ design-taste-frontend ） + 指令等。 Multica 运行时：我的电脑上安装了 Claude 、Codex 和 OpenCode ，如下图全部识别可用。 案例场景说明 ： 案例场景：“新建一个博客网站，只包含前端 HTML 页面，无需后端逻辑”。 需求承接：通过 Multica 的 Squad/团队 承接，过程中体现多智能体调度、会话隔离、事件追溯、技能等能力。 Multica 处理流程分析 ： Multica 流程参考下图，核心步骤如下： 发起任务 ：用户提交 ISSUE ，分配给 Multica 团队，此处分配给「汉兴三杰（墨萧张联盟）」。 需求分析/分配任务 ：团队接到需求，「萧何（队长）」会自动进行需求功能点提炼；然后，将方案设计设计任务分配给「张良（架构师）」。 技术方案 ：「张良（架构师）」接到任务，结合同步的需求信息、主动调研信息等，进行技术方案设计。技术方案完成后，会周知「萧何（队长）」。 方案评审 ：「萧何（队长）」接到技术方案完成通知，会进行技术方案 Review 。然后，将开发任务分配给「墨子（全栈工程师）」。 代码开发 ：「墨子（全栈工程师）」接到任务，开始进行代码开发。代码开发完成后，会周知「萧何（队长）」。 代码验收 ：「萧何（队长）」接到代码开发完成通知，会进行代码验收。验收完成后，会主动更新任务状态。 需求测试/项目部署 ：按照前文组织设计，这部分由人来处理。因此，由“Jason （我）”人工触发。 Multica 产出效果 ： 博客网站运行截图：
IT之家 6 月 7 日消息，近日，三峡集团首个无人机智能巡检管理体系在内蒙古投入运行，首批覆盖 12 座新能源场站，总装机 640 万千瓦， 实现无人机统一管控、统筹调度、智能诊断、闭环消缺 。该套体系的落地，标志着三峡集团在新能源场站规模化智能运维方面迈出关键一步，为国内新能源场站集约化巡检提供了实践样板。 IT之家从官方介绍获悉，该套无人机智能巡检管理体系由三峡陆上新能源总部电力生产部牵头实施，通过制定并实施“1+1+1+5”（规划方案、接入方案、管理细则及五类专业手册）标准化管理制度，解决了新能源场站无人机巡检缺少统一管控标准的问题。 当前该无人机智能巡检管理体系已配套 21 座无人机机巢、28 架巡检无人机， 实现光伏、风机、集电线路、升压站巡检全覆盖 。相较于传统人工巡检， 每年可节省人工工时超 11 万小时 ，巡检效率提升 13.2 倍，设备隐患提前检出率达 63%。 整套体系以自主设计开发的无人机智能巡检平台为依托，构建起全链条闭环巡检模式：巡检计划统一编制报批，审核通过后经由平台下发作业指令，无人机从配套机巢自主升空巡检；巡检数据实时回传入库， 依托 AI 甄别缺陷 ，按流程完成隐患整改、复检、归档。 三峡集团透露，根据国家出台的关于无人机飞行管理相关法规，无人机智能巡检管理体系建立了专项管控机制，落实双审批、全报备、实时监控管理举措，各项管控标准对标国家无人机飞行法规落地执行，确保每一次飞行任务全程可追溯、可管控、可闭环，切实保障巡检作业合法、安全开展。
本文完整内容见（包括 Agent 指令设计）： 原文地址 1 、Managed Agents 核心理念：解耦"大脑"与"双手" Managed Agents 定义：一套用于大规模构建、部署和运行 AI Agent 的全托管基础设施，核心设计原理围绕组件解耦与分层抽象，解决长周期 AI Agent 开发和生产部署的痛点。 Managed Agents 设计思路：将智能体的「决策能力」（模型作为"大脑"）、「执行能力」（工具/沙箱作为"双手"）和「记忆能力」（持久化会话作为记忆）完全分离； 借鉴操作系统分层思想重构 Agent 架构，各模块独立演进提升整体系统的稳定性。解决了传统 Agent 开发中 Agent 代码粘连、环境崩溃导致任务中断等问题。 Managed Agents 核心模块： Harness （可替换控制循环）：作为隔离模型实现与系统功能的抽象控制层，负责调度模型和路由工具，允许模型随时升级不影响系统稳定性，让针对特定模型的补丁可独立演进。 Sandbox （隔离执行环境）：提供独立的代码/文件执行单元，执行环境与核心系统物理隔离，避免工具调用异常或容器崩溃导致整体任务失败，将错误转化为可处理的单纯异常。 Session （持久化日志）：突破传统上下文窗口限制，将完整历史事件日志作为外部化记忆仓库，支持按需读取、回放历史和提取关键切片，解决长任务中信息存储与回溯的问题。 2 、Multica 介绍 Multica 是一个开源的 Managed Agents 平台，定位为遵循 Managed Agents 架构规范、厂商中立的开源 AI 智能体团队协作平台。 Multica 目标并非自建 Agent ，而是搭建跨 AI Agent 的托管调度层，将分散在本地、多终端、多厂商（ Claude Code 、Codex 、OpenCode ）的智能体收拢，把 AI Agent 转化为人机团队内和开发人员平权的正式成员，落地 Managed Agents 工程化、团队化实践。 Multica 核心为解决行业几类典型痛点： 多 AI 编程工具碎片化，切换繁琐、无法统一管控； Agent 孤立运行，无任务看板、无进度可视化，人工持续盯盘； Agent 单次优质执行经验无法沉淀，重复造轮子、团队能力无法复利增长。 3 、人机 Agent 团队组织设计 针对人机 Agent 团队协同，首先需要结合业务场景，进行团队组织设计，确定团队角色及职责。此处以 “ 全栈项目迭代开发 ” 为业务场景，落地实践人机多角色 Agent 团队协作。 针对研发需求交付流程，一般覆盖 「需求分析、方案设计、代码开发、代码审核、需求测试、项目部署」等环节。 其中“需求分析、方案设计、代码开发”类工作长耗时且低风险低，适合 Agent 角色执行；其他工作风险性相对高，短期（本文案例）持续让 人 来负责，未来考虑过度给 Agent 。 基于上述分工思路，团队具体组织设计如下： 团队名称 ：汉兴三杰（墨萧张联盟） 团队角色 ：由 3 个 Agent 角色（队长、架构师、全栈工程师） + 1 个 人 角色组成； 前者负责 「需求分析、方案设计、代码开发」类工作，后者负责「代码审核、需求测试、项目部署」类工作。 Agent 角色明细 ： 角色 职责定位责 权限边界 萧何（队长） 团队唯一对外交互入口，全流程总调度，承担「任务拆解、进度追踪、结果汇总」核心职能，是整个小队的定盘星 仅负责调度整合，不参与具体方案设计、不编写执行落地代码，所有具体工作全部委派给对应角色，绝不越界。 张良（架构师） 方案输出核心，承担「信息调研、复杂任务方案设计」核心职能，是连接需求与落地的核心枢纽 仅输出设计方案，不参与具体落地执行；遇到需求调整仅修改方案，不越界修改执行成果。 墨子（全栈工程师） 长周期任务执行核心，承担「长时间、独立复杂任务执行」核心职能，是将纸面方案转化为实际成果的攻坚者 仅在方案设计范围内完成执行，不自行修改整体框架、不扩展超出需求范围的额外功能；所有超出边界的需求统一返回协调者重新处理，不私自调整方案。 4 、场景案例 Multica 系统截图 ： Multica Squad：团队设置 + 成员组织（ 3xAgent + 1x 人）。 Multica Agent：Agent 角色的设置类信息。 墨子为例，设置信息包括：运行时（本地 MacMini + OpenCode ） + Agent 模型（ DeepSeek ） + 技能（ design-taste-frontend ） + 指令等。 Multica 运行时：我的电脑上安装了 Claude 、Codex 和 OpenCode ，如下图全部识别可用。 案例场景说明 ： 案例场景：“新建一个博客网站，只包含前端 HTML 页面，无需后端逻辑”。 需求承接：通过 Multica 的 Squad/团队 承接，过程中体现多智能体调度、会话隔离、事件追溯、技能等能力。 Multica 处理流程分析 ： Multica 流程参考下图，核心步骤如下： 发起任务 ：用户提交 ISSUE ，分配给 Multica 团队，此处分配给「汉兴三杰（墨萧张联盟）」。 需求分析/分配任务 ：团队接到需求，「萧何（队长）」会自动进行需求功能点提炼；然后，将方案设计设计任务分配给「张良（架构师）」。 技术方案 ：「张良（架构师）」接到任务，结合同步的需求信息、主动调研信息等，进行技术方案设计。技术方案完成后，会周知「萧何（队长）」。 方案评审 ：「萧何（队长）」接到技术方案完成通知，会进行技术方案 Review 。然后，将开发任务分配给「墨子（全栈工程师）」。 代码开发 ：「墨子（全栈工程师）」接到任务，开始进行代码开发。代码开发完成后，会周知「萧何（队长）」。 代码验收 ：「萧何（队长）」接到代码开发完成通知，会进行代码验收。验收完成后，会主动更新任务状态。 需求测试/项目部署 ：按照前文组织设计，这部分由人来处理。因此，由“Jason （我）”人工触发。 Multica 产出效果 ： 博客网站运行截图：
本文完整内容见（包括 Agent 指令设计）： 原文地址 1 、Managed Agents 核心理念：解耦"大脑"与"双手" Managed Agents 定义：一套用于大规模构建、部署和运行 AI Agent 的全托管基础设施，核心设计原理围绕组件解耦与分层抽象，解决长周期 AI Agent 开发和生产部署的痛点。 Managed Agents 设计思路：将智能体的「决策能力」（模型作为"大脑"）、「执行能力」（工具/沙箱作为"双手"）和「记忆能力」（持久化会话作为记忆）完全分离； 借鉴操作系统分层思想重构 Agent 架构，各模块独立演进提升整体系统的稳定性。解决了传统 Agent 开发中 Agent 代码粘连、环境崩溃导致任务中断等问题。 Managed Agents 核心模块： Harness （可替换控制循环）：作为隔离模型实现与系统功能的抽象控制层，负责调度模型和路由工具，允许模型随时升级不影响系统稳定性，让针对特定模型的补丁可独立演进。 Sandbox （隔离执行环境）：提供独立的代码/文件执行单元，执行环境与核心系统物理隔离，避免工具调用异常或容器崩溃导致整体任务失败，将错误转化为可处理的单纯异常。 Session （持久化日志）：突破传统上下文窗口限制，将完整历史事件日志作为外部化记忆仓库，支持按需读取、回放历史和提取关键切片，解决长任务中信息存储与回溯的问题。 2 、Multica 介绍 Multica 是一个开源的 Managed Agents 平台，定位为遵循 Managed Agents 架构规范、厂商中立的开源 AI 智能体团队协作平台。 Multica 目标并非自建 Agent ，而是搭建跨 AI Agent 的托管调度层，将分散在本地、多终端、多厂商（ Claude Code 、Codex 、OpenCode ）的智能体收拢，把 AI Agent 转化为人机团队内和开发人员平权的正式成员，落地 Managed Agents 工程化、团队化实践。 Multica 核心为解决行业几类典型痛点： 多 AI 编程工具碎片化，切换繁琐、无法统一管控； Agent 孤立运行，无任务看板、无进度可视化，人工持续盯盘； Agent 单次优质执行经验无法沉淀，重复造轮子、团队能力无法复利增长。 3 、人机 Agent 团队组织设计 针对人机 Agent 团队协同，首先需要结合业务场景，进行团队组织设计，确定团队角色及职责。此处以 “ 全栈项目迭代开发 ” 为业务场景，落地实践人机多角色 Agent 团队协作。 针对研发需求交付流程，一般覆盖 「需求分析、方案设计、代码开发、代码审核、需求测试、项目部署」等环节。 其中“需求分析、方案设计、代码开发”类工作长耗时且低风险低，适合 Agent 角色执行；其他工作风险性相对高，短期（本文案例）持续让 人 来负责，未来考虑过度给 Agent 。 基于上述分工思路，团队具体组织设计如下： 团队名称 ：汉兴三杰（墨萧张联盟） 团队角色 ：由 3 个 Agent 角色（队长、架构师、全栈工程师） + 1 个 人 角色组成； 前者负责 「需求分析、方案设计、代码开发」类工作，后者负责「代码审核、需求测试、项目部署」类工作。 Agent 角色明细 ： 角色 职责定位责 权限边界 萧何（队长） 团队唯一对外交互入口，全流程总调度，承担「任务拆解、进度追踪、结果汇总」核心职能，是整个小队的定盘星 仅负责调度整合，不参与具体方案设计、不编写执行落地代码，所有具体工作全部委派给对应角色，绝不越界。 张良（架构师） 方案输出核心，承担「信息调研、复杂任务方案设计」核心职能，是连接需求与落地的核心枢纽 仅输出设计方案，不参与具体落地执行；遇到需求调整仅修改方案，不越界修改执行成果。 墨子（全栈工程师） 长周期任务执行核心，承担「长时间、独立复杂任务执行」核心职能，是将纸面方案转化为实际成果的攻坚者 仅在方案设计范围内完成执行，不自行修改整体框架、不扩展超出需求范围的额外功能；所有超出边界的需求统一返回协调者重新处理，不私自调整方案。 4 、场景案例 Multica 系统截图 ： Multica Squad：团队设置 + 成员组织（ 3xAgent + 1x 人）。 Multica Agent：Agent 角色的设置类信息。 墨子为例，设置信息包括：运行时（本地 MacMini + OpenCode ） + Agent 模型（ DeepSeek ） + 技能（ design-taste-frontend ） + 指令等。 Multica 运行时：我的电脑上安装了 Claude 、Codex 和 OpenCode ，如下图全部识别可用。 案例场景说明 ： 案例场景：“新建一个博客网站，只包含前端 HTML 页面，无需后端逻辑”。 需求承接：通过 Multica 的 Squad/团队 承接，过程中体现多智能体调度、会话隔离、事件追溯、技能等能力。 Multica 处理流程分析 ： Multica 流程参考下图，核心步骤如下： 发起任务 ：用户提交 ISSUE ，分配给 Multica 团队，此处分配给「汉兴三杰（墨萧张联盟）」。 需求分析/分配任务 ：团队接到需求，「萧何（队长）」会自动进行需求功能点提炼；然后，将方案设计设计任务分配给「张良（架构师）」。 技术方案 ：「张良（架构师）」接到任务，结合同步的需求信息、主动调研信息等，进行技术方案设计。技术方案完成后，会周知「萧何（队长）」。 方案评审 ：「萧何（队长）」接到技术方案完成通知，会进行技术方案 Review 。然后，将开发任务分配给「墨子（全栈工程师）」。 代码开发 ：「墨子（全栈工程师）」接到任务，开始进行代码开发。代码开发完成后，会周知「萧何（队长）」。 代码验收 ：「萧何（队长）」接到代码开发完成通知，会进行代码验收。验收完成后，会主动更新任务状态。 需求测试/项目部署 ：按照前文组织设计，这部分由人来处理。因此，由“Jason （我）”人工触发。 Multica 产出效果 ： 博客网站运行截图：
本文完整内容见（包括 Agent 指令设计）： 原文地址 1 、Managed Agents 核心理念：解耦"大脑"与"双手" Managed Agents 定义：一套用于大规模构建、部署和运行 AI Agent 的全托管基础设施，核心设计原理围绕组件解耦与分层抽象，解决长周期 AI Agent 开发和生产部署的痛点。 Managed Agents 设计思路：将智能体的「决策能力」（模型作为"大脑"）、「执行能力」（工具/沙箱作为"双手"）和「记忆能力」（持久化会话作为记忆）完全分离； 借鉴操作系统分层思想重构 Agent 架构，各模块独立演进提升整体系统的稳定性。解决了传统 Agent 开发中 Agent 代码粘连、环境崩溃导致任务中断等问题。 Managed Agents 核心模块： Harness （可替换控制循环）：作为隔离模型实现与系统功能的抽象控制层，负责调度模型和路由工具，允许模型随时升级不影响系统稳定性，让针对特定模型的补丁可独立演进。 Sandbox （隔离执行环境）：提供独立的代码/文件执行单元，执行环境与核心系统物理隔离，避免工具调用异常或容器崩溃导致整体任务失败，将错误转化为可处理的单纯异常。 Session （持久化日志）：突破传统上下文窗口限制，将完整历史事件日志作为外部化记忆仓库，支持按需读取、回放历史和提取关键切片，解决长任务中信息存储与回溯的问题。 2 、Multica 介绍 Multica 是一个开源的 Managed Agents 平台，定位为遵循 Managed Agents 架构规范、厂商中立的开源 AI 智能体团队协作平台。 Multica 目标并非自建 Agent ，而是搭建跨 AI Agent 的托管调度层，将分散在本地、多终端、多厂商（ Claude Code 、Codex 、OpenCode ）的智能体收拢，把 AI Agent 转化为人机团队内和开发人员平权的正式成员，落地 Managed Agents 工程化、团队化实践。 Multica 核心为解决行业几类典型痛点： 多 AI 编程工具碎片化，切换繁琐、无法统一管控； Agent 孤立运行，无任务看板、无进度可视化，人工持续盯盘； Agent 单次优质执行经验无法沉淀，重复造轮子、团队能力无法复利增长。 3 、人机 Agent 团队组织设计 针对人机 Agent 团队协同，首先需要结合业务场景，进行团队组织设计，确定团队角色及职责。此处以 “ 全栈项目迭代开发 ” 为业务场景，落地实践人机多角色 Agent 团队协作。 针对研发需求交付流程，一般覆盖 「需求分析、方案设计、代码开发、代码审核、需求测试、项目部署」等环节。 其中“需求分析、方案设计、代码开发”类工作长耗时且低风险低，适合 Agent 角色执行；其他工作风险性相对高，短期（本文案例）持续让 人 来负责，未来考虑过度给 Agent 。 基于上述分工思路，团队具体组织设计如下： 团队名称 ：汉兴三杰（墨萧张联盟） 团队角色 ：由 3 个 Agent 角色（队长、架构师、全栈工程师） + 1 个 人 角色组成； 前者负责 「需求分析、方案设计、代码开发」类工作，后者负责「代码审核、需求测试、项目部署」类工作。 Agent 角色明细 ： 角色 职责定位责 权限边界 萧何（队长） 团队唯一对外交互入口，全流程总调度，承担「任务拆解、进度追踪、结果汇总」核心职能，是整个小队的定盘星 仅负责调度整合，不参与具体方案设计、不编写执行落地代码，所有具体工作全部委派给对应角色，绝不越界。 张良（架构师） 方案输出核心，承担「信息调研、复杂任务方案设计」核心职能，是连接需求与落地的核心枢纽 仅输出设计方案，不参与具体落地执行；遇到需求调整仅修改方案，不越界修改执行成果。 墨子（全栈工程师） 长周期任务执行核心，承担「长时间、独立复杂任务执行」核心职能，是将纸面方案转化为实际成果的攻坚者 仅在方案设计范围内完成执行，不自行修改整体框架、不扩展超出需求范围的额外功能；所有超出边界的需求统一返回协调者重新处理，不私自调整方案。 4 、场景案例 Multica 系统截图 ： Multica Squad：团队设置 + 成员组织（ 3xAgent + 1x 人）。 Multica Agent：Agent 角色的设置类信息。 墨子为例，设置信息包括：运行时（本地 MacMini + OpenCode ） + Agent 模型（ DeepSeek ） + 技能（ design-taste-frontend ） + 指令等。 Multica 运行时：我的电脑上安装了 Claude 、Codex 和 OpenCode ，如下图全部识别可用。 案例场景说明 ： 案例场景：“新建一个博客网站，只包含前端 HTML 页面，无需后端逻辑”。 需求承接：通过 Multica 的 Squad/团队 承接，过程中体现多智能体调度、会话隔离、事件追溯、技能等能力。 Multica 处理流程分析 ： Multica 流程参考下图，核心步骤如下： 发起任务 ：用户提交 ISSUE ，分配给 Multica 团队，此处分配给「汉兴三杰（墨萧张联盟）」。 需求分析/分配任务 ：团队接到需求，「萧何（队长）」会自动进行需求功能点提炼；然后，将方案设计设计任务分配给「张良（架构师）」。 技术方案 ：「张良（架构师）」接到任务，结合同步的需求信息、主动调研信息等，进行技术方案设计。技术方案完成后，会周知「萧何（队长）」。 方案评审 ：「萧何（队长）」接到技术方案完成通知，会进行技术方案 Review 。然后，将开发任务分配给「墨子（全栈工程师）」。 代码开发 ：「墨子（全栈工程师）」接到任务，开始进行代码开发。代码开发完成后，会周知「萧何（队长）」。 代码验收 ：「萧何（队长）」接到代码开发完成通知，会进行代码验收。验收完成后，会主动更新任务状态。 需求测试/项目部署 ：按照前文组织设计，这部分由人来处理。因此，由“Jason （我）”人工触发。 Multica 产出效果 ： 博客网站运行截图：