内购限时免费，尽快获取。 App Store Aria2 Manager - NeoAria2 App - App Store Download Aria2 Manager - NeoAria2 by 骏 胡 on the App Store. See screenshots, ratings and reviews, user tips, and more apps like Aria2 Manager - NeoAria2. $4.99 → Free NeoAria2管理器是用于管理Aria2的工具，你需要在NAS( (群晖 Synology,威联通 QNAP,FreeNAS 等))上安装Aria2，并在NeoAria2中添加对应的RPC配置, 然后你就可以远程操作你NAS上面Aria2进行下载及存储了。 支持查看各种状态列表 支持查看文件列表和bitfileds, 进度等详细信息 支持添加和管理多个Aria2 RPC服务器 支持查看Aria2服务器状态。 支持按文件后缀勾选想要的文件。 支持浏览器点击链接唤起 APP 。 支持 iOS 17 小组件. 2 个帖子 - 2 位参与者 阅读完整话题
我现在需要搭建一个CDH 6.3.1的集群，现在卡在没有Cloudera Manager 6.3.1的安装包，agent安装不了，实在没法了，希望有佬能看到 1 个帖子 - 1 位参与者 阅读完整话题
自己搭建的cpa，直接在cc-switch里面写配置，在codex里使用就error，但是在本地套了一层CodexManager之后ccs连CodexManager又可以使用了。 有大佬遇到过类似的问题吗，求助一下 url加v1和不加v1都试过 5 个帖子 - 2 位参与者 阅读完整话题
滤镜软件更新啦~ 本次更新带来了几项实用的新功能，欢迎体验！ 设置界面 & 后台托盘 新增独立设置界面，主题调整已迁移至设置页面。同时新增后台托盘持久化能力——如不需要可随时关闭，主要为快捷键切换功能服务。 通知提醒 新增通知功能，切换方案时可在右下角弹出提示，操作反馈更直观。 快捷键切换方案 支持通过快捷键快速切换主题方案，也可以一键恢复默认设置，效率拉满。 显示适配 新增显示适配选项，可自定义右下角托盘快捷方案的显示条目数量。 原帖地址： 最近搓了三角洲滤镜，有需要的兄弟嘛? 软件地址： https://filter-manage.6ya.site 开源项目，允许二创。觉得好用的话给项目点个小星星，十分感谢！ 1 个帖子 - 1 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：
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：
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：
事情是从 CPA 砍掉使用统计之后开始的。 原先我会时不时看看请求数据，看的虽然不多，但心里起码有个底。自从这个功能被砍以后，就感觉很难受，数据好像已经脱离我的掌控了 。于是我自己做了一个能查看数据统计的扩展面板。后来发现很多佬也需要这个功能，就顺手开源了。 没想到项目开源之后得到了很多认可，哈哈，着实没想到。后面我就一直持续迭代，最后也就有了 CPA-Manager-Plus。 目前 CPAMP 已经发布正式版了，我也开始继续推进后续迭代。在这个过程中，我也收集到了不少反馈，看起来大家都挺急的 。不过我的精力确实有限，没办法所有功能一起开发，所以想把目前的大致计划和大家同步一下，也希望通过投票来决定这些功能的优先级。 当然，也欢迎大家继续提出新的建议和需求，也欢迎更多佬一起参与开发这个项目。欢迎提 issues 和 PR。这里也特别感谢已经参与过贡献的佬、提供反馈的佬，以及认可项目、给项目点星星的佬。 目前计划中有四个比较大的方向： 账号管理整合 合并配额管理和认证文件管理，统一成账号管理模块。后续会以表格形式管理所有账号，并联动账号巡检功能，可视化展示配额、账号状态等信息。 消息通知 支持飞书、企业微信、Telegram、Webhook 等通知渠道，用于实时推送异常、通知、故障、日报等消息。 用量分析补齐 迁移一部分 CPA 之前的使用统计图表，并根据大家比较常用的场景，补充一些趋势图、分析图表等能力。 多 CPA 管理 这个需求从最开始开源的时候就已经有人提过了，其实我自己也挺需要的 。后续会逐步考虑支持多个 CPA 实例的管理和切换。 其他 评论区写出来，大家一起投。 评论区用户头像哪里也可以投票，那个也算。 前三个多多少少已经开发了一部分了，但还是需要大家投票决定优先级，后面我会按照这些优先级去开发的。 账号管理 消息通知 用量分析 多CPA管理 点击以查看投票。 7 个帖子 - 7 位参与者 阅读完整话题
说起来惭愧，都已经是 L3 了还是不知道怎么发布投票帖子。CPA-Manager_Plus 正式版已经发布了，关于后续的开发需求，整理了一下开发优化计划，想收集一下哪些需求/功能优先级高，所以想发起一个投票，但是不会 3 个帖子 - 3 位参与者 阅读完整话题
公司给配了个kiro pro，我用kiro account manager拉不到模型，反代也用不了。大家用哪个方案？ 3 个帖子 - 2 位参与者 阅读完整话题
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 将linux作为主力系统使用了很长时间了，也使用过一些文件管理器总感觉缺少了一些想要的功能。例如空格预览，方便的搜索，快速的多目录切换。 所以我制作了这款文件管理。经过了数周的打磨，最基础的使用没什么问题，但距离完美还差很远。所以欢迎各位佬提出改进建议让软件变的更好！ github.com GitHub - nsjsv/File_Manager: File_Manager——Rust实现的原生linux文件管理器 File_Manager——Rust实现的原生linux文件管理器 6 个帖子 - 4 位参与者 阅读完整话题
前阵子tg的passkey很火，放心的保存到google password manager上了。 谁知道，现在再次登录的时候却怎么都连不上google password manager保存的passkey，导致tg账号无法再登录了（以为有passkey便高枕无忧随意退登了）。不管是在手机上，还是电脑上，即使开全局就是无法连接到Google密码管理工具。 这玩意儿真不能用啊佬友们！ 8 个帖子 - 5 位参与者 阅读完整话题
AgenTank AgenTank Tanks Manage your AgenTank AI tanks, code versions, battle records, and agent keys. 这个坦克大战挺好玩的，最有意思的是回看录像，Token 用不完的可以跑个 /goal 玩玩 2 个帖子 - 2 位参与者 阅读完整话题
CPA本身也是最新版 v7.1.25，这是咋回事捏 3 个帖子 - 2 位参与者 阅读完整话题
我原来有450左右个free号，在两个月左右的使用下不断检测只剩下130余账号。 但是当我今天检测发现了一个问题，当我把原来的450个重新放进auth文件夹检测后只剩下50多个可用，但是我再把现在的130个账号作为auth文件检测时却全部可用。 目前还不知道有什么问题，但总不能说是50个账号可用和130个账号可用同时为真吧？这太诡异了。 3 个帖子 - 2 位参与者 阅读完整话题
我在用 meme_manager这个插件时，想去登录后台，在私聊里获得地址后登陆不上去，下面是我的映射和规则 2 个帖子 - 2 位参与者 阅读完整话题
Powerd by DeepSeek-v4-Pro 打开 1Password — Password Manager for Teams, Businesses, and Families 登陆账号 F12 控制台 粘贴以下代码 然后点击左侧的 账单 就会输出完整信息 // 粘贴到 F12 Console，刷新页面即可拦截 // https://my.1password.com/api/v3/account?attrs=billing,tier,promotions,counts (function() { const TARGET = '/api/v3/account'; window.__1p = { raw: null, decrypted: null, events: [] }; const fmt = { money: (c) => (c / 100).toLocaleString('en-US', { style: 'currency', currency: 'USD' }), date: (d) => new Date(d).toLocaleString('zh-CN', { hour12: false }), type: (t) => ({ F:'家庭', B:'企业', P:'个人' })[t] || t, state: (s) => ({ A:'活跃', S:'暂停', F:'冻结' })[s] || s, bill: (s) => ({ A:'活跃', T:'试用中', P:'逾期', C:'取消' })[s] || s, yn: (b) => b ? '是' : '否', }; // ── 展示 ── function display(data) { const { billing, tier, counts, promotions, ...acct } = data; const plans = tier?.plans || []; console.clear(); console.log(`${acct.name} [${fmt.type(acct.type)} · ${fmt.state(acct.state)}]`); console.groupCollapsed('账户信息'); console.log(' UUID ', acct.uuid); console.log(' 创建时间 ', fmt.date(acct.createdAt)); console.log(' 域名 ', acct.domain + '.1password.com'); console.log(' 已用存储 ', acct.storageUsed + ' MB'); console.groupEnd(); console.groupCollapsed('计费'); console.log(' 状态 ', fmt.bill(billing.status)); console.log(' 试用开始 ', fmt.date(billing.trialStartedAt)); console.log(' 试用余天 ', billing.trialDays); console.log(' 冻结到期 ', fmt.date(billing.freezesAt)); console.log(' 成员 ', billing.members); console.log(' 访客 ', billing.guests); console.log(' UBP ', fmt.yn(billing.isUbpEnrolled)); if (billing.settings?.billingEmails) console.log(' 账单邮箱 ', billing.settings.billingEmails); console.groupEnd(); console.groupCollapsed('套餐 — ' + tier.name); console.log(' ID ', tier.tierId); console.log(' 账号类型 ', tier.accountType === 'F' ? '家庭版' : tier.accountType); console.log(' 试用天数 ', tier.trialDays); console.log(' 备份保留 ', tier.backupDays + ' 天'); console.log(' 成员 ', tier.membersIncluded + ' - ' + tier.maxMembers + ' 人'); console.log(' 访客 ', tier.guestsIncluded + ' / ' + tier.maxGuests + ' 人'); console.log(' 存储/用户 ', tier.storagePerUser / 1024 + ' GB'); if (tier.features?.length) { console.groupCollapsed('功能列表 (' + tier.features.length + ' 项)'); tier.features.forEach(f => console.log(' - ' + f)); console.groupEnd(); } console.groupEnd(); if (plans.length) { console.groupCollapsed('定价'); console.log(' 周期 总价 月均 加座/月 备注'); plans.forEach(p => { const d = p.display || {}; const add = d.additionalSeats?.members ? fmt.money(d.additionalSeats.members.amount) : '—'; console.log(' ' + [ (p.frequency === 'Y' ? '年付' : '月付').padEnd(8), fmt.money(d.amount).padEnd(12), ('$' + (d.monthlyRate || '—')).padEnd(10), add.padEnd(10), d.priceDescription || '' ].join('')); }); plans.forEach(p => console.log(' Stripe ' + p.stripePlanUid)); console.groupEnd(); } console.groupCollapsed('用量统计'); [ ['用户', counts.users, 20], ['保险库', counts.vaults, 20], ['群组', counts.groups, 10], ['邀请', counts.invitations, 10], ['活跃用户',counts.activeUsers, 20], ['活跃访客',counts.activeGuests, 10], ].forEach(([label, val, max]) => { const n = Math.round(Math.min(1, val / max) * 20); console.log(' ' + label.padEnd(6) + ' ' + '█'.repeat(n) + '░'.repeat(20 - n) + ' ' + val); }); console.groupEnd(); if (promotions && promotions.length) { console.groupCollapsed('促销 (' + promotions.length + ' 项)'); promotions.forEach((p, i) => { if (p.name) console.log(' [' + (i + 1) + '] ' + p.name); if (p.description) console.log(' ' + p.description); if (p.trialDays) console.log(' 试用天数: ' + p.trialDays); console.log(' 叠加试用: ' + fmt.yn(p.addTrialDays) + ' 隐藏描述: ' + fmt.yn(p.suppressPromotionDescription) + ' 显示计费: ' + fmt.yn(p.showBilling)); if (p.thirdPartyBilling) console.log(' 第三方计费: ' + fmt.yn(p.thirdPartyBilling)); if (p.automatedPartnership) console.log(' 自动合作: ' + fmt.yn(p.automatedPartnership)); }); console.groupEnd(); } console.log('数据已存入 window.__1p.decrypted'); } // ── 拦截 ── let shown = false; const _parse = JSON.parse; JSON.parse = function(text, reviver) { let r; try { r = _parse.call(this, text, reviver); } catch(_) { return _parse.call(this, text, reviver); } if (r && typeof r === 'object' && r.billing && r.tier) { window.__1p.rawText = text; window.__1p.decrypted = r; window.__1p.events.push({ type: 'decrypted', data: r, ts: Date.now() }); if (!shown || r.promotions) { shown = true; display(r); } } return r; }; const _fetch = window.fetch; window.fetch = function(input, init) { let url = typeof input === 'string' ? input : input?.url; const p = _fetch.call(window, input, init); if (url && url.includes(TARGET)) { p.then(res => { res.clone().text().then(t => { window.__1p.raw = t; window.__1p.events.push({ type: 'fetch', data: t, ts: Date.now(), url }); }); }); } return p; }; const _open = XMLHttpRequest.prototype.open; const _send = XMLHttpRequest.prototype.send; XMLHttpRequest.prototype.open = function(method, url) { this.__1p_url = url; return _open.call(this, method, url); }; XMLHttpRequest.prototype.send = function() { if (this.__1p_url && this.__1p_url.includes(TARGET)) { this.addEventListener('load', () => { window.__1p.events.push({ type: 'xhr', data: this.responseText, ts: Date.now() }); }); } return _send.apply(this, arguments); }; console.log('已激活 — 点击左侧账单页面即可触发'); })(); 1 个帖子 - 1 位参与者 阅读完整话题