如果你突然发现，公益站用不了，把 multi_agent_v2 关掉，139 版本更新后，启用该特性，一直卡在参数错误。 2 个帖子 - 2 位参与者 阅读完整话题
Your conversations have multiple flags for possible cybersecurity risk. Responses may take longer because extra safety checks are on. To get authorized for security work, join the Trusted Access for Cyber program: https://chatgpt.com/cyber 正常开发项目，怀疑文档里有扫描相关的字眼，触发了风险审查，现在次次弹，对回复速度影响挺大 9 个帖子 - 4 位参与者 阅读完整话题
报错内容如下,我查了一下需要禁用features.multi_agent_v2，但是我还要用trellis，请问有其他解决方法嘛 ，codex cli版本是最新的0.138.0 { "error": { "message": "Invalid Value: 'tools'. Function 'functions.spawn_agent' declares encrypted parameters but is not configured for encrypted tool use by this model.", "type": "invalid_request_error", "param": "tools", "code": null } } 1 个帖子 - 1 位参与者 阅读完整话题
Roxy，GoLogin，Adspower都用来一遍，想再试试MultiLogin，但这货不免费试用，必须充值。有用过的大佬说下么？ 主要想体验下找个适合自己的充值长期用。主要是保持ip干净，养号用，尽量保证各种账号不被封，偶尔爬虫玩玩。不搞什么自动化，也不搞跨区电商管理啥的。 纯个人用。 求大佬分享心得 ！ 1 个帖子 - 1 位参与者 阅读完整话题
今天使用codex接中转站提示 Your conversations have multiple flags for possible cybersecurity risk. Responses may take longer because extra safety checks are on. To get authorized for security work, join the Trusted Access for Cyber program: https://chatgpt.com/cyber 问问大佬们， 这个要紧嘛？ 我之前没干过破限的事情啊 3 个帖子 - 2 位参与者 阅读完整话题
⚠ Your conversations have multiple flags for possible cybersecurity risk. Responses may take longer because extra safety checks are on. To get authorized for security work, join the Trusted Access for Cyber program: https://chatgpt.com/cyber 有哪位大佬知道怎么解决不？ 10 个帖子 - 7 位参与者 阅读完整话题
新增了一些grok模型 grok-4.3-console,grok-4.20-multi-agent-xhigh,grok-4.3-high,grok-4.20-multi-agent-console,grok-4.20-fast,grok-build-console 还有minimax的m3 MiniMax-M3 ps：签到站应该快修好了0.o，稍安勿躁 20 个帖子 - 19 位参与者 阅读完整话题
最近研究的分析已经完成了，准备进行论文写作，也看了L站里的各路大佬针对论文写作/综述相关的文章撰写的过程中，用各种工具帮助检索论文以验证论点。但是总觉得检索的论文的面不是非常全面，想问问有没有科研大佬用grok-4.20-multi-agent-xhigh结合多个agent并发搜索的效果怎么样 3 个帖子 - 3 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：
grok真很适合拿来爬内容 还有这个上下文也是很夸张了 5 个帖子 - 4 位参与者 阅读完整话题
npm:pi-mono-multi-edit，例如我用了这个，但是接入 openai的模型老是会出错，奇怪了，有没有类似claude code 或 codex 那种，片段编辑工具 7 个帖子 - 2 位参与者 阅读完整话题
我利用它配合久佬的Joverna公益站提供的grok4.20-multiagent-xhigh来完成推特（X，）上面指定主题的帖子图片爬取，一早上收割了 1700 多张图 挺有意思的 这个不像API会触发限流，感觉很稳定CDP 方式 3 个帖子 - 2 位参与者 阅读完整话题
招聘标题 AI Agent 架构师（ Multi-Agent / LangGraph / MCP ） 职位描述 岗位职责 加入效率工程团队，深度参与 AI Agent 产品体系建设，负责企业级智能效率工具的设计、研发与落地，打造下一代 AI 原生生产力平台； 主导 Context Engineering （上下文工程）与 Multi-Agent 架构设计，构建 Agent Skill 生态、Tool Calling 体系及 Workflow 编排平台，持续扩展 Agent 能力边界； 负责 AI Agent 系统架构设计与核心模块开发，包括 Prompt Pipeline 、Memory System 、Planning System 、Tool System 等关键能力建设，提升 Agent 智能决策与任务执行能力； 构建高可用、高性能 AI Agent 服务体系，解决复杂业务场景下的高并发、低延迟及稳定性问题，保障系统持续可靠运行； 深入探索 Agent 应用场景创新，设计面向不同角色与业务场景的智能工作流，实现 AI 能力的规模化落地； 跟踪并落地前沿 AI Agent 技术方向，包括但不限于： Multi-Agent 协作 Long Context Engineering MCP （ Model Context Protocol ） Function Calling Tool Use Memory Architecture Agent Workflow AI Coding Agent 与产品、研发及业务团队协同合作，推动 AI 能力快速转化为实际业务价值。 任职要求 AI Agent 能力要求 拥有完整 AI Agent 或 LLM 应用开发经验，能够独立完成 Agent 系统设计与实现； 深入理解主流 Agent 范式，包括但不限于： ReAct Plan-and-Execute Reflection Tool Use Multi-Agent Collaboration 熟悉以下核心能力建设： Prompt Engineering Context Engineering Long Context Management Memory Management Tool Calling RAG Evaluation Framework 具备 Agent 系统效果评测与优化经验，能够针对实际业务场景持续提升 Agent 效果与稳定性； 有 Agent Workflow 编排平台建设经验者优先。 技术栈要求 熟悉以下一种或多种 AI Agent 框架： Agent Framework LangGraph LangChain AI Infra MCP （ Model Context Protocol ） Function Calling RAG Vector Database 模型能力 熟悉主流大模型生态： GPT 系列 Claude 系列 DeepSeek 系列 Qwen 系列 Gemini 系列 具备模型评测、Prompt 优化及 Agent 效果调优经验者优先。 加分项 有 Cursor 、Claude Code 、Codex 等 AI Coding 产品深度使用经验； 有 OpenHands 、Devin 、Claude Code 类项目开发经验； 有 MCP Server 开发经验； 有 Agent Framework 二次开发经验； 有 AI 产品从 0 到 1 落地经验； 有开源项目贡献经历； 有技术博客或技术社区影响力。 联系方式 [email protected]
招聘标题 AI Agent 架构师（ Multi-Agent / LangGraph / MCP ） 职位描述 岗位职责 加入效率工程团队，深度参与 AI Agent 产品体系建设，负责企业级智能效率工具的设计、研发与落地，打造下一代 AI 原生生产力平台； 主导 Context Engineering （上下文工程）与 Multi-Agent 架构设计，构建 Agent Skill 生态、Tool Calling 体系及 Workflow 编排平台，持续扩展 Agent 能力边界； 负责 AI Agent 系统架构设计与核心模块开发，包括 Prompt Pipeline 、Memory System 、Planning System 、Tool System 等关键能力建设，提升 Agent 智能决策与任务执行能力； 构建高可用、高性能 AI Agent 服务体系，解决复杂业务场景下的高并发、低延迟及稳定性问题，保障系统持续可靠运行； 深入探索 Agent 应用场景创新，设计面向不同角色与业务场景的智能工作流，实现 AI 能力的规模化落地； 跟踪并落地前沿 AI Agent 技术方向，包括但不限于： Multi-Agent 协作 Long Context Engineering MCP （ Model Context Protocol ） Function Calling Tool Use Memory Architecture Agent Workflow AI Coding Agent 与产品、研发及业务团队协同合作，推动 AI 能力快速转化为实际业务价值。 任职要求 AI Agent 能力要求 拥有完整 AI Agent 或 LLM 应用开发经验，能够独立完成 Agent 系统设计与实现； 深入理解主流 Agent 范式，包括但不限于： ReAct Plan-and-Execute Reflection Tool Use Multi-Agent Collaboration 熟悉以下核心能力建设： Prompt Engineering Context Engineering Long Context Management Memory Management Tool Calling RAG Evaluation Framework 具备 Agent 系统效果评测与优化经验，能够针对实际业务场景持续提升 Agent 效果与稳定性； 有 Agent Workflow 编排平台建设经验者优先。 技术栈要求 熟悉以下一种或多种 AI Agent 框架： Agent Framework LangGraph LangChain AI Infra MCP （ Model Context Protocol ） Function Calling RAG Vector Database 模型能力 熟悉主流大模型生态： GPT 系列 Claude 系列 DeepSeek 系列 Qwen 系列 Gemini 系列 具备模型评测、Prompt 优化及 Agent 效果调优经验者优先。 加分项 有 Cursor 、Claude Code 、Codex 等 AI Coding 产品深度使用经验； 有 OpenHands 、Devin 、Claude Code 类项目开发经验； 有 MCP Server 开发经验； 有 Agent Framework 二次开发经验； 有 AI 产品从 0 到 1 落地经验； 有开源项目贡献经历； 有技术博客或技术社区影响力。 联系方式 [email protected]
Elevated errors across multiple models 用的给我一堆大佐语 4 个帖子 - 4 位参与者 阅读完整话题