你同时开着 Claude Code 和 Codex：左边让 Claude Code 写主逻辑，右边让 Codex 补测试，中间还插一个 Gemini，帮你啃那个三千行的配置文件。你在三个窗口之间复制粘贴，像个人肉交换机。
每个 AI 单拎出来都聪明，合在一起就容易出事。谁在改哪个文件？上个任务跑到哪一步了？Gemini 读出来的东西，怎么完整地喂给 Claude Code？一个任务卡住以后，另外两个要不要继续？
很多人说 AI 还不够强。我用了一阵以后发现，最忙的其实是我：模型在写代码，我在搬运信息；模型在等指令，我在追进度；模型各自记得自己的对话，我得把整个项目重新拼起来。
Multica 想处理的就是这件事：给一群 AI 编程员当班长。
它不跟 Claude Code 或 Codex 抢活，而是把已经能干活的 AI 工具放进同一套任务系统里，给它们发工牌、排任务、盯进度。你在看板上建一个 Issue，指派给某个 AI，对应的 Agent 会去领任务，由绑定电脑上的本地 daemon 调用底层 AI CLI，执行时回报状态，跑完再把结果交回来。
上面是 Multica 官方的看板界面。人和 AI 出现在同一块任务面板上，你可以像给同事派活一样，把任务交给某个 AI 员工。
Multica 的代码仓库公开，也支持自托管。不过它使用的是带额外商业和品牌条款的修改版 Apache 2.0 许可证，不能把“代码公开”直接说成“所有用法永远免费”。
工具数量也变得很快。核对到 2026 年 7 月 17 日，官方 Providers Matrix 列出 16 种内置工具，包括 Claude Code、Codex、Cursor、Hermes、OpenClaw、Grok 等；Gemini 没有作为独立 provider 出现在这份矩阵里。我的 Gemini 资料员是个人工作流配置，不代表每个人装完都会得到同样的组合。
运行 multica setup 后，daemon 会检测电脑 PATH 里可识别的 AI CLI，并注册成 runtime。真正的 AI 员工仍要由你创建，再绑定到指定 runtime，不是装完软件，电脑上的工具就会自动组成一支队伍。
我的小组配置
我在 Multica 里搭了个六人团队。下面这张截图就是我的分工方案：一个调度中枢，加五个专职 AI。每个人管什么、不能碰什么，我都写得很清楚。
调度员：Dispatch Router
只管分发任务和盯状态，自己不动手。接到需求后先判断该派给谁：需要查资料就找资料员，需要设计方案就找架构师，进入写代码阶段才交给程序员。
资料员：Gemini Context Scanner
专门读超长文档、扫描多个文件。我会把那些又长又散的上下文交给它，比如一次读完整个项目目录，或者啃一份三千行的配置文件，再把和当前任务有关的内容整理出来。
侦察兵：Grok Web Scout
负责实时联网搜索，查网页，也看 X 上的最新信息。比如某个框架昨天刚发了更新，项目正好依赖它，我就让侦察兵先找原始公告、官方文档和开发者讨论，再把能用的材料带回来。
架构师：Fable Lead
负责方案设计、技术选型和风险评估。我给它定了一条死规矩：不许碰代码。它可以研究项目结构、指出哪些模块要改、写清实施顺序，但不能顺手改文件。
程序员：Codex Engineer
全组唯一能写代码的角色，负责把架构师的方案变成实际代码、补测试、修 bug，再交出可以检查的结果。把写权限集中到一个角色，至少不会出现三四个 AI 同时改一批文件，最后谁也说不清哪一处是谁动的。
质检员：Sol Reviewer
独立审阅，专门给代码挑毛病，最后给出通过或退回的判断。它同样只审不写；发现问题就把任务退回 Codex Engineer，而不是一边挑错一边自己修。
为什么要分这么细？因为 AI 有个很常见的毛病：让它同时做架构、写代码、补测试，再审查自己的结果，它很容易在中间偷步骤，最后拼出一套能跑、却很难维护的东西。把方案、实现和审查拆开，每一段工作都有明确负责人，出了问题也更容易找到具体环节。
Multica 的任务状态会从 queued、dispatched、running，走到 completed、failed 或 cancelled。AI 可以在执行中报告进度，遇到阻塞也能把问题提出来。面板让我更容易看见它卡在哪里，但这不代表所有任务都可以放心扔着跑一夜；任务描述不清、底层工具报错、执行环境有问题，AI 一样会失败。
我还很喜欢它的 Skills 机制，不过原文里有一句需要修正：一次任务跑通后，成果不会自动长成 Skill。你得把验证过的方法整理成 Skill，或者导入已有 Skill，再挂到相应 Agent 上。以后碰到同类部署、检查或操作任务，团队里的其他角色就能复用，不用每次从零开始教。
代码安全吗？
上面是我的运行环境面板。后台程序跑在自己的 MacBook 上，面板里能看到八个 AI 工具在线待命。
Multica 的 server 负责保存和协调项目、Issue、任务状态等信息，真正调用 AI CLI 的动作发生在绑定机器上的本地 daemon。换句话说，server 不负责替 Agent 执行代码，也不会直接跑进你的本地目录干活。
但“本地执行”不等于“数据绝不离开电脑”。如果底层调用的是远程模型，完成任务需要的提示词、文件片段和上下文，仍可能按照对应 AI 工具与模型提供商的策略发送出去。公司代码、客户资料、密钥和内部项目，还是要逐个检查工具权限和数据政策。
原图里还有设备名、工作区和 daemon 信息。它们不是密码，但也是公开前该检查的运行痕迹。截图能证明当时有哪些 runtime 在线，不能单靠一张图证明某个跨设备任务已经成功跑完。
不止管一台电脑
这是 Multica 让我特别惊喜的一点：它不只管手边这一台机器。
上面是我自己的 Runtimes 面板。里面有两台设备：一台叫 enzo，是公司登录的电脑；另一台叫 enzodeMacBook-Pro-2.local。截图里两台都显示在线，每台机器有哪些 runtime、哪些工具可用，也能集中查看。
你可以在公司的 Mac 上运行一个 daemon，在家里的 PC 上也运行一个。出差时打开 Multica，就能看见两台机器各自的在线状态，不用先 SSH 上去敲命令排查。
公司电脑上的 Agent 可以处理一类任务，家里性能更强的台式机可以承担编译，笔记本上的工具可以负责扫描文档。算力不够时，也可以把另一台闲置设备加进运行环境。
这里有个重要限制：任务不会因为某台电脑更快，就自动漂到那台机器上。每个 Agent 绑定的是你选定的 runtime，派任务时要按这个关系来安排，并没有自动负载均衡。
所以“一个面板管所有算力”更准确的理解是：多台机器的 runtime 状态、活动和用量可以放在一起看，真正跑任务的仍是各自绑定的电脑和底层工具。
跟 Hermes、OpenClaw 比，区别在哪
答案不是“谁替代谁”，而是它们压根不在同一个位置上。
Multica：管一支队伍
Multica 是 AI 团队管理平台。它管多个 AI 和多个人之间的任务分配：谁在干什么，进度到哪了，哪个任务卡住了，哪些 Skills 交给哪些 Agent。适合已经同时跑多个 AI 工具、需要拆任务和追状态的人。
Hermes：带着上下文长期做事
Hermes 是带持久记忆、Skills、subagents、channels 和自动化能力的 AI Agent。我更愿意把它比作一个长期合作的贴身助手，时间越久，记忆和可复用方法积得越多。
Hermes 的 MoA 也不是原文写的“多模型投票”。它会先让多个 reference models 并行分析，再把结果交给 aggregator model，由后者生成最终答复并在需要时调用工具。多跑几个模型通常会增加调用量，但成本取决于模型、轮次和配置，不能套一个固定的“80 倍”。
OpenClaw：把 AI 接到聊天入口
OpenClaw 是自托管的个人 AI 助手和消息网关，常见用法是把 AI 接到聊天渠道，让人用消息安排任务、处理日程、清理收件箱或跑后台自动化。它也能参与代码任务，但更擅长做消息入口和个人自动化。
原文提到微信，这一点也要说清楚：OpenClaw 的微信连接依赖外部插件，不是任何安装环境里都默认自带。
一句话怎么选
需要“给三个 AI 分五个任务，盯着谁卡住、谁跑完”，更接近 Multica；需要“在聊天软件里说一句话，让 AI 去办事”，更接近 OpenClaw；需要一个带长期记忆、Skills 和 subagents 的 Agent，Hermes 更合适。
它们也可以一起用。Multica 当前的内置 provider 列表里包含 Hermes 和 OpenClaw，相关 CLI 安装并被 runtime 识别后，可以作为底层工具接进 Multica。Multica 管任务和状态，Hermes 或 OpenClaw 做各自擅长的工作。
烧不烧钱
看一眼我的用量面板，就明白为什么有人把这种工作方式叫“付费上班”。Sol Reviewer 一个人记录了 167.1M Token，遥遥领先。
Token 是模型处理文字时使用的计量单位。常见的“四个英文字符约等于一个 Token”只能当作很粗的英文经验值，中文、代码、标点和不同模型都可能不一样。更重要的是，只有 Token 总量，没有模型、输入输出比例、缓存计费和统计周期，不能直接把 167.1M 换算成一张准确的人民币账单。
这套东西确实可能花不少钱，但要看你拿它做什么。手上只有一个模型，平时写写脚本、改改 bug，直接打开原来的工具更省事。为了让一个 AI 干活，额外搭一层团队管理系统，只会增加配置和维护成本。
Multica 的价值出现在多角色协作里。项目有一定规模，需要拆任务、分角色、追进度，还要让验证过的方法反复使用，这一层管理才开始有意义。省下来的不只是几次模型调用，而是我在多个窗口之间切换、重复解释背景、手动追任务的时间。
还有一种心态，是把它当学费。提前练习怎么调度 AI 协作，有点像十年前开始学怎么管理开发团队。但交学费得有正反馈：跑出来的东西能用，暴露的问题能改，下一次执行要比这一次更稳。如果只是多开几个模型，得到一堆彼此重复的回答，最后还得自己全部重做，那就只剩烧钱。
我的省钱做法是分层路由：长文档交给更适合阅读、价格也合适的模型，实时搜索交给 Grok，关键方案才交给架构师，最终代码由 Codex Engineer 写，真正需要独立把关时再让 Sol Reviewer 介入。
Hermes MoA 会让多个 reference models 分析同一个问题，再由 aggregator 汇总；Multica 的分工更像让不同角色分别处理搜索、规划、编码和审查。两种方法解决的问题不同，成本结构也不同。
小白上手：五步开张你的 AI 包工队
下面是一份从零开始的操作指南。Multica 仍在迭代，安装方式和 Providers Matrix 可能变化，实际操作时以当前官方文档为准。
第一步：安装 Multica
Mac 或 Linux 有 Homebrew，可以在终端输入：
brew install multica-ai/tap/multica没有 Homebrew，用官方安装脚本：
curl -fsSL https://raw.githubusercontent.com/multica-ai/multica/main/scripts/install.sh | bashWindows 用 PowerShell 安装脚本。安装完成后运行 multica version，先确认命令能正常执行。
第二步：初始化
在终端输入：
multica setup它会连接 Multica Cloud、打开浏览器完成登录、保存访问凭证并启动 daemon。daemon 启动后，会检测电脑上可识别的 AI CLI，并注册相应 runtime。
第三步：确认电脑在线
打开 Multica 网页面板，进入 Settings → Runtimes。自己的电脑应该出现在列表里，状态显示在线。这里看到的是 runtime 的连接状态，也是后面创建 AI 员工时要选择的执行环境。
如果没上线，回到终端运行：
multica daemon start再用 multica daemon status 检查状态。
第四步：创建第一个 AI 员工
进入 Settings → Agents，点击 New Agent，依次选择 provider、模型和职责说明。比如你已经安装 Claude Code，就给它起名“程序员小王”，再绑定到刚刚上线的 runtime。
重复这个步骤，可以创建多个 Agent。每个 Agent 绑定具体 runtime 和底层工具，再根据需要设置职责、权限和 Skill。
第五步：派活
回到看板，新建一个 Issue，把要做的事情写清楚，然后在 assignee 里选中对应的 AI 员工。
任务会进入队列，再被分发给 Agent。执行开始后，活动流里会出现状态和进度；完成、失败、取消或遇到阻塞，也会留下记录。人类和 AI 的操作交织在同一条活动流里，看起来很像团队工作群。
想完全自托管，要把服务端和本地执行层分开理解。官方 Self-host Quickstart 使用 Docker 或 Kubernetes 部署 server；服务端启动后，再运行：
multica setup self-host自托管替换的是 server 层，真正执行 Agent 的仍是你本地的 daemon 和 AI 工具。不要把它和普通 Cloud 初始化命令混着跑。
最后说几句
我建议新手先用五到十个简单任务试水，看看这些 AI 干出来的活，能不能达到“能用、能交付”的标准。别一上来就把最重要的项目扔进去。
如果你只是偶尔用用 AI，直接开 Claude Code、Codex 或其他单个工具更省事。Multica 会多出 Agent、runtime、任务状态和 Skill 管理，没必要为了组队而组队。
但如果你已经被几个终端窗口折腾过，天天手动追进度，还要把同一套背景在不同对话里反复重写，Multica 填的就是这个缺口。它把“一个人开五个终端”，变成了“一个管理者看一块看板”。
至于烧 Token，我的态度跟开头一样：看你自己。觉得某个项目值得提前练手，那就搞，但一定得有正反馈。跑出来的东西能用、能迭代，踩过的坑能整理成下一次还用得上的 Skill，这些 Token 才算花得有意义。
纯烧钱，没有产出，也没有留下可复用的东西，那就真是“付费上班”了。