如何创建和删除lvm磁盘分区
2026/9/26 7:00:47
我最近接手的一个项目里，同时跑了多个 AI Agent 做代码生成、文档整理和数据分析，结果最大的问题不是 Agent 能力不够，而是我根本盯不过来：这个 Agent 卡在哪个任务上了？那个是不是已经做完了一直在等我验收？上下文里说的"任务 A"到底对应需求列表里的哪一条？说实话，那种感觉就像一群很能干但各说各话的新员工，没有一个共同的工作台。
后来我把开源看板工具 Multica 引入到工作流里，让 26 个 AI Agent 和人类团队成员真正"共用一个团队"。这篇文章就把我实际部署、配置、使用 Multica 的完整过程写出来，包括为什么看板形态天然适合 Agent 协作、26 个 Agent 怎么分工不打架、哪些配置项值得折腾、以及在真实项目里踩过的坑。如果你也在搞 AI Agent 多智能体协作，或者正想把 Agent 引入团队但不知道怎么管理它们，这篇应该能帮到你。
1. 为什么"人和 26 个 AI Agent 共用一个团队"是个真问题
先说个反常识的结论：现在大家最热衷的"多 Agent 对话协作"，也就是让几个 Agent 在同一个聊天窗口里你一言我一语地互相呼叫，其实是最难落地、也最不稳定的协作形态。因为它本质上是把"协作状态"放在对话流里，而对话流既没有明确的进度定义，也没有"谁负责什么"的边界感。真正在生产环境里跑过的团队都会发现，Agent 之间需要的是像人一样的项目管理结构，而不是无限长的消息串。
1.1 传统多 Agent 方案的协作断层
我之前用过的多 Agent 框架，典型流程是这样的：主 Agent 收到用户需求后，拆解成子任务，分发给工具 Agent，工具 Agent 返回结果，主 Agent 汇总。听起来很顺，但实际跑起来有几个让人抓狂的问题：
- 进度不可见。你只能看到一轮轮的对话输出，但分不清哪些子任务完成了、哪些还在排队、哪些已经失败了正在重试。
- 状态没有持久化。一旦主 Agent 的上下文窗口溢出，或者中途断连，所有子任务的状态全部丢失，必须从头再来。
- 人工介入很难。你想在某一个环节插入人工审核——比如让 Agent 生成的代码先过一遍你的检查再往下走——在纯对话流里几乎无法优雅实现。
- 责任归属模糊。多个 Agent 都自称"在做"，但没人对最终交付负责。
这当中有个本质问题：对话流是面向"即时沟通"的形态，不是面向"长期协作"的形态。人跟人协作这么久，早就找到了更好的协作载体——共同的项目板和任务卡片。
1.2 看板为什么是人和 Agent 的"通用语言"
看板最核心的价值是它把复杂的协作关系压缩成了几个简单概念：列（状态）、卡片（工作项）、负责人（Assignee）、标签（类型/优先级）。这四个概念对人类团队有效，对 AI Agent 同样有效。
Agent 说白了就是一个能读状态、做决策、执行动作的程序。只要给它一个结构化的任务卡片，它就知道自己该干什么；只要给它看板的位置信息，它就知道当前进展到哪一步；只要给它明确的"负责人"字段，它就知道这是不是自己的活。更关键的是，看板天然支持人工参与——一张卡片的某个状态流转可以设定为"只有人类成员才能执行"，这样 Agent 干活、人类审批，各司其职。
Multica 这个开源项目，本质上就是把这套逻辑做成了产品：让看板成为人和 Agent 共用的协作层，Agent 不再藏在对话框里，而是直接以"团队成员"的身份出现在看板上，有自己的任务、有自己的进度、有自己的交付物。
1.3 Multica 解决的核心场景
我用了之后，把它解决的核心场景归纳成三类：
- 多 Agent 任务编排：26 个 Agent 各司其职，不再靠"主 Agent 分发"这种脆弱模式，而是靠看板状态驱动——卡片进入某一列，对应的 Agent 自动认领并开始工作。
- 人在回路的审批节点：看板的列流转规则被配置成"需要人类成员移动到下一列"，相当于人工质检关卡，Agent 做完活不能自己"一键发布"，得有人确认。
- 团队级透明协作：整个团队（包括人类成员）都能看到所有 Agent 在干什么、卡在哪个环节、产出物在哪，彻底告别"Agent 黑盒"。
2. Multica 的核心设计：Agent 如何成为看板上的"真成员"
理解 Multica 的架构，关键是抓住一个词：成员模型。它没有把 Agent 当成一个后台插件，而是把每个 Agent 都作为看板空间里的一个成员（Member），享有和人类成员一样完整的对象模型——有自己的头像、Name、角色（Role）、可被指派、可执行看板动作。
2.1 "成员模型"背后的设计取舍
传统集成方案里，Agent 通常被设计成"外部调用者"，通过 API 来读写画板。这种方案的问题在于：Agent 与看板是分离的，Agent 本身不被赋予身份，所有动作都归属于集成应用的 API Key，一旦出问题很难追溯是哪个 Agent 干的，审计和权限管理都是个大麻烦。
Multica 选择把 Agent 提升为"成员"，这带来的好处非常明显：
- 权限可精细管控。给每个 Agent 分配看板成员角色，比如"开发者"只能在看板中移动自己负责的卡片，"管理员"才能修改看板配置。
- 审计链路完整。看板的活动记录里能看到"Agent-代码生成器 将卡片 #102 从 In Progress 移动到 Review"，出了问题能精准回溯。
- 协作体验统一。团队成员在看板上的话题评论里 @ 某个 Agent，它就能收到通知并回应，跟 @ 人类同事完全一致。
这对工程团队来说是很顺手的设计，因为你不需要单独学一套 Agent 管理语法——你只需要理解看板的权限体系就够了。
2.2 26 个 Agent 不打架，靠的是"角色 + 队列"双维度隔离
26 个 Agent 听起来很多，但真正要解决的是"怎么让它们不重复干活、不互相覆盖产出"。用 Multica 的阶段，我把 26 个 Agent 按两个维度组织起来了。
第一个维度是角色（Role）分组。每一个 Agent 在最上层绑定业务能力，例如：
| Agent 名称 | 角色 | 负责的事务 | ||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| code-writer | 开发者 | 按卡片描述生成代码，自动提交 Pull Request | ||||||||||||||||||||||
| code-reviewer | 审查者 | 审查代码质量，在卡片里输出审查意见 | ||||||||||||||||||||||
| doc-writer | 文档工程师 | 把完成的任务卡片更新成项目文档 | ||||||||||||||||||||||
| >version: "3.8" services: postgres: image: postgres:15 restart: unless-stopped environment: POSTGRES_USER: multica POSTGRES_PASSWORD: multica_pass POSTGRES_DB: multica volumes: - pgdata:/var/lib/postgresql/data redis: image: redis:7 restart: unless-stopped multica: image: multica/multica:latest restart: unless-stopped ports: - "8080:8080" environment: DATABASE_URL: postgresql://multica:multica_pass@postgres:5432/multica REDIS_URL: redis://redis:6379 LLM_API_BASE: http://your-llm-server:8000/v1 LLM_API_KEY: ${LLM_API_KEY} LLM_MODEL: qwen-plus depends_on: - postgres - redis volumes: - "./config/agents.yaml:/app/config/agents.yaml:ro" volumes: pgdata: 启动命令： 启动后访问 3.2 Agent 编排配置：先规划，再写配置我强烈建议：不要在界面上一个个去添加 Agent，而是先在本地把 这是我最常用的配置结构： 这块配置的核心是
我实际跑下来， 3.3 LLM 服务接入：选 API 还是本地模型Multica 本身不附带 LLM，它需要对接外部模型服务。做生产级部署时，我建议两步走。 第一步，先用云端大模型 API 跑通业务流程。这一步重点验证的是"流程逻辑"，也就是 Agent 认领、干活、回写卡片这套链路是否顺畅。我基于自己的对比经验，综合效果和多语言能力选了通义千问的 qwen-plus 和 qwen-max，实际表现都不错——qwen-plus 对中文代码注释的理解比较到位，qwen-max 在复杂代码审查场景下更稳。你完全可以用自己习惯的模型，关键是看板流程跑起来。 第二步，当流程稳定以后，再考虑把推理切到本地或内网部署的模型服务。原因很简单：业务 API 毕竟有数据出域的问题，对很多团队来说，代码数据是不能传到外部服务的。Multica 支持标准的 OpenAI 兼容接口，意味着你自己用 vLLM、Ollama、SGLang 等起一个本地推理服务，Multica 直接就能对接，不需要改代码。 我后来在内网用 vLLM 部署了量化版模型，配置是这样的： Multica 侧只需要把 4. 初始化团队看板：怎么把人机协作流真正跑起来部署其实是最不费脑的一步，真正的功夫在于把看板的列结构、状态流转规则和 Agent 职责对应关系设计好。我折腾过几轮之后，总结出了一套推荐配置，可以当成模板直接用。 4.1 看板结构与状态流转配置先决定看板长什么样。我给项目设计的是五列主流程，每一列都对应一类成员的工作状态：
关键设计的思路是：开发、审查这两个环节的流转可以全自动，但"进入 Ready for Dev"和"从 Review 到 Done"两个节点保留人工干预。这是我对"人在回路"的落地理解——自动化解决重复劳动，但关键决策点留给人。 在界面操作时，你需要为每个"看板列 → Agent 认领"建立一条规则。Multica 的规则配置里有一个"条件 + 动作"的机制，我建议至少配置四条：
第 4 条很值得开，Agent 毕竟是程序，有时候会静默失败——比如模型响应超时、上下文过长报错，结果卡片卡在某一列两周都没人发现。有了超时提醒，至少能及时发现并手动介入。 4.2 Agent 认领机制的细粒度控制很多人在配置时容易忽略一个问题：多个 Agent 同时盯着一列，卡片进列的时候到底归谁？这里面有几个常见原则：
我当时的做法是在规则里加了标签过滤条件，只有卡片拥有匹配标签时，对应 Agent 才会认领。这个细节非常关键，不然会出现 Python Agent 抢了 Go 卡片，然后"一本正经"地用 Python 实现 Go 需求，那场面相当混乱。 4.3 从人工到 Agent：一个任务卡片的完整生命周期为了让你感受这套系统的真实运转状态，我描述一个我实际跑通过的任务流程： 一张卡片从待办列开始，标题是"重构用户认证模块，支持多因素认证"。我在描述里写清楚验收标准：新增 TOTP 验证流程、兼容已有密码登录、单元测试覆盖率不低于 85%。然后我把卡片移动到 接下来的过程，我在卡片评论区能看到流水账式的更新：创建分支 → 修改 6 个文件 → 执行单测 → 提交 PR → 卡片自动移动到 如果审查通过，我手动把卡片拉到 5. 生产实践中的深水区：跑起来之后才知道的坑与对策前面说得挺顺，但实际跑了两周之后，各种问题开始冒头。我总结为五类高发问题，每一个都是我真实踩过、并且花时间修复过的。把这些写出来，是希望你能跳过这些坑。 5.1 状态覆盖与冲突：多 Agent 同时操作同一张卡片这是最高频的问题。当一个 Agent 在执行任务时，如果它把自己的处理意见写入卡片描述，而另一个 Agent（比如审查 Agent）同时也在修改描述，后写入的一方会直接覆盖前一方，丢失信息。 解决思路是：约定 Agent 之间互不修改同字段。开发 Agent 只允许写"开发记录"子区块，审查 Agent 只允许写"审查意见"子区块，互不碰对方的地盘。Multica 的自定义字段天然支持这种设计。如果字段不够用，就把评论区和附件区作为信息交换的主要通道，而不是直接改正文。总体原则是：卡片正文是"共识区"，评论区和附件是"工作区"。 5.2 Agent 上下文过长导致的静默失败一个 Agent 如果持续处理复杂的卡片，挂了很多评论和附件之后，它的上下文会越来越长，最终超出模型限制时报错。这个报错不会自动重试，因为 Multica 会把任务标记为失败，然后停在那里。如果没人盯，这个任务就永远卡住了。 我从配置层面做了三件事来缓解：
5.3 权限收敛问题：Agent 能做的事别给太多早期为了方便，我把所有 Agent 都设成了管理员角色，结果有个 Agent 在跑一个"批量整理标签"的任务时，误改了看板规则配置，差点把整套自动化流程搞乱。教训很直接：Agent 的权限遵循最小够用原则。开发 Agent 只需要读写自己负责的卡片和队列，根本不需要管理员权限。Admin 权限只保留给人类管理员或少数需要管理看板配置的 Agent（而且这种 Agent 应该只有 1 个，并且加专门的人工审批规则）。 5.4 本地模型与 API 模型的效果差异如果你在评估"用本地模型替代 API"，请做好心理预期：效果大概率肉眼可见地下降，尤其在代码审查这种需要深度推理的场景。我实测下来，API 模型做代码审查能准确指出边界情况和安全风险，本地 14B 模型更多是"表面风格建议"。我的建议是混合架构——开发任务用本地模型（省钱、数据不出域），关键审查用 API 模型（效果好），两边通过 Multica 的看板规则天然隔离。数据敏感的环节进出都走你信任的服务，这个方案既保住了质量，也没把所有数据都送出去。 5.5 26 个 Agent 的动态扩缩容26 个 Agent 不是"同时跑着 26 个线程"，更像"26 个随时待命的角色"。真正决定资源消耗的是并发任务数，而不是 Agent 数量。我跑了一段时间后，把 Agent 数量调到了 18 个，压缩掉了一批低频角色（比如两个重复的文档 Agent 合并成一个）；操作上，配合 6. 在真实项目里的长期体验与扩展想法最后聊聊我跑了两个多月以后的一些体会。这个项目改变了我管理 AI 协作者的方式——以前我总是担心"Agent 到底在干什么"，现在我只需要管理看板：哪些卡片在等 Agent 处理，哪些卡住了，哪些需要我人为介入，一目了然。我第一次觉得，AI 协作不是"人类的替代"，而是真正"团队的一部分"。 如果你也想在自己的项目里复刻这套玩法，我建议按这个路径来：先从最核心的开发 Agent 和审查 Agent 两个角色开始，不需要一上来就铺 20 多个 Agent；跑通一个完整的任务迭代循环后，再慢慢加文档、测试、数据分析这些"辅助角色"；有了稳定跑两周以上的经验，再去做规模化扩展——比如用 26 个 Agent 拆成一个完整的虚拟研发团队。这个节奏会顺畅很多。 另外还能再往前想一步：Multica 的看板模式其实可以延伸到更多场景。比如把每个 Agent 的前置任务做成"技能卡片"，把知识沉淀做成"文档队列"，甚至让 Agent 之间互相派活。每张卡片都是一个明确的、可交付的工作单元——这套结构化协作的心智模型，可能比具体的工具更值钱。我的经验是，把复杂协作"看板化"，让人和 AI 都遵循同一套游戏规则，才是真正可落地的多智能体协作方式。 |