AI 原生的开发团队，到底长什么样？
极客工具 2026年6月15日 07:30
周末在 NAS 上部署了 Multica ——一个开源的协作多智能体平台。折腾了一下午，把核心流程跑通之后，我意识到它回答了一个我一直没想清楚的问题： 当 AI 参与开发不再是辅助而是主力，团队该怎么组织？
先说 Multica 的思路
Multica 的设计很朴素，逻辑链条是这样的：
你有 一堆活 要干 → 按项目组织，每个活是一个 Issue （跟 GitHub Issue 一样）→ 每个 Issue 可以分配给 Agent 来执行 → Agent 落在一个 Runtime 上（插件式，OpenClaw、Claude Code、Codex 都能注册）→ 多个 Agent 组成 Squad （小队），里面有开发、测试、设计、Review 等角色 → 用 看板 跟踪进度。
一句话总结： 定义事情 → 分配角色 → 组建团队 → 跟踪推进 。
这不就是一个正常开发团队的运作方式吗？只不过执行者从人变成了 Agent。
💡 关键区别
传统项目管理工具（Jira、Linear）管的是 人的任务 。Multica 管的是 Agent 的任务 。Agent 不只是被分配任务，它还会在 Issue 评论区主动汇报进度、报告阻塞、参与讨论。
拆开来看：AI 原生团队的五个要素
Multica 让我看清了一个完整的 AI 原生开发团队需要什么。我把它拆成五个要素：
1. 事情的载体：Issue
AI 原生团队需要一种标准化的方式描述 要做什么 。Multica 用的是 Issue——跟 GitHub 一样，有标题、描述、优先级、标签。
这不新鲜，但很关键。因为 Agent 需要结构化的输入才能工作。你不能像对人一样说 帮我把那个东西搞一下 ，你得写清楚：做什么、验收标准是什么、优先级多高。
2. 执行者：Agent + Runtime
每个 Agent 都落在一个 Runtime 上。Runtime 是插件式的——你可以注册 OpenClaw、Claude Code、Codex 等十几个运行时中的任意一个。
这意味着 Agent 的能力取决于它背后的 Runtime。Claude Code 擅长写代码，你就让它做开发任务；OpenClaw 擅长记忆和多渠道通信，你就让它做信息收集和协调。
✏️ 插件式 Runtime 的价值
不是所有 Agent 都要自己造。你的 AI 助手可能已经是某个 Runtime 的好手——注册进来就行。Multica 不跟你抢 Agent 能力，它做的是 调度和协作层 。
3. 组织形态：Squad（小队）
单个 Agent 能力有限。把多个 Agent 组成 Squad，就有了分工：开发写代码，测试写用例，设计出方案，Review 审代码。
这跟人类团队的逻辑一样——你不会让一个人干所有事。但区别在于，Agent 组队几乎没有沟通成本。它们不需要开会对齐、不需要写周报、不需要团建。
4. 跟踪工具：看板
Multica 的看板做得不错。类似 Jira，可以按甬道、按事项、按列表多维度查看。
有意思的是，看板这个概念本来就是中国人提出来的。国外软件普遍走 Slack 那种即时通信协作路线，看板反而少见。Multica 在这个点上做得很扎实。
看板解决的核心问题： 事情交代下去了，做到哪了？ 没有 Visibility，多 Agent 协作就是黑箱。
5. 调试和迭代：Chat
Multica 有一个 Chat 对话框，可以随时拉一个 Agent 或一个 Squad 对话测试。这个功能看起来不起眼，但实际上很重要——你不可能每次调试都走完整的 Issue 流程。
直接对话，快速验证 Agent 的理解对不对、输出好不好，然后调整。
更大的图景：行业在往哪走
Multica 不是唯一在做这件事的。2026 年开始， AI 原生开发团队 这个概念正在快速成型：
- • MetaGPT 直接定位自己是
AI agent development team，模拟软件公司的角色分工（PM、架构师、工程师、QA） - • CrewAI （40k+ Stars）用代码定义角色和任务流，偏向框架层
- • Squad （GitHub 官方）基于 Copilot 在仓库内直接初始化一个 AI 团队
- • Augment Code 提出了
Agentic Engineering Operating Model，认为企业需要的不是更多工具，而是围绕 Agent 重组团队结构
这些项目的共同判断： 从 人执行、工具辅助 到 人指挥、Agent 执行 。
这个转变改变了几个根本问题：
| 维度 | 传统团队 | AI 原生团队 |
|---|---|---|
| 执行主体 | 人 | Agent |
| 团队规模 | 大团队，窄职责 | 小团队，宽职责 |
| 核心瓶颈 | 执行能力 | 判断和审核能力 |
| 知识沉淀 | 文档、Wiki | Agent 记忆基础设施 |
| 治理模式 | 事后合规 | 策略即代码，运行时拦截 |
简单说：人的角色从 做事的人 变成 定方向、审结果的人 。
我的判断
值得关注的点
Multica 的设计完整度不错。 目标 → 事情 → 团队 → 跟踪 → 调试 ，链路是通的。对于个人开发者或者小团队，这个框架够用。
它最聪明的地方是不造 Runtime——你手上已经在用的 AI 工具（OpenClaw、Claude Code、Codex 等），直接注册进来当执行节点。它做的是 协作和调度层 ，不碰 Agent 能力层 。
待验证的问题
第一，稳定性。 长任务会不会断？Agent 状态丢不丢？这些问题不看文档看不出来，得跑真实任务。
第二，Squad 协作效果。 多个 Agent 之间的上下文传递、任务衔接，到底丝不丝滑？会不会出现 你以为我做了，我以为你做了 的真空地带？
第三，看板的真实可用性。 看板是看起来好还是真的好用？能不能支撑日常迭代，还是只适合 demo？
第四，生态。 目前通知只支持飞书，其他 Webhook 还没看到。如果团队不用飞书，集成成本就高了。
下一步计划
下周五深入体验，重点跑几个真实场景：
- • 用 Squad 模式完成一个完整的开发任务（Issue → 分配 → 开发 → Review → 合并）
- • 测试 Agent 之间的协作衔接
- • 看看能不能把 OpenClaw 注册为 Runtime，跟其他 Agent 配合
至于 能不能替换掉 OpenClaw ——我现在的判断是： 不一定是替换，更可能是互补 。Multica 做的是团队调度和项目管理，OpenClaw 做的是个人助手和记忆。两者是不同层次的东西。
总结
AI 原生的开发团队，核心不是 用 AI 写代码 ，而是 像组织团队一样组织 Agent 。
事情要定义清楚（Issue），角色要分工明确（Agent + Runtime），团队要能协作（Squad），进度要能跟踪（看板），调试要能快速迭代（Chat）。
这些要素，人类团队花了几十年才摸索清楚。现在轮到 Agent 了。
工具已经有了，问题在于： 你的工作方式，准备好从 执行者 切换到 指挥者 了吗？
参考资料：
- • Multica GitHub [1]
- • Multica 官方文档 [2]
- • Augment Code: Agentic Engineering Operating Model [3]
- • OpenAI: Building an AI-Native Engineering Team [4]
- • GitHub Blog: How Squad runs coordinated AI agents [5]
引用链接
[1] Multica GitHub: https://github.com/multica-ai/multica
[2] Multica 官方文档: https://multica.ai/docs/zh/how-multica-works
[3] Augment Code: Agentic Engineering Operating Model: https://www.augmentcode.com/guides/agentic-engineering-operating-model
[4] OpenAI: Building an AI-Native Engineering Team: https://developers.openai.com/codex/guides/build-ai-native-engineering-team
[5] GitHub Blog: How Squad runs coordinated AI agents: https://github.blog/ai-and-ml/github-copilot/how-squad-runs-coordinated-ai-agents-inside-your-repository/
继续滑动看下一个
极客工具 XTool
向上滑动看下一个