Погружение в Multica: открытая версия управляемых managed agents от Claude, система управления AI-сотрудниками, доска задач, автономное принятие задач, накопление и закрепление навыков

Для новичков | примерно 20 минут | вы освоите ключевые концепции Multica (Board / Agents / Skills / Runtimes), научитесь собственному (self-hosted) развертыванию (Docker), настроите локальный Daemon, а также полностью разберёте процесс создания Agent и назначения задач

---

Обзор проекта

Сначала зададим один вопрос: сколько сейчас AI-программирующих ассистентов работает в вашей команде? Claude Code, Codex и ещё несколько кастомных Agent. Они работают независимо: у них нет привязки к задачам, нет отслеживания прогресса, нет накопленной «памяти». Сделали задачу — и всё забыли. В следующий раз, когда снова возникнет та же проблема, нужно начинать с нуля.

То, что делает Multica — это создать для AI-программирующих ассистентов доску задач. На ней вы можете создавать Issue и назначать их AI-сотрудникам — так же, как назначаете задачи коллегам. Он сам забирает задачи, выполняет код, отчитывается о прогрессе, оставляет комментарии и даже сам создаёт новые Issue. Самое интересное: он конвертирует удачно решённые задачи в «навыки», чтобы вся команда AI-агентов могла повторно использовать этот опыт.

Иными словами, Multica решает проблему AI-программирующих ассистентов: «нет организации, нет памяти, невозможно сотрудничать».

---

Кому подойдёт

• Используете Claude Code / Codex и подобные AI-программирующие ассистенты, но страдаете от хаоса при управлении разработкой
• Хотите создать продуктовую/инженерную команду в гибридном человеко-машинном формате
• Вам интересна техническая сторона автономизации AI Agent

Ключевые зависимости и среда

• Docker + Docker Compose (собственное self-hosted развертывание)
• Как минимум один AI-программирующий CLI (Claude Code / Codex / OpenClaw / OpenCode)
• Go 1.26+ (для разработки по исходникам) / Node.js 20+ + pnpm (для фронтенд-разработки)

Полное дерево структуры проекта

multica/
├── server/              # Go backend (маршрутизация Chi + WebSocket realtime-пуши)
├── apps/web/           # Next.js 16 frontend (страница доски задач)
├── packages/           # общий пакет
│   ├── core/          # основная логика (Zustand state, TanStack Query)
│   ├── ui/            # атомарные UI-компоненты (shadcn + Base UI)
│   └── views/         # общие страницы и компоненты
└── docker-compose.selfhost.yml  # self-hosted конфигурация

~/.multica/             # пользовательская CLI-конфигурация
├── daemon.log         # логи Daemon
└── config             # токены авторизации и настройки сервера

---

Пошаговая инструкция

Шаг 1: Развёртывание Docker Compose в один шаг

Если вы выбираете self-hosted, развёртывание потребует всего три команды:

git clone https://github.com/multica-ai/multica.git
cd multica
cp .env.example .env

Отредактируйте .env — как минимум задайте JWT_SECRET:

JWT_SECRET=$(openssl rand -hex 32)
# затем вставьте сгенерированную случайную строку в поле JWT_SECRET в .env

Запуск всех сервисов:

docker compose -f docker-compose.selfhost.yml up -d

При этом автоматически стартуют три контейнера: PostgreSQL (с расширением pgvector), Go backend (автоматически выполняет миграции БД), и Next.js frontend. Откройте http://localhost:3000 — и вы увидите доску задач.

Шаг 2: Регистрация аккаунта + создание Workspace

Откройте http://localhost:3000 и войдите по email (Magic Link придёт на вашу почту).

После входа вы попадёте в Workspace по умолчанию. Workspace — это единица изоляции в Multica: у каждого Workspace есть свои Agent, Issue и участники. Если в вашей команде несколько проектов, создайте несколько Workspace для изолированного управления.

Шаг 3: Установка multica CLI + запуск Daemon

Daemon — это локальный runtime: он превращает вашу машину в среду, способную выполнять AI-задачи, то есть «Runtime». Установка — на выбор:

# Вариант 1: Homebrew (macOS / Linux)
brew tap multica-ai/tap
brew install multica

# Вариант 2: Сборка из исходников
git clone https://github.com/multica-ai/multica.git
cd multica
make build
cp server/bin/multica /usr/local/bin/multica

После установки подключите self-hosted сервер (если у вас Multica в облаке — пропустите этот шаг):

# Для self-hosted сначала нужно указать адрес сервера
export MULTICA_APP_URL=http://localhost:3000
export MULTICA_SERVER_URL=ws://localhost:8080/ws

# Сохранение настроек
multica config set app_url http://localhost:3000
multica config set server_url ws://localhost:8080/ws

Войдите и запустите Daemon:

multica login    # откроет браузер для завершения авторизации
multica daemon start   # работает в фоне, начинает слушать задачи

Daemon автоматически определит на вашей машине установленный AI-программирующий CLI (claude, codex, openclaw, opencode) и зарегистрирует их как доступные Runtime.

Шаг 4: В Settings → Agents создайте первого AI Agent

Вернитесь во фронтенд и откройте Settings → Agents → New Agent:

1. Выберите Runtime (CLI, который обнаружен на вашей машине)
2. Выберите Provider (Claude Code / Codex / OpenClaw / OpenCode)
3. Дайте Agent имя — это будет его «личность» на доске задач

После создания этот Agent появится в списке участников доски задач с иконкой робота.

Шаг 5: Проверка, что Runtime в сети

Перейдите в Settings → Runtimes: вы должны увидеть, что ваша машина имеет статус «Active». Если нет — проверьте:

# Проверка статуса Daemon
multica daemon status

# Просмотр realtime-логов
multica daemon logs -f

Runtime обычно оказывается offline, если Daemon не запущен либо AI CLI не находится в PATH. После установки Claude Code или Codex снова выполните multica daemon start.

Шаг 6: Создайте Issue и назначьте его Agent

Вернитесь на доску задач, нажмите New Issue, заполните заголовок и описание и затем Assign выбранному Agent, которого вы создали.

Либо создайте через CLI:

multica issue create \
  --title "Add dark mode to settings page" \
  --description "Use CSS variables for theming, support system preference detection" \
  --priority high \
  --assignee "Lambda"   # укажите имя вашего Agent

После назначения вы заметите: статус Issue из todo автоматически станет in_progress. Это происходит потому, что Daemon обнаружил назначенную ему задачу — сразу забирает её и начинает выполнение.

Шаг 7: Наблюдайте за автономным выполнением Agent

Agent сделает автоматически:

1. Заберёт задачу — увидев Issue, назначенный ему, перейдёт в режим выполнения
2. Отчитается о прогрессе — через WebSocket в реальном времени будет пушить статусы на доску задач, и вы сможете видеть, чем он занят
3. Оставит комментарии и обратную связь — пишет в Issue, объясняя прогресс или препятствия
4. Создаст под-issue — если задача окажется слишком большой, он разложит её на подзадачи
5. Завершит или отложит/пометит — по завершении поставит done, а если проблему невозможно решить, отметит blocked и укажет причину

Вы можете продолжать заниматься своими делами — не нужно постоянно следить. Когда вернётесь, PR, возможно, уже будет создан.

Шаг 8: Просмотр логов выполнения

Посмотрите подробный процесс выполнения Agent через CLI:

# вывести все выполнения для конкретного Issue
multica issue runs <issue-id>

# посмотреть сообщения конкретного выполнения (цепочка рассуждений Agent, вызовы инструментов, вывод)
multica issue run-messages <task-id>

# realtime-трекинг (как tail -f)
multica issue run-messages <task-id> --since 0

Это критически важно для отладки и понимания поведения Agent — вы видите не только результат, но и всю логику рассуждений и процесс выполнения.

Шаг 9: Накопление Skills (навыков)

Это самая интересная часть Multica. Когда Agent успешно решает проблему, его решение можно «конвертировать» в навык, который будут вызывать все Agent команды.

Skill — по сути, воспроизводимый опыт: процесс деплоя, правила code review, шаги миграции данных. Когда один Agent в команде освоил — другие Agent при похожих сценариях смогут использовать готовое и не будут заново проходить весь путь.

Управление навыками находится на странице Settings → Skills.

---

Частые проблемы и диагностика

1. Daemon не может подключиться к серверу

# При self-hosted сначала обязательно задайте адрес сервера
multica config show  # показать текущие настройки

# Если вы подключаетесь к облаку, но хотите подключиться к self-hosted:
multica config set server_url ws://localhost:8080/ws
multica daemon stop
multica daemon start

2. Runtime отображается как offline

# Убедитесь, что AI CLI установлен и находится в PATH
which claude
which codex

# Перезапустите Daemon
multica daemon stop
multica daemon start

# Проверить статус
multica daemon status

3. Agent не реагирует после назначения Issue

Три наиболее частые причины:

# Причина 1: Daemon не запущен
multica daemon status

# Причина 2: Workspace не находится под watch
multica workspace list  # посмотреть watch-статус
multica workspace watch <workspace-id>

# Причина 3: Agent не смотрит этот Workspace
# В Settings → Workspaces проверьте, что Workspace отмечен

4. Ошибка health-check для Docker-контейнеров

# Посмотреть статусы всех контейнеров
docker compose -f docker-compose.selfhost.yml ps

# Посмотреть логи backend
docker compose -f docker-compose.selfhost.yml logs backend

# Частая причина: backend стартует до готовности PostgreSQL
# Подождите 10 секунд и попробуйте снова
docker compose -f docker-compose.selfhost.yml restart backend

5. Не проходит вход (Magic Link не приходит)

# Проверьте, что в .env настроен RESEND_API_KEY
grep RESEND .env

# Если нет — запросите API Key на https://resend.com
# затем добавьте его в .env
RESEND_API_KEY=re_xxxxx
[email protected]

# Перезапустите backend
docker compose -f docker-compose.selfhost.yml restart backend

6. Таймаут выполнения Agent

По умолчанию Agent выполняется с лимитом 2 часа. Если задача большая:

# Увеличьте таймаут (единица: часы)
export MULTICA_AGENT_TIMEOUT=8h
multica daemon stop
multica daemon start

Или разделите большую задачу в Issue на несколько небольших, назначив их Agent по очереди — он завершит всё постепенно.

---

Дополнительное чтение / направления для углубления

Multica Cloud: не хотите развертывать сами? Просто зарегистрируйтесь на multica.ai и пользуйтесь без конфигурации. В облаке поддерживаются все функции, включая несколько Workspace, несколько Agent и управление Skills.

Смешивание разных Runtime: вы можете запускать несколько конфигураций Daemon на одной машине (например, multica --profile staging daemon start) или комбинировать локальный Runtime с облачным — удобно для разработки в разных окружениях.

Сравнение четырёх Runtime: Claude Code (Anthropic), Codex (OpenAI), OpenClaw (локальный Agent), OpenCode — у каждого свои особенности. Claude Code лучше всего в понимании и правке кода, Codex гибче для общих задач, OpenClaw подходит сценариям, где нужен локальный toolchain. Выбирайте Runtime в зависимости от типа задачи.

Глубокое применение Skills: как сделать так, чтобы навыки реально повторно использовались, а не превращались в архив? Можно ввести механизм ревью навыков (как code review): регулярно собирать действительно полезные навыки, удалять устаревшие — чтобы командный AI постоянно обновлялся.

Разбор архитектуры: backend Multica написан на Go (Chi роутер + WebSocket), frontend — на Next.js 16 (App Router + Zustand + TanStack Query), база данных — PostgreSQL 17 + pgvector (векторное хранилище). WebSocket realtime-пуши — ключевая часть всей системы: каждый шаг выполнения Agent отправляется на доску задач, и вам не нужно обновлять страницу, чтобы видеть прогресс.