GitHub 上发现一个多智能体 PPT 生成器： MultiAgentPPT。 它不是简单套模板生成几页幻灯片， 而是从选题调研、大纲设计、内容整理到排版成稿，整套流程自动跑。 你只需要输入一个主题， 系统就能生成结构完整、内容相对扎实的 PPT， 并且支持在线编辑，后续可以直接修改使用。 项目地址： 核心特点： • 多智能体协作 大纲生成、任务拆分、资料调研、内容汇总分工处理。 • 流式输出 生成过程实时可见，不用等全部完成才看结果。 • 外部检索增强 结合搜索和智能体协作，内容信息更完整。 • 在线编辑 生成后可以直接调整细节，方便二次修改。 • 工程化架构 采用 A2A + MCP + ADK，整体更适合实际部署。 • 完整开源 前后端代码都有，支持 Docker + 数据库一键部署。 适合用来做： • 项目汇报 • 商业计划书 • 课程课件 • 行业研究 • 产品方案 • 路演材料 一句话总结： MultiAgentPPT 把做 PPT 从“手动搜资料、写大纲、排版”，变成了“输入主题，多智能体自动协作生成初稿”。 对经常做汇报和方案的人来说，值得收藏。

Multi-agent 不再是玩具 demo 100+ agents 协作一周，把 Gemma 4 在 vLLM 上加速到原来的 5× 自发的沟通规范、配额池化、算力分工、跨 agent kernel debug、显著性标准…… 更像是在观察一个新型“AI 研究社区”从零开始长出来。

Multica 作为 human + multi-agent 的协作平台，是唯一没有加 IM/Channel 的，主要的考量其实也非常简单： 组织从现有的 IM（飞书/Slack）迁移到另外一个 IM 有非常大的摩擦。 我们采用的方式是把 Multica 接入到飞书/Slack/Telegram/Discord 中，让现有的 IM 也能很好得进行多 Agent 的管理。 这个功能预计会在这两周上线。 另外，Multica 将始终保持开源的形态，我们发现已经启发了很多产品（例如 Open Design），包括 Multica 的 CLI-first 的设计也被用在了很多新的产品设计思路中。

2026年 5 月是 Multi-Agent 大奔涌的起点，就据我观察到的项目都不下 20 个在做同一个方向的产品了。 Slack 就那么好吗！ 哦我也在做，那没事了。 请继续支持 OpenAlice Workspace 喵。

在AI Agent时代，如果能让Intel Optane复活，让multi agent能够有能力榨干CPU性能、榨干内存容量后，继续榨干本地随机硬盘读写，把最后的瓶颈——硬盘随机读写提升5~20倍，把background task和function calling的时间榨干，尤其是本地各种胡闹厨房包管理， 这将会是AI Agent应用场景的终极无敌王炸。

站在 2026 年 5 月这个时间点，Multi-Agent 管理面板、IM、协作工具层出不穷。 很多人没有意识到的一点是，OpenClaw 权限足够高的效果之一就是可以调用足够多的外部 Agent。尽管调度过程是串行的，但 OpenClaw 还真是 Multi-Agent 第一个 Mass Adoption 的项目。 我们是做 Multi-Agent 方向最早的团队之一，2023 年的时候，我们做了一款 Multi-Agent 狼人杀/海龟汤，体验很不好，于是 drop 了。 从现在的角度往回看，出问题的并不是 Multi 这个概念，而是游戏作为一个没有生产力的需求，往里面塞 AI 就是会很奇怪。游戏原教旨主义这里就不提了，总之沿着这个方向做是错的。 所以说到了今天，当我们讨论具体在工作的 Agent，比如 Claude Code/CodeX/Figma Agent/Notion Agent/飞书 Agent，我们事实上在讨论的是一个已经被打包好的自动化生产力。 于是，在 2026 年，Multi-Agent 被视为能够将并发工作的 Agent 管理起来的高级架构。 我不止一次在社区里听到用户反馈“OpenClaw 帮我配好了 OpenAlice，有个 bug 你修一下，我的 Claw 已经修好了”。这种感觉是很微妙的，你能清楚地知道这是社区成员在用 OpenClaw 调度 Claude 修 bug，哪怕可能他/她并不会写代码。 Coding 天然就有足够优秀的 Harness。Anthropic 被大家称为 A➗的原因之一就是 Dario 热衷于发表软件工程师已死之类的言论。 不满意归不满意，他说的大趋势确实是在的，如果在 Coding 的过程不可见的情况下， AI也能完成复杂的代码工作，那么利用一个外部调度器控制多个 Claude Code产出有效产品，确实是可能的。并且这个概率会随着模型改良而不断上升。 OpenAlice 最早立项的核心假设之一就是“可以把Trading任务乃至其他任务等效为 Coding 任务”。如果这个假设能够成立，那么所有为 Coding 任务构建的 Harness，都可以复用在其他场景上，进而得正“可以使用 Multi-Agent 管理非 Coding任务并得出有效产出”。 这个论证看起来天马行空，但只要能成立，我相信会很大程度改变 Multi-Agent 乃至更大概念的格局。 现在投身去做 Multi-Agent，我觉得是个好方向。给大家推荐一下。

我在五个月前，开源了一款非常简单但是极度好用的multi-agent system。 名字就叫goal-driven（目标驱动） 原理非常简单，就像我说过的，让一个master agent不断监督subagent工作，直到subagent完成了工作，并且master agent亲自认证工作meet the criteria，符合判据中的要求， 否则就继续无限循环，逼迫subagent持续工作。 顾名思义，goal-driven就是goal-driven，就是一个纯粹目标驱动的框架，只要根据criteria判据判断达不到目标，就必须收集一切错误信息进行改进，进行无限循环，直到彻底实现最终goal（目标）为止。 这个设计的优势是，可以让你以>100小时的时间、极高的token消耗成本，去让这个master agent-subagent system去持续解决设计复杂、逻辑复杂、高度抽象、挑战人类和AI Agent能力极限的极其困难的问题， 比如设计编译器/interpreter/transpiler、解决复杂的数学问题、复杂系统问题、电子仿真问题等等， 目前这个goal-driven已经完成了三个工作， 一个是全自动设计了sqlite的一个rust实现版本，sql parser非常稳定， 一个是全自动设计了C++实现的TypeScript Compiler，这在去年只有微软几个人实现了这个工作， 一个是全自动实现了世界上最复杂的数学证明工具——lean4的TyeScript版本编译器，这在过去也是由微软发明并且由整个数学学术界维护的。 goal-driven已经被证明了是一款非常强大、非常简单、非常直白的multi-agent system，而且只需要一个prompt写进去即可， 只要你设定好了goal（目标），criteria（判据，判断成功与否的标准，比如生成1000个复杂test case）， 就可以让agent和subagent持续工作100小时，完成一些人类历史上极具挑战难度的、最复杂、 最抽象、最艰难的工作。 好了，赶紧点个star，接下来我还要开源一个更重磅的东西。