得物基于Multica构建团队级Agent托管平台

针对本地直接用 AI Coding 工具在团队化后暴露的四个缺口——Prompt 没有 Review、经验只留在个人本地文件、缺少过程可见性（谁在用哪个 Agent、什么模型和 runtime、成功率/耗时/token 花费）、研发链路没有闭环（代码审查/推送/部署/提测/CR 反馈/BUG 回流/日志巡检仍靠人手动接力），得物建设 EP-Harness，定位为 Managed Agents 平台：把 Agent 当团队里的工作成员管理，有身份、任务、状态、执行记录、可见性、权限边界与 instructions、skills、runtime 和历史产出。技术基座为开源项目 Multica（官方定位 open-source managed agents platform）：server 管理工作区、Issue、成员和任务队列并承担实时更新，daemon 运行在开发者本机领取任务并调用本地 AI 编程 CLI，实际代码执行发生在本地工具链与工作目录；EP-Harness 在其上贴合公司研发流程与内部系统。任务不再散落在聊天窗口而是进入 Issue，可关联项目、需求、应用分支、工作流、评论、执行日志、文件变更与后续反馈；规则进 Instructions 与 Workflow 供审查、经验进 Skills 供复用、执行进 Runtime 与日志供复盘。执行侧在 server/pkg/agent/agent.go 中以 Backend.Execute(ctx, prompt, ExecOptions) 作为各 Runtime 统一入口，agent.New 按 agentType 与 Config 选择 Provider，Claude、Codex、OpenCode、ACP 等实现保留各自参数、进程与传输协议，但对上层暴露一致的执行生命周期。 EP-Harness 把上下文从“复制粘贴材料”改为结构化注入，让 Agent 不再只拿到一段文字描述，而是进入由 Issue、项目、文档、分支、评论和运行记录组成的工作现场：Issue 提供任务目标、评论、状态和历史记录；需求提供业务背景、需求文档和迭代信息；项目提供业务边界和仓库资源；Workflow 提供阶段目标和交付要求；Skills 提供团队沉淀的方法和工具说明；Runtime 提供真实执行环境；飞书集成提供通知、讨论和文档读取能力；运行记录提供执行过程、产出和失败信息。这样通用 AI Coding 工具不了解公司研发体系的问题被解决——它要解决的不是“模型有没有能力写代码”，而是“模型能不能在我们的研发流程里正确工作”。正文强调 Context Engineering 的重点不是把上下文塞满，而是让正确上下文在正确时机进入 Agent；同时明确 Harness 的价值是在模型外补齐工作目录、测试方式、团队规范与需求/代码/发布/日志平台接入，让 Agent 从“一个能说话的模型”变成“一个可管理的执行单元”。 EP-Harness 把重复工作做成可控闭环，典型为两条 Loop：上游版本更新分析——自动化定时检查外部 release，判断是否已有分析 Issue，发现新版本后创建分析任务，由 Agent 分析影响、风险、迁移建议和验证项，需要落地时继续拆成迁移子任务；线上日志巡检——自动化按时间窗口拉取异常，聚合错误 fingerprint、影响范围和样本，Agent 分析可能根因并生成修复建议和验证建议，必要时创建后续修复 Issue。正文给出的治理成效为：累计自动化修复 100+ 个异常日志问题，异常日志从高频暴露逐步收敛，问题识别、归类和修复效率明显提升，典型高频问题由治理前每 4 小时 2400+ 条降低到治理后的个位数。此外还披露决策追溯（需求交付完成后可依托 Issue 中沉淀的决策记录与实现说明快速还原实现背景与关键取舍）与多 Agent 协作（把交付流程拆分为提议、开发、评审、归档等阶段，形成需求澄清、实现落地、质量评审到经验沉淀的闭环）。正文强调 Loop 的价值在闭环不在循环本身——每一轮都有记录、判断、产出和后续动作。