机器学习 on Intellectual Guides

本地 AI 基础设施搭建指南：从 0 到 vLLM + ComfyUI 完整部署

Mon, 27 Jul 2026 00:00:00 +0000

为什么要搭建本地 AI 基础设施？

2026 年，AI 工具已经成为数字创作者、开发者和企业的基础设施。但大多数人仍然依赖云端 API — 每次呼叫花钱、每次传输冒隐私风险、每次被速率限制卡住脖子。

本地 AI 基础设施给你三样东西：完全的控制权、无限制的使用量、零边际成本。

一旦搭建完成，你可以：

无限制使用 LLM，不用担心 API 费用
处理敏感数据，不用离开你的机器
同时运行多个服务，没有速率限制
与 Cowork MCP 等框架整合，打造真正的 AI 代理团队

这份指南假设你已经有一台带有 GPU 的机器（推荐 DGX GB10、RTX 4090 或更好）。我会从零开始，一步步带你搭建完整的本地 AI 环境。

你今天会学到：

安装和配置本地 LLM 服务（vLLM）
部署 ComfyUI 图像生成管线
管理 GPU 内存和服务启动顺序
自动化服务管理（systemd）
与 Cowork MCP 整合，打造多 Agent 系统

我们开始吧。

前置需求

开始之前，请确认你已准备好：

项目	版本需求	检查指令
Linux	Ubuntu 22.04+ 或 Arch	`uname -a`
GPU	NVIDIA RTX 3090+/4090/GB10	`nvidia-smi`
CUDA	≥ 12.4	`nvcc --version`
Docker	≥ 24.0	`docker --version`
Node.js	≥ 20	`node --version`
Python	≥ 3.10	`python3 --version`

如果你的 GPU 内存不足 24GB，建议关闭不必要的图形界面或服务再开始。

步骤 1：安装 Docker 和 NVIDIA Container Toolkit

Docker 是部署本地 AI 服务的推荐方式，因为它能隔离依赖、版本冲突和系统污染。

# 安装 Docker
sudo apt update
sudo apt install -y docker.io docker-compose-v2

# 安装 NVIDIA Container Toolkit（让 Docker 可以使用 GPU）
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt update
sudo apt install -y nvidia-container-toolkit
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

验证 GPU 可用性：

docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi

如果看到 GPU 信息和内存使用率，就代表环境设定正确。

步骤 2：部署 vLLM 本地语言模型

vLLM 是当前最高效的本地 LLM 推理框架，支持多种模型格式（GGUF、GPTQ、AWQ）。

2.1 使用 Docker 部署

docker run -d \
 --name vllm-server \
 --gpus all \
 -p 8000:8000 \
 -v ~/.cache/huggingface:/root/.cache/huggingface \
 vllm/vllm-openai:latest \
 --model "nvidia/Llama-3.1-Nemotron-70B-Instruct" \
 --gpu-memory-utilization 0.9 \
 --max-model-len 8192

参数说明：

--model: 要部署的模型（可替换为任何 HuggingFace 模型）
--gpu-memory-utilization: 使用 GPU 内存的比例（0.9 表示 90%）
--max-model-len: 最大上下文长度

注意： 如果你的 GPU 内存小于 80GB，建议从较小的模型开始（7B 或 13B），然后再尝试更大的模型。

2.2 测试 API 端点

curl -X POST http://localhost:8000/v1/completions \
 -H "Content-Type: application/json" \
 -d '{
 "model": "nvidia/Llama-3.1-Nemotron-70B-Instruct",
 "prompt": "解释什么是多 Agent AI 系统",
 "max_tokens": 200
 }'

如果收到回应，vLLM 已经成功部署。

2.3 设定为系统服务（自动启动）

创建 systemd 服务文件：

sudo tee /etc/systemd/system/vllm.service << 'EOF'
[Unit]
Description=vLLM Local LLM Server
After=docker.service
Requires=docker.service

[Service]
Type=oneshot
RemainAfterExit=yes
ExecStart=/usr/bin/docker start vllm-server
ExecStop=/usr/bin/docker stop vllm-server

[Install]
WantedBy=multi-user.target
EOF

启用并启动服务：

sudo systemctl daemon-reload
sudo systemctl enable vllm.service
sudo systemctl start vllm.service

步骤 3：部署 ComfyUI 图像生成

ComfyUI 是当前最强大的本地图像生成工具，支持 Flux、Stable Diffusion、LTX 等各种模型。

3.1 使用 Docker 部署

docker run -d \
 --name comfyui \
 --gpus all \
 -p 8188:8188 \
 -v ~/.cache/huggingface:/root/.cache/huggingface \
 -v ~/comfyui-output:/output \
 ghcr.io/ai-forest/comfyui:latest

这会在 http://localhost:8188 启动 ComfyUI。

3.2 手动安装（进阶选项）

如果你需要更多控制，可以选择手动安装：

# 克隆 ComfyUI 仓库
cd ~/comfyui
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 安装依赖
pip install -r requirements.txt

# 安装自定义节点（可选）
git clone https://github.com/Fannovel16/ComfyUI-Frame-Interpolation.git custom_nodes/
git clone https://github.com/laksjdjoy/deforum-comfy.git custom_nodes/

# 启动服务
python main.py --listen 0.0.0.0 --port 8188

3.3 常用模型下载

# 使用 HuggingFace CLI 下载模型
pip install huggingface_hub
huggingface-cli download stabilityai/stable-diffusion-xl-base-1.0 --local-dir ~/models/sdxl
huggingface-cli download stabilityai/stable-diffusion-3.5-large --local-dir ~/models/sd3.5

步骤 4：GPU 内存管理策略

在本地部署 AI 服务时，GPU 内存是最大的瓶颈。以下是几个实战经验：

4.1 检查可用内存

free -h
nvidia-smi --query-gpu=memory.used,memory.free --format=csv

4.2 服务启动顺序建议

先启动 vLLM（语言模型通常内存需求较固定）
后启动 ComfyUI（图像生成可以动态调整内存使用）
关闭不必要的图形应用（浏览器、Discord 等）

4.3 内存监控脚本

创建一个简单的监控脚本：

#!/bin/bash
# monitor-gpu.sh
while true; do
 echo "=== $(date) ==="
 nvidia-smi --query-gpu=memory.used,memory.free,temperature.gpu --format=csv
 docker ps --filter "name=vllm\|name=comfyui" --format "table {{.Names}}\t{{.Status}}"
 sleep 30
done

步骤 5：整合 Cowork MCP 多 Agent 框架

一旦本地 AI 基础设施就绪，就可以连接 Cowork MCP 打造多 Agent 系统。

5.1 注册 vLLM 作为大脑

# 如果使用 Hermes Agent
hermes register-cowork

# 或者手动设定 MCP 端点
# 在你的 Agent 设定档中添加：
{
 "mcpServers": {
 "cowork": {
 "url": "http://localhost:6868/mcp",
 "transport": "streamable-http"
 },
 "vllm": {
 "url": "http://localhost:8000/v1",
 "transport": "streamable-http"
 }
 }
}

5.2 实际应用：本地 AI 内容制作管线

本地 vLLM (内容生成) → ComfyUI (图像生成) → ffmpeg (后处理)

这个管线的每一个步骤都可以由不同的 AI 代理协调：

研究代理：使用 vLLM 生成内容大纲
写作代理：使用 vLLM 扩充为完整文章
图像代理：使用 ComfyUI 生成对应插图
整合代理：将内容和图像组合成最终输出

步骤 6：自动化与备份

6.1 容器备份

# 备份 ComfyUI 容器状态
docker commit comfyui comfyui-backup:$(date +%Y%m%d)

# 导出镜像
docker save comfyui:latest | gzip > ~/backups/comfyui-$(date +%Y%m%d).tar.gz

6.2 模型备份

# 定期备份 HuggingFace 缓存
rsync -avh ~/.cache/huggingface ~/backups/huggingface-cache/

# 或使用 rclone 备份到云端
rclone sync ~/.cache/huggingface remote:backup-huggingface --progress

6.3 健康检查脚本

创建健康检查 cron job：

# 每 5 分钟检查一次服务状态
*/5 * * * * curl -f http://localhost:8000/v1/models || echo "vLLM is down at $(date)" | mail -s "vLLM Alert" admin@example.com

常见问题排查

Q1: Docker 无法使用 GPU

# 检查 NVIDIA Container Toolkit 是否安装
nvidia-ctk runtime verify

# 重启 Docker 服务
sudo systemctl restart docker

Q2: GPU 内存不足

# 降低 vLLM 内存使用率
# 在 docker run 指令中加入：
--gpu-memory-utilization 0.7

# 或关闭不必要的服务
sudo systemctl stop bluetooth

Q3: ComfyUI 启动失败

# 检查 Docker 日志
docker logs comfyui

# 尝试重新启动
docker restart comfyui

Q4: 模型下载太慢

# 使用 HuggingFace 镜像站（中国大陆用户）
export HF_ENDPOINT=https://hf-mirror.com

下一步

你现在拥有了一套完整的本地 AI 基础设施：

今天：

确认 vLLM 和 ComfyUI 都能正常运行
测试 API 端点，确认可以生成内容和图像

本周：

设定 systemd 服务确保开机自动启动
建立备份和监控机制
连接至少一个 LLM 后端到 Cowork MCP

本月：

探索 Cowork MCP 框架，打造更多 AI 代理团队
尝试不同的模型，找出最适合你需求的配置
建立自己的 AI 内容制作管线

常见问题解答

Q：我需要什么等级的 GPU 才能运行这些服务？ A：建议至少 24GB 内存（RTX 3090/4090）。如果内存较小，可以运行较小的模型（7B-13B）或使用 Docker 的内存限制。

Q：可以在没有 GPU 的机器上运行吗？ A：可以，但速度会很慢。CPU 推理是可行的，但对于大型模型（70B+）不实际。

Q：如何更新模型？ A：使用 HuggingFace CLI：huggingface-cli download <model-name> --local-dir <path>。Docker 容器会自动使用更新的本地模型。

Q：vLLM 和 Ollama 有什么不同？ A：vLLM 是针对高吞吐量推理优化的框架，支持更多模型格式和进阶功能。Ollama 更轻量、易于使用，但功能较少。对于本地 AI 基础设施，建议使用 vLLM。

Q：ComfyUI 和 Automatic1111 有什么区别？ A：ComfyUI 采用节点式工作流程，更灵活、更高效。Automatic1111 有图形界面，对初学者更友好。两个都可以很好地工作，但 ComfyUI 在生产环境中更受欢迎。

阅读时间：约 15 分钟 | 发布日期：2026-07-27

觉得这份指南有帮助？探索 Slashman Tools 上的更多指南。如果你想快速部署 AI 基础设施，查看我们的 AI 工具链模板库获取即拿即用的设定档。

[- 返回首页]

多智能体 AI 编排：使用 Cowork MCP 框架构建 AI 智能体团队的完整指南

Sun, 26 Jul 2026 00:00:00 +0000

为什么多智能体 AI 是未来趋势（以及为什么 2026 年是加入的最佳时机）

如果你在 2026 年读到这篇文章，你可能已经体验过单一 AI 助手的极限所带来的挫败感。你要求 Claude 写一个复杂的 Python 脚本、优化着陆页，并草拟一封营销电子邮件——它确实做了这三件事，但没有一件是出色的。这在数字世界里，就像雇了一个人来做三份工作。

这就是多智能体 AI 编排改变一切的地方。

多智能体 AI 系统部署了多个专门的 AI 智能体——每个智能体都有自己的专业知识、指令和能力——作为一个协调的团队一起工作。与其让一个模型勉强处理多个任务，不如让你拥有一个专家团队，每个人都做自己最擅长的事。

在 2026 年，这已经不是科幻小说了。它是一个实用的、开源的技术堆栈，已经被公司、创作者和独立开发者用来解决单一 AI 模型无法解决的问题。

在这份综合指南中，我将带你准确了解多智能体 AI 编排是如何运作的，为什么 Cowork MCP 框架正在成为构建 AI 智能体团队的标准，以及你今天如何开始——无论你是一名经验丰富的工程师还是完全的新手。

什么是多智能体 AI 编排？

核心来说，多智能体 AI 编排是协调多个 AI 智能体来完成超出任何单一模型能力的复杂任务的实践。每个智能体都有：

特定的角色（例如：“代码审查员”、“营销策略师”、“数据分析师”）
量身定制的指令（专为该特定角色设计的系统提示）
特定平台的执行（在 Claude、GPT、Gemini 或任何兼容的 LLM 上运行）
通信协议（智能体之间传递结果的标准化方式——MCP，模型上下文协议，在 2026 年已经成为行业标准）

把它想象成一家代理商。一家初创公司需要一个着陆页？你不会雇佣一个在文案、设计和 SEO 方面都有涉猎的通才。你会雇佣一名文案撰稿人、一名设计师和一名 SEO 专家。每个人专注于自己的专业，而项目经理负责协调他们。多智能体 AI 的运作方式也是如此。

任何多智能体系统的关键组件

智能体名册 — 包含可用智能体及其角色、技能和能力的目录
编排器 — 将任务分配给正确的智能体（或智能体序列）的智能大脑
通信层 — 智能体交换信息的标准协议（MCP — 模型上下文协议 — 已成为 2026 年的行业标准）
执行环境 — 智能体实际运行的地方（你的机器、服务器、云实例）
仪表板与监控 — 查看智能体在做什么、跟踪进度和审查输出的方式

认识 Cowork：开源多智能体 MCP 框架

Cowork 是一个基于文件系统的 MCP 服务器和 Web UI 仪表板，我创建它是因为我对多智能体 AI 工具支离破碎的现状感到沮丧。现有的解决方案要么过于锁定特定平台，需要复杂的云端配置，要么根本无法扩展到实际工作所需的大量智能体。

Cowork 通过一个干净、模块化的架构解决了所有这三个问题，该架构支持跨 19 个部门的 285+ 个专家智能体，同时在你自己的基础设施上运行。

为什么 Cowork 脱颖而出

1. 多平台智能体支持

Cowork 不限于一个 LLM 供应商。它集成了：

Claude Code（通过带有 YAML 前置数据的 .md 文件支持约 285 个智能体）
Hermes Agent（通过 SKILL.md 支持 39+ 种技能）
Antigravity (AGY)（内置智能体加上自定义技能）
Gemini CLI、GitHub Copilot、Codex、Cursor（+7 个其他平台）

这意味着你的 AI 智能体团队可以为每个特定任务使用最佳模型。代码审查？使用 Claude。创意写作？使用 GPT。数据分析？使用 Gemini。Cowork 会自动处理路由。

2. 两阶段智能体路由

当任务进来时，Cowork 的编排器会执行两阶段选择：

部门路由 — 分类大脑识别任务属于 19 个部门中的哪一个（例如：“工程”、“营销”、“测试”）
智能体选择 — 在该部门内，它根据智能体的专业知识描述从名册中挑选最合适的智能体

这意味着你可以定义一个诸如“为我的 GitHub 仓库创建技术审计”之类的任务，Cowork 会自动将其路由给正确的开发人员智能体，而无需你手动配置任何东西。

3. 文件系统优先的架构

这里最优雅的部分是：智能体定义作为纯 .md 文件存在于你的文件系统上。没有数据库，没有专有格式，没有供应商锁定。你可以使用 git 读取、编辑、共享和对你的智能体名册进行版本控制。

服务器在运行时读取这些文件，更改会立即生效——无需重新启动。

4. Web UI 仪表板

Cowork 附带一个位于 http://localhost:6868/ 的内置仪表板，让你：

查看所有注册的智能体及其功能
手动或通过 API 发送任务
实时监控任务执行
查看任务结果和生成的报告
注册远程“大脑”（来自其他机器的 LLM 实例）

5. 采用 MCP 协议的 API 优先设计

Cowork 通过可流式 HTTP 在 /mcp 暴露一个标准的 MCP 端点。任何与 MCP 兼容的客户端（Claude Code、Cursor、带有 MCP 扩展的 VS Code）都可以连接并以编程方式发送任务。

多智能体 AI 比较：三种方法

在我们深入了解 Cowork 是如何运作之前，了解一下现状是值得的。在 2026 年，构建 AI 智能体团队主要有三种方法：

方法	示例	优点	缺点
自定义脚本	Python + LangChain 智能体	完全控制	需要丰富的编程知识；难以扩展
云端平台	AutoGPT, LangChain Cloud, OpenAI Assistants API	容易开始	供应商锁定；成本快速攀升；定制化有限
开源 MCP 框架	Cowork, CrewAI, AutoGen	灵活、透明、可自托管	需要设置；你需要管理自己的基础设施

Cowork 的定位：Cowork 占据了开源领域，但通过其多平台智能体支持、两阶段路由系统以及文件系统优先设计而与众不同。与 CrewAI（专注于顺序智能体链）或 AutoGen（强调对话式多智能体模式）不同，Cowork 的优势在于其广度——精心策划的 285+ 个特定角色智能体名册，随时准备好为几乎任何专业任务分派。

分步指南：如何使用 Cowork 构建 AI 智能体团队

让我们来了解一下运行 Cowork 并发送你的第一个多智能体任务的过程。

先决条件

Node.js ≥ 20（使用 v22 测试过）
npm ≥ 10
访问至少一个 LLM 后端（Claude、GPT、Gemini 或任何兼容 MCP 的模型）

步骤 1：克隆与安装

git clone --recurse-submodules https://github.com/slashman413/cowork
cd cowork/server
npm install

--recurse-submodules 标志引入了 agency-agents 仓库，其中包含 285 个智能体的名册——每个智能体定义为带有 YAML 前置数据的 .md 文件，包含角色描述、技能和执行参数。

步骤 2：配置

首次运行时，Cowork 会将其配置模板复制到 ~/.cowork/config.json。这是你的实际配置——这里的更改会在部署之间持续存在：

{
 "server": {
 "port": 6868,
 "host": "0.0.0.0",
 "name": "cowork-mcp",
 "version": "1.0.0",
 "apiKey": null
 },
 "paths": {
 "agencyAgents": "./agency-agents",
 "inbox": "./inbox",
 "reports": "./reports",
 "status": "./.status",
 "decisions": "./decisions"
 }
}

你也可以设置 COWORK_CONFIG 环境变量来覆盖配置位置。

步骤 3：启动服务器

npm run dev

你应该会看到类似以下的输出：

🤝 Cowork MCP 服务器运行于 http://0.0.0.0:6868
MCP 端点: http://0.0.0.0:6868/mcp
Web 仪表板: http://0.0.0.0:6868/
REST API: http://0.0.0.0:6868/api/
名册已加载: 跨 19 个部门的 285 个智能体

步骤 4：连接智能体平台

要实际执行任务，你需要连接至少一个 AI 平台。以下是 Claude Code 的配置：

{
 "mcpServers": {
 "cowork": {
 "url": "http://localhost:6868/mcp",
 "transport": "streamable-http"
 }
 }
}

将此添加到你的 Claude Code MCP 配置中（~/.claude.json 或项目级别配置）。连接后，Claude 可以使用标准的 MCP 工具（register_agent、create_task、get_roster 等）将任务发送给 Cowork 智能体。

步骤 5：发送你的第一个任务

从任何连接的客户端（或直接从仪表板），你可以创建一个任务：

{
 "title": "代码审查",
 "description": "审查此 PR 中的更改，以了解安全性问题和性能。",
 "skill": "security",
 "to_agent": "code-reviewer"
}

Cowork 的编排器将：

对任务进行分类（部门：“security”）
选择最佳智能体（例如：“渗透测试员”）
使用该智能体的角色作为系统提示来分派任务
在你配置的 LLM 后端上运行该智能体
将输出存档为报告

真实用例：多智能体 AI 闪耀的地方

理论很棒，但让我们谈谈 Cowork 的多智能体方法提供单一 AI 模型无法比拟的结果的实际场景。

用例 1：多智能体代码审计

想象一下，你需要审计一个 GitHub 仓库。一个单一的 AI 助手可能会给你一个表面级别的审查。有了 Cowork，你可以分派一个平行的 3 智能体审计：

技术负责人智能体：深入的代码质量分析、架构审查、设计模式评估
增长黑客智能体：网站 UX 审计、SEO 分析、转化优化建议
产品经理智能体：优先级框架、行动路线图、影响估计

每个智能体都在自己的专业知识范围内独立运行。结果会合并成一份结构化的报告。这需要一个人花费几天时间；Cowork 在几分钟内就能完成。

用例 2：产品发布活动

发布数字产品需要跨越多个学科的协调。Cowork 可以编排：

市场研究智能体：分析竞争对手、识别市场差距、生成竞争情报
内容策略师：规划内容日历、撰写着陆页文案、创建宣传材料
技术专家：处理部署、分析设置、电子邮件自动化配置
项目经理：将所有智能体的输出整合到带有里程碑的时间表中

这种跨学科规划正是多智能体 AI 擅长的地方——因为它反映了人类组织的实际运作方式。

用例 3：内容制作流程

对于内容创作者来说，Cowork 可以自动化整个工作流程：

研究智能体收集热门话题和竞争分析
写作智能体根据研究和风格指南草拟内容
SEO 智能体针对目标关键字和搜索意图进行优化
社交媒体智能体生成特定平台的推广帖子
设计智能体创建随附的视觉效果（通过 ComfyUI 集成）

所有智能体通过 MCP 协议进行协调，将上下文信息从一个阶段传递到下一个阶段。结果是一个通常需要一个五人团队的制作流程。

如何开始：你的第一个月计划

准备好构建自己的 AI 智能体团队了吗？这是一个实用的 30 天路线图：

第 1 周：设置与熟悉

在本地（或 VPS 上）安装 Cowork
探索仪表板中的智能体名册
连接一个 LLM 平台（从 Claude Code 或 Hermes Agent 开始）
发送 5-10 个简单的任务并观察执行流程

第 2 周：集成

连接你的第一个兼容 MCP 的工具（VS Code、Cursor 或你自己的脚本）
创建自定义智能体定义（编写你自己的 .md 文件，并带有 YAML 前置数据）
设置仪表板以进行持续监控
试验任务链接（一个智能体的输出作为另一个智能体的输入）

第 3 周：扩展

在你的配置中添加更多 LLM 后端
探索 19 个部门并找出你尚未发现的智能体
为经常发生的工作流程设置自动化任务路由
将 Cowork 与你现有的工具（GitHub、Slack、Notion 等）集成

第 4 周：优化

审查任务执行模式并完善智能体路由
针对你的特定领域创建自定义智能体名册
记录你成功的多智能体工作流程
探索高级功能：远程大脑注册、自定义执行器、API 自动化

你的 AI 智能体平台的 SEO 和技术注意事项

如果你不仅将 Cowork 评估为一个工具，而且评估为一个与世界分享的平台（托管文档、教程或产品化版本），以下是一些需要记住的 SEO 基础知识：

多智能体 AI 的内容策略

围绕“多智能体 AI 编排”的关键字领域竞争激烈但增长迅速。在 2026 年，最有效的内容策略针对：

信息意图：“什么是多智能体 AI”、“多智能体与单智能体 AI”、“如何构建 AI 智能体团队”
商业意图：“Cowork 与 CrewAI 比较”、“最佳开源 AI 编排框架”
交易意图：“Cowork MCP 框架设置指南”、“如何部署 Cowork 于生产环境”

内部链接策略：在教程内容（对初学者友好的设置指南）和深入内容（架构解释、高级智能体创作）之间链接。这建立关于“AI 智能体编排”集群的主题权威。

技术 SEO 要点

结构化数据：使用带有适当作者身份、发布日期和标准 URL 的 Article schema
核心网页指标：LCP 低于 2.5 秒、INP 低于 200 毫秒、CLS 低于 0.1 — 对于带有代码块的教程页面尤其关键
移动设备优化：许多开发人员在通勤期间通过移动设备阅读技术内容 — 确保代码示例在小屏幕上可读
多语言支持：如果针对全球受众，请使用一致的方法翻译内容（Hugo 的语言配置原生支持 zh-cn、en、ja、es）

如果你想深入了解技术内容的 SEO，请查看我的 AI 仪表板指南和飞书模板指南，以获取我如何为搜索可见性组织技术文章的示例。

2026 年及以后多智能体 AI 的未来

大环境发展迅速。以下是我密切关注的内容：

智能体到智能体的通信标准

MCP（模型上下文协议）正在成为智能体通信的通用语言。随着越来越多的平台采用它，不同智能体生态系统之间的互操作性将显著提高。Cowork 对 MCP 的承诺意味着它为未来的融合做好了准备。

专业智能体市场

我们正在走向一个智能体名册成为策划市场的世界——类似于当今应用程序商店的运作方式。你将能够浏览、安装和评论来自社区中任何人的特定任务智能体（“财务分析师”智能体、“法律合规”智能体、“数据可视化”智能体）。

自主的跨智能体工作流程

下一个领域是能够在无需人工干预的情况下进行计划、执行和自我修正的智能体。想象一下，告诉你的智能体团队“推出一个新的 Gumroad 产品”，然后让他们自主进行：研究市场、创建产品页面、生成营销内容、设置分析，并根据早期性能数据进行优化——这一切都通过 Cowork 的编排层进行协调。

这不是遥远未来的推测。这些构建模块已经存在。

你应该采用多智能体 AI 吗？这是我诚实的评估

是的，绝对应该 — 如果你：

经常执行需要多种技能的任务（写作、分析、设计、编码）
对手动管理多个 AI 工具感到不知所措
想要构建不依赖单一模型供应商的自动化工作流程
习惯使用命令行工具或想要一个干净的 Web UI

也许还不需要，如果你：

只需要基本的 AI 帮助（单一模型对于简单的查询已经足够）
不习惯技术设置（尽管 Cowork 的 npm install 流程设计得非常简单）
处于一个高度监管的环境，数据必须留在特定的边界内（自托管 Cowork 实际上这方面有帮助——你的智能体在你的基础设施上运行）

我的建议：从小处着手。在本地机器上安装 Cowork，连接一个 LLM 后端，并发送三个任务。一小时内，你将拥有一个正常运作的多智能体系统。问题不在于是否采用多智能体 AI，而在于你多快可以开始。

下一步是什么

我已经在生产环境中运行 Cowork 几个月了，协调智能体团队进行代码审查、内容制作、市场研究和自动化报告。该框架已经从个人工具演变成一个强大的平台，支持多平台智能体协调并拥有干净的 Web UI。

如果你有兴趣为你自己的项目构建 AI 智能体团队，Cowork 仓库是开源的，随时可以克隆。README 中的文档将引导你在 10 分钟内完成设置。

我也运营 Slashman Tools 博客，在那里我定期发布关于 AI 工具、自动化工作流程和数字产品创建的指南。欢迎探索——如果你有关于开始使用多智能体 AI 的问题，请告诉我。

阅读时间：15 分钟 | 发布日期：2026 年 7 月 26 日 | 最后更新：2026 年 7 月 26 日

[返回首页]