团队开发一个功能，从设计到实现再到代码审查，往往需要多轮沟通和任务交接。架构师出方案、开发者写代码、审阅者检查质量，这个流程在 AI 辅助编程时代依然存在——只是变成了人与 AI 的反复对话。你需要先告诉 Claude 设计 API，再把输出复制给另一个会话让 GPT 实现，最后换到第三个会话做审查。任务拆分、上下文传递、结果汇总，这些协调工作全落在你头上。
更麻烦的是，当你想让多个 AI 各自发挥所长（Claude 做设计、GPT-4 写代码、本地 Gemma 做审查），需要为每个模型维护独立的 API 客户端和工具注册。CrewAI 能解决这类问题，但它是 Python 生态；LangGraph 要求你手动绘制任务图，学习曲线陡峭。
open-multi-agent 是 2026 年 3 月底创建的 TypeScript 多 Agent 框架，目标是用最小的心智负担实现多 Agent 协作。它只有 3 个运行时依赖，5700+ stars，核心是一句话调用：runTeam(team, "构建 REST API")。
这个框架围绕"声明式协作"设计。你定义一个 Team，配置若干 Agent（每个可绑定不同模型和工具集），然后丢给它一个自然语言目标。框架内部启动 Coordinator Agent，把目标拆解成带依赖关系的任务 DAG，自动分配给合适的 Agent 执行。独立任务并行运行，有依赖的任务按拓扑顺序执行。
框架内置 6 种工具：bash、file_read/file_write/file_edit、grep、glob。Agent 可通过 toolPreset 快速获得预设权限，也可通过 MCP 协议接入外部工具服务器。支持 6 种 LLM 提供商：Anthropic、OpenAI、Gemini、Grok、Copilot，以及任何 OpenAI 兼容端点。执行过程通过 onProgress 回调暴露事件，方便接入日志或监控。
实现这套能力的关键是 Coordinator 模式 + 依赖感知任务队列。Coordinator 接收目标和 Team 成员列表后，输出 JSON 格式的任务数组，每个任务包含标题、描述、被指派人、依赖项。框架把数组加载到 TaskQueue，自动解析依赖关系构建 DAG。任务状态由队列事件驱动：完成后自动 unblock 下游依赖，失败则级联标记依赖任务为失败。
AgentPool 负责并发控制，通过 Semaphore 限制同时运行的 Agent 数量，并为每个 Agent 维护独立锁防止竞态。Scheduler 实现自动分配策略，支持按能力匹配或轮询。LLM 调用层通过 Adapter 模式封装不同提供商的接口差异。
整个框架刻意保持精简：没有持久化状态，没有 Agent 间中途交接，没有可视化编辑器。这种取舍让它以 41 个源文件、3 个依赖的体量，提供接近 CrewAI 的核心编排能力，同时完全融入 Node.js 生态。
