多智能体管理（Orca） ——管理一组智能代理

假设你已经装好 Claude Code 或 Codex CLI，用了一阵子，开始觉得有点别扭：

一个终端只能跑一个任务，它在那儿改代码，你只能干等；
想“换个模型再试一遍”，得先 Ctrl+C 打断，从头再来，上一轮的痕迹还得手动收拾；
同一个项目要同时试两种方案，只能开两个目录来回切，切到最后自己都分不清哪个是哪个；
AI 生成的 diff 太长，你在终端里滚上滚下，想在某一行说“这里不对”，只能把整段贴回去。这些问题的共同点是：麻烦并不在模型身上，而在“同时管理多个正在干活的 AI”这件事上。
Orca 正是为此而生。它是一个桌面工具，能把一群 AI 编程 Agent 变成你的并行外包团队。

一、Orca 到底是个什么东西

Orca 是用于管理多智能体集群（例如 Grok Bot、Claude Code）的平台。你可以使用自己的订阅账号运行任意代码智能体，支持桌面端、移动端以及远程运行环境。
开源项目地址：https://github.com/stablyai/orca

一句话：Orca 是一个面向并行 AI 编程 Agent 的桌面 IDE。
把手上的 Claude Code、Codex、Cursor CLI、Gemini CLI 这些命令行 Agent 都交给它管。每个任务在 Orca 里都拥有三样独立的东西：

一个自己的 git worktree（隔离的代码目录）
一个自己的 Agent 终端
一个自己的 浏览器标签页

于是可以把同一个需求同时分发给好几个 Agent，让它们各自在自己那份代码里干活，最后自己坐下来对比结果，挑最好的合并。

它的官方定位是 “The AI Orchestrator for 100x builders”，由 Stably AI 团队开发，MIT 协议开源。截至当前，GitHub 上大约 10 万 star、6 千多 fork、一万五千多个 commit，几乎每天发版，是这两年增长最快的一批开发者工具之一。

但它有三个“不是”，先划清楚，能省自己不少误解

它不是什么	说明
不是模型	Orca 不提供任何模型额度。它跑的是自己已经在付费的 Claude Code / Codex / Cursor 订阅。软件本身免费，token 钱照付。
不是 git 的替代品	每个 worktree 就是一个货真价实的 git worktree，自己随时可以 `cd` 进去敲原生 git 命令。Orca 不藏自己的仓库。
不是云主机	默认跑在自己自己的电脑上。想用远程算力，用的是自己自己的 SSH 机器或自己的云账号，Orca 不代卖服务器。

还有一点官方自己讲得很直白：它不是给“不会写代码的人”用的工具。它假设自己会读 diff、在乎 commit、愿意把 worktree 收拾干净。它降低的是“并行试错”的成本，不是“写代码”的门槛。

二、先搞懂 git worktree

Orca 的所有设计都建立在 git worktree 上。这个概念很多人没听过，但懂了之后，Orca 的整个逻辑会瞬间通顺。

自己熟悉的切分支方式

平时我们是这样干的：一个项目目录，git checkout 切分支。切走的瞬间，工作区里的文件全部换成另一个分支的内容。同一时刻，自己的磁盘上只有一份代码。

这就意味着：如果 AI 正在这个目录里改文件，自己没法同时用另一份代码干别的事。

worktree 是什么

git worktree 是 git 2.5 就自带的功能。它允许同一个仓库（共享同一份 .git 历史），同时检出到多个目录，每个目录各自锁定一个分支。

# 在项目里给一个新分支开一个平行目录
git worktree add ../myproject-try-b feature/try-b# 看看现在有哪些 worktree
git worktree list
# 用完了删掉
git worktree remove ../myproject-try-b

打个比方：切分支是在同一个房间里换家具；worktree 是给同一栋楼（同一个 git 历史）多开了几个房间，每个房间摆不同的家具，互不打扰。

为什么这件事对 AI Agent 特别重要

因为 Agent 是会“主动乱改文件”的东西。它可能跑一次就动了十几个文件，其中一半是自己不想要的。

如果自己只有一个目录：

它改坏了，自己得 git stash 或者 git checkout . 收拾残局；
两个 Agent 同时干活，直接打架，改到同一个文件上就是一团乱麻；
想比较“A 方案”和“B 方案”，只能串行，一个一个来。

有了 worktree：

A 方案跑在 ../proj-a，B 方案跑在 ../proj-b，物理隔离，谁也不碰谁；
改坏了直接删目录，主仓库一点没脏；
两边都跑完，坐下来 diff 一比，选好的那个合并。

Orca 干的事，本质上是把这个“手工开房间、手工对比、手工清理”的流程做成了图形界面，而且帮自己记住了每个房间在干什么。

三、安装 Orca

先去官网 onorca.dev 下载，或者用包管理器：

平台	方式
macOS	`brew install --cask stablyai/orca/orca`
Windows	下载 `orca-windows-setup.exe`
Linux	下载 `orca-linux.AppImage`，Arch 用户 `yay -S stably-orca-bin`

三大平台都是原生支持，Windows 不用装 WSL，这是它比很多同类工具省事的地方。移动端还有 iOS / Android 配套 App，用途是“Agent 跑完了推自己一条通知，自己在地铁上回一句继续”。

装之前请先做这一件事

把自己要用的 CLI Agent 先装好、先登录好。

# 举例，按自己自己的 agent 来
claude --version
codex --version

Orca 不做模型代理，它只是把这些终端里已经在跑的东西接管过来。Agent 没配好，Orca 装得再漂亮也是空壳。 这一步顺序别搞反，我见过太多人卡在这儿。

详细安装步骤说明

这里选默认智能体，终端上能检测到的智能体都会列出，这里选择 Hermes。
在这里插入图片描述

选择主题皮肤样式，这里选深色主题。
在这里插入图片描述

安装 GitHub Cli，点击【安装gh】跳转。
在这里插入图片描述

在弹出的页面中拷贝命令。
在这里插入图片描述

在 CMD 命令窗口执行安装即可。
在这里插入图片描述

配置 Win 终端默认值，按自己的使用习惯选择即可，这里选 CMD。
在这里插入图片描述

完成任务后的通知提示音选择，按自己喜好配置即可，这里用系统默认。
在这里插入图片描述

到此，软件配置基本完成，点击【添加您的第一个项目】按钮，配置已有项目或者直接新建文件夹开始。
在这里插入图片描述

这里新建一个目录新项目。
在这里插入图片描述

可以看到已经到了软件首页。
在这里插入图片描述

测试安装是否正常。
在这里插入图片描述

四、跑通第一个任务

界面上的操作大致是这样一条线（顺序比具体按钮重要）：

1. 添加仓库
把本地已有的 git 仓库路径交给 Orca。它不会复制自己的代码，只是登记这个仓库。这里是新建的空目录，在目录里写点代码。
在这里插入图片描述

2. 新建多个 worktree
起个名字，比如 pi-dev。Orca 会在仓库旁边开一个隔离目录并新建分支。
在这里插入图片描述

3. 在 worktree 里选 Agent、下任务
点开这个 worktree 的终端，然后把需求写进去，它就在这个独立目录里干活，主分支不受影响。

4. 看 diff、写批注
这是 Orca 比纯终端舒服的核心地方：侧边是完整 diff 视图，自己可以直接在任意一行上写评论，然后一键把批注回传给 Agent 让它改。不用复制代码片段、不用拼一段莫名其妙的解释，review 和对话在同一处完成。
在这里插入图片描述

5. 满意了就合并，不满意就丢掉
整个 worktree 删掉，主仓库干干净净。
在这里插入图片描述

6. 移交会话到新智能体
还有个好用的功能，就是针对当前智能体所在会话，可以移交给其它智能体继续执行。
在这里插入图片描述

一个思维转变

用 Orca 要习惯的是：以“任务”为单位，而不是以“文件”为单位。

以前自己是“打开项目 → 找到文件 → 让 AI 改这段”。用 Orca 之后自己是“我有一个任务 → 给它开一个独立房间 → 让它自己去改”。

这个转变很小，但用顺手之后，自己会自然开始一次开三个任务，而不是排队等一个。

五、真正的杀手功能：fan-out 并行

这是 Orca 和“普通终端 + AI”最大的区别。

同一条 prompt，自己可以同时分发给最多五个 Agent，每个跑在自己的 worktree 里。跑完之后五个版本的结果摆在面前，自己对比 diff，选最好的那个合并，其余删掉。

它特别适合三种情况：

自己不确定哪种方案更好 —— 与其反复重来，不如让五种思路同时跑，用结果说话；
想让不同模型各显神通 —— Claude 擅长一种改法，GPT 系另一种，Cursor 又是第三种，让它们同题竞技；
想让 A 审 B —— 一个 Agent 写，另一个 Agent 专门挑毛病，自己在中间做裁判。

但这里有个必须提前知道的成本问题：并行不是免费的。五个 Agent 同时跑，就是五倍的 token 消耗和五倍的等待时间（好在自己能同时干别的）。刚开始建议两个就够了，先建立手感，别一上手就开五个把额度烧掉。

六、设计模式：给 AI 一双眼睛

如果自己做的是前端，这个功能会让自己眼前一亮。

传统流程是：自己截个图，跟 AI 描述“左边那个按钮的间距再小一点”。AI 靠猜，自己靠反复描述，来回好几轮。

Orca 的设计模式是：在内置的 Chromium 窗口里直接点自己要改的那个元素，它把这个元素的真实 HTML、CSS 以及局部裁剪的截图，一起塞进 Agent 的 prompt。

于是自己不需要描述“那个按钮”，Agent 拿到的是精确的 DOM 结构和样式，改出来的东西一次到位率高得多。

对于要做像素级还原、调间距调边界的场景，这几乎是把“沟通损耗”这一项直接归零了。

七、还有哪些顺手的东西

不用全记住，用到了再回来查：

功能	什么时候用得上
Terminal Splits	Ghostty 级终端，WebGL 渲染，无限分屏，重启后滚动历史还在（Agent 跑完回来还能看到它干了啥）
Annotate AI Diffs	上一节说的逐行批注，审 AI 代码的正经用法
SSH Worktrees	笔记本性能不够，让 Agent 跑在远程大机器上，自动重连 + 端口转发
GitHub / Linear 原生	应用内看 PR、issue、看板，从任务直接开 worktree，不用来回切浏览器
Account switcher	看 Claude / Codex 的用量和限流重置时间，还能不重新登录就换账号
Rich repo previews	应用内预览 Markdown、图片、PDF，写文档时省事
Quick open	跨 worktree / 文件 / Agent / 命令统一搜索
Computer Use	需要真实操作桌面软件时，让 Agent 去点

支持的 Agent 数量很夸张：Claude Code、Codex、Cursor、Copilot、Gemini、Grok、OpenCode、Amp、Cline、Goose、Devin、Droid、Kimi、Qwen Code、MiMo、DeepSeek Harness…… 三十多种。官方一句话总结是：只要能在终端里跑，就能在 Orca 里跑。

八、用命令行把流程脚本化

Orca 自带一套 orca CLI，可以让自己（或者另一个 Agent）从任意 shell 驱动这个 App。

# 看看有哪些 worktree 和终端
orca worktree ps --json
orca terminal list --json# 给正在跑的 Agent 追加一句，然后等它空闲
orca terminal send --text "continue" --enter --json
orca terminal wait --for tui-idle --timeout-ms 30000 --json
# 在指定目录起一个终端跑测试
orca terminal create --worktree path:/projects/app --command "npm test" --json

它甚至能驱动内置浏览器，走“快照 → 点 → 填 → 再快照”这套循环：

orca goto --url https://example.com --json
orca snapshot --json                       # 返回 @e1 @e3 这类元素引用
orca click --element @e3 --json
orca fill --element @e1 --value "a@b.com" --json
orca screenshot --json

还有一个特别妙的玩法 —— 让 Agent 反过来驱动 Orca：

orca skills install --skill orca-cli

装好之后，自己的 Agent 就掌握了创建 worktree、开终端、看 diff 这些操作，等于把整个 IDE 变成了它的工具箱。这是“Agent 自己管理 Agent”的雏形，值得玩一下。

九、新手最容易踩的五个坑

1. 以为 Orca 送模型额度
不送。它是编排器，不是 API 供应商。免费的是软件，花钱的是 token。

2. 在同一个 worktree 里让两个 Agent 同时干活
这等于自己刚才白学了第二节。worktree 的意义就是隔离，两个 Agent 必须两个 worktree。

3. 开并行忘了算钱
fan-out 五个 = 五倍消耗。先从两个开始，跑顺了再加。

4. worktree 只建不删，磁盘悄悄满
每个 worktree 是一份完整的工作区副本。任务做完记得删。养成“合并完就清理”的习惯，不然一个月后自己会发现硬盘少了 20G。

5. 嫌它占资源
它是 Electron 应用，体积和内存都不算轻。同时开多个 Agent 加多个 worktree，8G 内存的机器会难受。这是这类工具的共性，不是 Orca 独有。

另外它默认收匿名使用数据，介意的话去设置里按官方 telemetry 文档关掉。

十、到底该不该用

适合自己，如果：

自己已经在付费使用 Claude Code / Codex / Cursor CLI，觉得“一次只能跑一个”很憋屈；
自己会认真看 diff，而不是 AI 说改好了就直接推；
自己经常需要“同一件事试几种方案再挑”；
自己做前端，苦于跟 AI 描述 UI 细节。

不太适合自己，如果：

自己还没有任何 CLI Agent 订阅（那先解决这个，Orca 是第二步）；
自己希望有工具能自动帮自己把活干完、自己完全不用看代码；
自己的机器内存紧张，且习惯同时开一堆重应用；
自己只是偶尔用一次 AI 写代码 —— 那原始终端其实够用，工具的收益来自高频并行。

说到底，Orca 卖的不是“更聪明的 AI”，而是让自己能同时指挥更多 AI，并且敢用它们的结果。前者靠模型，后者靠工程。

第一代是“给 AI 一个聊天框”，第二代是“给 AI 一个终端”，现在是第三代 —— 给 AI 一个可以并行试错、结果可审查、失败可回滚的工作环境。

模型能力的天花板由模型决定，但自己能榨出多少，取决于外面这层环境搭得好不好。

Orca 是目前这层环境里完成度最高的开源实现之一。花半小时装上，用一个真实的小任务跑一遍，自己会立刻知道自己需不需要它。

你学废了么 ^ ^ Good luck~

原文链接：https://blog.csdn.net/tzhuwb/article/details/169143896