Cindy 多代理与自动化:给不熟的人一句话讲清
Cindy(GitHub 仓库 makecindy/cindy)是心动网络出品的一款开源 AI Agent 桌面应用,客户端以 Apache-2.0 协议开源,覆盖 macOS、Windows、Linux、iOS 与 Android 五个平台,GitHub star 约 8900(8,874,2026-11-01 抓取),2026-10-26 登上 GitHub Trending 第一(官方声明)。最常见用法是三件事:把不同 agent 组成团队,按规划、并行实施、独立审查的分工推进一个任务;把 Claude Code、Codex、Pi 等 harness 的会话收进同一界面随时切换;再用 Companions 和 automations 把重复工作固化成周期例程,结果经 Slack、Telegram 等已连接渠道交接。
多代理协作模型:官方说的 lead a team 怎么落地
Cindy 的多代理模型一句话概括:一个 agent 不够,就组成团队,把任务拆成规划、并行实施、独立审查三个角色,所有成员共享同一目标并持有明确的验收标准。官方原话是 “One agent not enough? Let her lead a team.”(一个 agent 不够?那就让她带一个团队)。
这套模型解决的是裸 CLI 多开的死穴:多个会话各聊各的,没人持有全局视角。Cindy 给团队一个共享目标,再给每个角色写明验收标准——规划者产出任务清单,实施者按清单并行落地,审查者拿标准逐项挑错。
| 角色 | 职责 | 关键产出 | 示例 harness(仅示例) |
|---|---|---|---|
| 规划者 | 读全局、拆任务、排依赖 | 任务清单与改动边界 | Claude Code |
| 并行实施者 | 按子任务独立实现 | 各子任务的代码改动 | Codex |
| 独立审查者 | 对照验收标准核 diff | 问题清单与补漏项 | Pi |
走查一个开发任务(示例场景,具体分工由你定义,官方只提供协作模型):给本地一个开源项目新增「命令行参数化配置」。第一步让 Claude Code 当规划者,通读项目结构与现有配置模块,输出任务拆解和变更清单;第二步把变更拆成 2~3 个文件组,让 Codex 作为实施者并行落地各自的子任务;第三步让 Pi 当独立审查者,按验收标准逐条核对 diff。模型与工具怎么配齐,见 Cindy 模型接入与安装;想先了解 Cindy 本身,读 Cindy 是什么。
多 harness 整合:共处一个界面,切换只是换引擎
多 harness 的整合发生在界面层,引擎层依然是各自独立的运行时。Claude Code、Codex、Pi 各带自己的二进制与上下文机制,Cindy 把它们的会话收进同一个界面;切换 harness 时会话留在 Cindy,引擎上下文按双方实现移交或重建(官方 README 口径)。
| harness | 官方接入方式 | 团队里常见的角色(示例) | 切换引擎时 |
|---|---|---|---|
| Claude Code | 订阅套餐之一 | 规划 | 移交或重建 |
| Codex | 订阅套餐之一 | 并行实施 | 移交或重建 |
| Pi | 官方多 harness 列表成员 | 独立审查 | 移交或重建 |
工程解读(个人解读,非官方表述):每个 harness 本质是独立的 CLI 运行时,自带各自的会话记录与云端凭据体系。Cindy 界面层负责统筹,「切换 harness」不等于搬运对方引擎的私密状态,而是按各自机制处理:能移交的移交,不能移交的重建——目标进度可能要重新交代一轮,换来多个终端窗口被一个界面收拢。对多订阅用户(官方订阅列表),界面收敛本身就是省时间的地方。
Companions:把 agent 定制成固定角色
Companions 解决的问题是角色可复用性:创建自己的 companion,给它角色、指令、Skills 和周期性工作,它就成为一个带记忆的固定成员,官方给的三个典型用途是 reviewer(审查者)、researcher(调研者)和 project partner(项目搭档)。
配置项拆开就四样:角色与指令决定它「是什么人」,Skills 决定它「会什么手艺」,周期性工作(automations)决定它「什么时候干活」,记忆保存偏好与知识。
真正值钱的是沉淀:干得好的做法整理成 Skill,就变成可复用、可分享的模板,换设备直接套用。最小验证:把 project partner 配成「自动跑测试、给 MR 提意见」的角色,再挂一个周期性工作。
Automations:周期性例程加聊天渠道交接
automations 是把「人到点手动跑」升级成「机器到点自动跑」的调度器。官方口径:automations 建立周期性例程,结果经 Slack、Telegram 等已连接的聊天渠道交接;答案可以带图表、交互控件与富 HTML,也能操作文件、浏览器与应用。
和裸 cron 的区别在交付形态:cron 静默执行,automations 把结果直接推到你在聊着天的渠道。给 reviewer 挂每日例程,它定时巡一遍代码库、把发现整理成富 HTML 推出。
一个坑要提前说:托管模式的能力依赖 Cindy 云,后端服务在单独仓库、不在开源仓库(官方口径)。想完全本地跑,用 Skip Sign-In 配本地模型(Ollama、llama.cpp、LM Studio,本地模型 Beta),数据与执行不出你的电脑。
Skills、SkillHub 与 Ghosts:生态怎么长出来
Cindy 的扩展生态分三层:Skills 是可复用可分享的最小能力单元,SkillHub 是发现 Skills 与插件的市场,官方插件统一叫 Ghosts(仓库 makecindy/cindy-official-plugins)。官方还明确支持用 MCP 协议把内部系统接进 agent(官网要点)。
SkillHub 上具体有哪些现成 Skills 与插件、各自适配哪些模型,以官方文档为准。对企业用户,MCP 是接内部系统的标准协议,Cindy 的扩展面三条腿走路:Skills 管能力沉淀,插件管生态挂载,MCP 管系统打通。
和站内其他多代理方案对一下位
和站内写过的两款多代理方案相比,Cindy 的定位是「团队分工 + 设备接力」,Paseo 主打 worktree 级并行,Omnigent 主打 harness 之上的编排治理。选型看你的痛点落在哪一层:
| 方案 | 多代理的组织方式 | 侧重 | 典型场景 |
|---|---|---|---|
| Cindy | 多 harness 共界面,规划/并行实施/独立审查 | 团队分工 + 跨设备接力 | 一个任务多角色协作,手机接管电脑 |
| Paseo | 多 agent 各占独立 worktree,内置编排、跨 provider | 完整开发环境 + 移动原生 | 审 diff、开 PR 不出窗口 |
| Omnigent | meta-harness 公共编排层,policies 治理 | 治理、云沙箱、co-drive | 多 CLI 统一策略与审批 |
Paseo 的多代理是「空间并行」:agent 各占一个 worktree,界面统一管 diff、终端与 PR,移动端是完整功能原生 app、约 2 万 star(20,755),详见 Paseo 是什么。Omnigent 的多代理是「层上统筹」:不替换现有 CLI,在其上加治理策略、云沙箱与跨设备接力、约 1 万 star(10,361),详见 Omnigent 是什么。Cindy 的多代理是「角色分工」:同一目标下不同 agent 各司其职,跨设备接力靠同一会话加手机内置远程桌面(开应用、打字、操作电脑)。
常见问题
ai agent 多代理怎么用?
直接答:把任务拆成规划、并行实施、独立审查三个角色派给不同 agent,共享目标并写明验收标准,比多个 agent 各干各的可控得多。展开说:Cindy 的多代理就是这套官方协作模型,示例分工是 Claude Code 规划、Codex 并行实施、Pi 独立审查。
cindy 自动化怎么设置?
直接答:在 automations 里建周期性例程,指定任务与频率,再连上 Slack、Telegram 等聊天渠道,到点结果自动交接,不用守着客户端。展开说:例程产物可带图表、交互控件与富 HTML;Companions 整理出的角色可以直接挂进例程复用;托管模式依赖 Cindy 云,完全本地可用 Skip Sign-In。
cindy 多代理和 omnigent 有什么区别?
直接答:Cindy 把多 harness 收进桌面界面按角色分工调度,侧重设备接力;Omnigent 在 harness 之上加编排治理层,重策略审批与云沙箱。展开说:Omnigent 约 1 万 star,policies 治理是招牌;Cindy 约 8900 star,桌面体验、手机远程桌面与开箱即用的团队分工是招牌。