用 markus 在本地跑一支会互相评审的多智能体团队（自托管，自带审查工作流）

想在自己电脑上跑一支「多智能体团队」——给一个大目标，几个 Agent 分工协作、互相检查，而不是只有一个聊天框？很多框架要你写编排代码、搭消息总线、接可观测性，门槛不低。

markus 走的是另一条路：它是一个开源、本地自托管的 AI 劳动力平台。你用自然语言给一个目标，它自动组建多智能体团队、拆解任务、并行执行，并通过 peer review（同伴评审）把每一份交付都过一道审查闸门。数据全在本地 SQLite，模型密钥你自己填（也支持本地模型完全离线）。它提供桌面 App、CLI 与服务端 Web UI（localhost:8056），适合想「开箱即跑一支 Agent 团队」的开发者。

🧩 本教程适合：想本地跑一支会自我审查的多智能体团队、又不想从零搭编排框架的开发者；以及需要把 Agent 团队接入现有工作流、IM 网关的团队。你需要 Node.js 22+ 和至少一个大模型 API Key（或本地模型）。

先搞懂：markus 把「团队协作」做成了什么

与传统「单一聊天 Agent」不同，markus 的模型是「目标 → 团队 → 分工 → 并行 → 评审」：

环节	markus 怎么做
组队	给目标后自动装配一组专职 Agent（研究 / 内容 / 开发 / 监控等）
拆解	把大目标拆成子任务，可并行执行，带持久记忆
评审	每份交付先经同伴评审（peer review），通过才交付
隔离	数据在本地 SQLite；自带技能生态与 IM 网关

它是 pre-1.0 软件：markus 当前是 0.12.x，更新频繁、可能有破坏性变更。把它接进生产关键流程前，先在小目标上试跑验证；命令细节以官方文档与 App 内引导为准，本教程给的是通用流程。

Step 1：安装 markus

1 三种装法，挑顺手的

markus 提供一键脚本、npm 全局包和桌面 App，任选其一：

# 方式一：官方一键脚本（macOS / Linux）
curl -fsSL https://markus.global/install.sh | bash

# 方式二：npm 全局（需 Node.js 22+）
npm install -g @markus-global/[email protected]

# 方式三：桌面 App（推荐新手）
#   到官网下载 macOS / Windows / Linux 安装包，双击安装即可

# 验证
markus --version

💡 纯本地、想最省心，直接下桌面 App——它自带移动端适配与「存储自愈」，打开就能用，不用管服务进程。

Step 2：配置模型密钥

2 自带 Key，或本地模型离线跑

markus 是 BYOK（自带密钥），把你的提供商 Key 写进环境变量（或 App 的设置页）。想完全离线，就用本地模型（如 Ollama）：

# .env 示例（8 个变量里最常用这几个）
OPENAI_API_KEY=sk-xxxx
ANTHROPIC_API_KEY=sk-ant-xxxx
DEEPSEEK_API_KEY=sk-xxxx
# 本地模型离线：不填任何云 Key，配置 Ollama 地址即可
# DATABASE_URL=~/.markus/data.db   # 默认本地 SQLite，可不改

离线不等于自动离线：只要你在配置里填了云厂商 Key，任务文本就会被发到对应提供商。要做到「数据完全不出本机」，必须显式用本地模型、并且不填任何云 Key。另外 markus 给执行器设了硬约束——No shell / No secrets / No sends：环境文件和凭据全程不可读、不可写，别指望 Agent 去动你机器上的命令。

Step 3：启动并打开工作台

3 进 Web UI 或桌面 App

桌面 App 直接打开即可；CLI 起服务后访问 Web UI：

# 桌面 App：双击打开，自动起本地服务
# CLI / 服务器：启动后访问
open http://localhost:8056

# 服务器部署（Linux 一键）
curl -fsSL https://markus.global/install.sh | bash
# 启动后同样访问 :8056，可配远程访问与多用户

进入工作台后，你会看到目标输入框、团队运行状态、任务队列与评审面板。所有运行数据落在本地 ~/.markus/data.db。

🔑 关键技巧：第一次先用一个极小目标试跑（比如「整理桌面某个文件夹的命名」），看它怎么组队、拆任务、出评审，确认无误再放大到正式工作。

Step 4：给一个高层目标，看它组队与拆解

4 用自然语言派活

在工作台输入一个清晰的目标，markus 会装配团队、拆分任务并行执行，并保留持久记忆（跨会话记住上下文）：

# 目标示例（越具体越好）
"调研 3 个竞品的价格与核心功能，产出一张对比表，
 结论附来源链接"

# markus 会：
#   1) 组队：研究员 + 写手 + 审校
#   2) 拆解：找资料 / 抽字段 / 写表格 / 交叉核对
#   3) 并行执行，带持久记忆

目标清晰度决定拆解质量：模糊的「帮我研究一下」会得到松散结果；带范围、产出形态、验收标准的指令，团队分工才明确。把目标当成给真人的 brief 来写。

Step 5：走 peer review 闸门

5 每份交付先过同伴评审

markus 把每份交付先过一道同伴评审（peer review）。在 Web UI 的评审面板里你可以接受或驳回；它还按任务价值分档：

档位	能拉的活	适合
Level 1	$ 与 $ 低/中价值	行政、邮件、杂活、会议
Level 2+	$$ 高价值	销售、战略、产品

规则是「Level 1 代理只拉低价值活，Level 2+ 才碰高价值活」。评审通过的交付才会进下一步；被驳回的会回到对应 Agent 重做。

💡 高价值任务（销售 / 战略 / 产品）让 Level 2+ 代理去拉，日常杂活交给 Level 1，避免浪费高级模型额度。这也是它「分级治理」的核心用法。

Step 6：接工作流与多通道

6 把团队接进你现有系统

跑顺单目标后，可以用 Workflows 定义可复用的流水线（官方 0.12.x 已带 P0+ 引擎与 Work 页），并通过 REST + WebSocket API、IM 网关把团队接进你现有系统：

# 概念：定义一个可复用工作流
#   Workflows: P0 + W2 引擎，把「调研→写稿→评审」固化成流水线
# 接入方式：
#   - REST + WebSocket API：让你的程序调用 markus 团队
#   - IM 网关：把任务/结果接到聊天/工单系统
#   - 技能生态：复用社区/团队沉淀的可复用技能

成本是并行执行的代价：多 Agent 并行会消耗较多 token。先用小目标试跑，在 Web UI 估一下每轮消耗，再决定是否放大到整支团队跑大目标。pre-1.0 下 Workflows 的具体字段与 CLI 子命令可能随版本变化，以 App 内引导与官方文档为准。

预期效果与常见问题

预期效果：跑完上面六步，你本地就有了一支「给目标→自动组队→并行执行→同伴评审」的 Agent 团队，所有运行数据在本地 SQLite，模型密钥你掌控。给一个清晰目标，它能产出带来源、经过互审的结果，而不是单 Agent 的一锤子输出。

你遇到的现象	大概率原因与解决
起不来 / 端口冲突	默认 8056，释放后重试；服务器部署确认防火墙与端口映射
结果质量松散	目标太模糊，按 brief 写法补范围、产出形态、验收标准
数据疑似外发	检查是否误填云 Key；要离线就只用本地模型且不填任何云 Key
token 消耗快	并行团队大目标先小跑估成本；高价值活限定 Level 2+ 代理

← 返回教程中心