关于 AI Agent 落地，
常被问到的问题

项目制一口价：按项目范围整体报价，分阶段付款，付款节点在方案中约定，无订阅绑定。首次诊断免费。

报价在诊断之后给出，依据是场景复杂度与系统对接量。POC 验证、开发与集成、生产部署与团队移交各为独立阶段，每一阶段完成后由企业决定是否进入下一阶段；各阶段的交付内容与投入量级以诊断后的方案为准。

交付分五步：①场景评估 → ②POC 验证（按需选做）→ ③开发与集成 → ④生产部署 → ⑤团队移交。

周期取决于场景复杂度、数据与系统的对接量，以及是否需要私有化部署，工期在方案中按具体场景约定。建议先进行一次免费的 AI 落地诊断：描述业务场景，由 AI Agent 现场给出可行性、架构建议与落地路径，再据此确定范围与周期。

交付物随阶段递进：POC 阶段交付可运行原型、Agent 架构与模型选型建议、验收标准；开发与部署阶段交付定制项目源码、测试与部署脚本；移交阶段交付运行手册、SOP 与团队培训。

验收标准在 POC 阶段以版本化 EvalSet 与参考样例的形式确定，形成验收基线与 Go / No-Go 建议，后续每个阶段对照该基线验收。系统运行在 open-multi-agent 上，每次运行保留执行回执与 Trace，Run Viewer 可回放任务 DAG，验收报告以这些运行记录为依据。

三项：一位能定义业务流程与验收标准的业务对接人，试点场景所需的数据与系统访问权限，以及一位负责对接技术与部署环境的技术负责人。

业务对接人在诊断与 POC 阶段参与最多，负责确认流程边界、提供参考样例并确认验收标准；技术负责人在集成与部署阶段介入，负责 CRM / ERP / 内部 API 的接口信息、部署环境与账号权限；移交阶段由接手团队参加培训并接管运行手册。系统上线后由企业团队维护，持续迭代与运维支持按需另行约定。

支持。open-multi-agent 是嵌入企业自有后端的 Node.js 库，全部运行在企业自己的进程内；接入 Ollama、vLLM、LM Studio 等内网模型时无需 API Key，可完全离线或气隙运行，数据留在内网。

框架的出站连接只有一种，即访问企业配置的模型端点；持久化数据全部写入企业提供的存储。使用云端模型时，业务数据仅到达企业选定的模型服务商；出网策略可设为 offline 仅放行本机回环地址，或 allowlist 仅放行指定域名，多级策略取交集。元定义科技提供完整的私有化部署交付与内网模型选型，按合规要求与硬件条件，将模型、编排与业务系统部署在企业自己的环境中。

执行边界写在代码中：写入文件、修改业务系统数据、对外发送信息等有后果的操作在执行前进入审批，由指定人员决定放行或拒绝；Agent 在既定次数或预算内未能解决的事项，按预设规则转交人工处理。

open-multi-agent 在计划生成、任务派发与工具调用三个边界提供审批钩子，工具默认拒绝、逐次放行，审批决定持久化保存并绑定审阅内容；超时、重试、循环检测与 token / 成本预算限定每次运行的范围。案例页中的佣金对账示例即为「修得好就修，修不好转人工」这一模式。出现错误时，执行回执与 Trace 可定位到具体任务与工具调用，便于双方复盘与修正。

可以。原型阶段验证过的业务流程、提示词与评估样例都是有效输入，我们在此基础上基于 open-multi-agent 完成代码级实现、系统对接与生产部署。

低代码平台搭建的原型，常见的推进信号是定制受限、内部系统接不上、需要测试与版本控制、需要私有化部署，或规模化后的成本需要控制；基于 open-multi-agent 或其他代码级框架的原型，推进重点是工程化：稳定性、性能、可观测性与团队移交。两种情况都从一次诊断开始，先确认原型已验证的部分与待补的部分，再确定范围。

将 ROI 拆成两边：收益 = 单个场景每次节省的人力工时 × 发生频次 × 人力成本；投入 = 一次性开发成本 + 模型调用与运维的持续成本。

建议先选取一个高频、规则清晰的场景进行试点，以真实运行数据回填该公式，再决定是否扩展到更多场景。open-multi-agent 每次运行都返回 token 用量，并可设置成本预算上限，投入侧的数据自试点第一天起即有实测值，ROI 判断建立在数据之上。

open-multi-agent（OMA）是元定义科技自研并开源的多智能体编排框架，面向 TypeScript 后端：将业务目标交给协调器（Coordinator），由其在运行时分解为任务 DAG，交由确定性调度器并行执行，整个运行过程保留可检查、可审批、可回放的记录。

框架提供三种调用模式：runTeam() 依据目标自动规划，runAgent() 运行单个 Agent，runTasks() 执行预先定义的流水线。核心包仅有 3 个运行时依赖（@anthropic-ai/sdk、openai、zod），要求 Node.js 20 及以上版本，可直接嵌入任意 Node.js 应用。2026 年 4 月以 MIT 许可发布，通过 npm install @open-multi-agent/core 安装。

模型选型由企业决定：Anthropic、OpenAI、Gemini、Azure OpenAI、AWS Bedrock，以及 DeepSeek、豆包、混元、MiniMax、MiMo 等国产模型均为原生接入；通义、智谱、Kimi 以及 Ollama、vLLM 部署的内网模型通过 OpenAI 兼容端点接入，同时支持 Vercel AI SDK 的 provider。项目中采用哪一款模型，在方案设计阶段结合合规要求、成本与效果实测确定。

LangGraph 与 Mastra 要求开发者逐节点编写工作流图，Dify 与扣子是可视化低代码平台，open-multi-agent 由协调器依据目标在运行时生成任务图，并内置审批、回放与追踪能力。

LangGraph 采用图优先模型，节点、边与条件路由需预先定义后编译执行，官方 TypeScript 包已正式发布（GA），并围绕状态图提供历史记录与时间回溯；Mastra 同为 TypeScript 原生框架，内置记忆、RAG、评测与调试台，工作流图仍需以 .then() / .branch() 手工编写，核心包约 32 个直接依赖；CrewAI 面向 Python，按角色组织 crew；AutoGen 已进入维护模式，微软将新项目导向 Microsoft Agent Framework。Dify 与扣子数小时即可搭建可用原型，扣子的 Coze Studio 已按 Apache 2.0 开源并支持自部署；进入深度定制、复杂集成与工程化（测试、版本控制）阶段后，通常需要切换至代码级框架。open-multi-agent 定位于编排层，适用于多个 Agent、任务依赖、审批或恢复机制需要协同的场景；仅需单次 Agent 调用时，一个 LLM SDK 即可满足。逐项对比见 open-multi-agent 官网的 compare 页面。

判断依据是任务能否分解、是否需要分工：线性的单一任务使用单个 Agent 更为简洁；目标可以分解、需要多个角色并行协作时，才需要多智能体。

open-multi-agent 提供分级 API：runAgent() 为单 Agent 单提示；runTasks() 由开发者自行定义任务图；runTeam() 接收一个目标，由协调器分解为 DAG 并行执行，默认的确定性路由会先判断该目标交由单个 Agent 还是整个团队处理；runConsensus() 以提议者→裁判的方式交叉验证。按任务复杂度选择相应层级即可，以单 Agent 起步的项目可随时升级为团队。