OpenCode多代理生态 是 AI Skill Hub 本期精选AI工具之一。综合评分 7.2 分，整体质量较高。我们推荐使用将其纳入你的 AI 工具库，帮助提升工作效率。
基于MCP协议的开源多代理架构系统，集成OpenCode框架实现智能体协作。适合需要构建复杂AI工作流、多任务协调和代理编排的开发者和研究人员使用。支持模块化扩展和自定义集成。
OpenCode多代理生态 是一款基于 HTML 开发的开源工具，专注于 多代理、MCP协议、开源框架 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
基于MCP协议的开源多代理架构系统，集成OpenCode框架实现智能体协作。适合需要构建复杂AI工作流、多任务协调和代理编排的开发者和研究人员使用。支持模块化扩展和自定义集成。
OpenCode多代理生态 是一款基于 HTML 开发的开源工具，专注于 多代理、MCP协议、开源框架 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
# 克隆仓库 git clone https://github.com/MarceloClaro/OpenCode_Ecosystem cd OpenCode_Ecosystem # 查看安装说明 cat README.md # 按 README 完成环境依赖安装后即可使用
# 查看帮助 opencode_ecosystem --help # 基本运行 opencode_ecosystem [options] <input> # 详细使用说明请查阅文档 # https://github.com/MarceloClaro/OpenCode_Ecosystem
# opencode_ecosystem 配置说明 # 查看配置选项 opencode_ecosystem --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export OPENCODE_ECOSYSTEM_CONFIG="/path/to/config.yml"
<img src="https://img.shields.io/badge/OpenCode_Ecosystem-v4.2.1-6366f1?style=for-the-badge&logo=openai&logoColor=white" alt="version"/>
<img src="diagrams/academic-pipeline.svg" alt="Pipeline Acadêmico MASWOS Qualis A1" width="100%"/>
O pipeline MASWOS (Multi-Agent Scientific Writing and Orchestration System) é a funcionalidade central do ecossistema. Ele automatiza completamente a produção de artigos científicos, desde a pesquisa bibliográfica até a exportação em LaTeX/PDF, atingindo o score mínimo de 95/100 exigido pela classificação Qualis A1 da CAPES.
1. SEEKER → Pesquisa autônoma em 10+ fontes (arXiv, PubMed, OpenAlex, CORE, Semantic Scholar)
2. Estrutura → Definição de seções, hipóteses e metodologia
3. Escrita → Redação com vocabulário anti-IA (87 termos proibidos pelo detector TSAC)
4. Formatação → ABNT NBR 6023, LaTeX, figuras e tabelas
5. Revisão → Banca simulada de 5 revisores especializados
6. Correção → 4 orientadores doutores com feedback iterativo
7. Score → AUTO_SCORE_QUALIS.py (10 critérios ponderados)
8. Exportação → LaTeX/PDF com 46 anotações TSAC auditáveisEstágio 1 — SEEKER (Pesquisa): Localizado em basis-research/, o SEEKER é um subsistema com 10 agentes Python dedicados à pesquisa científica. Cada agente consulta uma fonte acadêmica diferente (arXiv, PubMed, OpenAlex, Semantic Scholar, CORE, entre outras). Os resultados são integrados em uma árvore de argumentação (argument tree) — uma estrutura de dados que conecta cada afirmação a sua evidência verificável.
Estágios 2-4 — Escrita e Formatação: 49 agentes especializados (A00 a A45, mais scheduler e suporte) colaboram na redação. O texto é escrito evitando os 87 termos identificados pelo detector TSAC (Text Similarity Assessment for AI Content) como indicadores de geração por IA, e formatado segundo normas ABNT NBR 6023 com exportação para LaTeX.
Estágios 5-6 — Revisão e Correção: Uma banca de 5 revisores simulados avalia o artigo, seguida por 4 orientadores doutores que fornecem feedback iterativo. O processo repete até que as correções atendam os critérios de qualidade.
Estágio 7 — Scoring Automático: O script AUTO_SCORE_QUALIS.py avalia o artigo em 10 critérios ponderados e atribui um score de 0 a 100. Se o score for inferior a 95, o pipeline retorna ao estágio 6 para nova rodada de correções.
Estágio 8 — Exportação: O artigo final é exportado em LaTeX/PDF com 46 anotações TSAC auditáveis que permitem verificar a autenticidade do conteúdo.
O pipeline é dividido em 18 padrões arquiteturais, organizados em 3 faixas funcionais:
| Faixa | Padrões | Função |
|---|---|---|
| **P1-P9** | Entity NER · Hybrid Graph · Graph Builder · Ontology · OASIS Profile · Synthesis · Swarm Review · Code GraphRAG · Machine States | **Infraestrutura** — Constroem o "mundo" onde os agentes operam: grafos de conhecimento, entidades nomeadas, ontologias e estados de máquina |
| **P10-P13** | Graph Memory Updater · Process Lifecycle · FS-IPC · Config Generator | **Runtime** — Gerenciam a memória, o ciclo de vida dos processos e a configuração (incluindo BRAZIL_TIMEZONE UTC-3) |
| **P14-P18** | Agent Forum · Document IR · ANP · MiddlewareChain · PhD Auditor | **Debate e Auditoria** — Onde os agentes debatem entre si e os resultados são auditados estatisticamente |
专业的多代理架构实现，MCP协议集成完善。但社区热度低，文档需优化。适合专业开发者探索。
该工具未明确声明开源协议，商业使用前请联系原作者确认授权范围，避免侵权风险。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
经综合评估，OpenCode多代理生态 在AI工具赛道中表现稳健，质量良好。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | OpenCode_Ecosystem |
| 原始描述 | 开源MCP工具：OpenCode Ecosystem v4.0.0 é uma arquitetura multiagente integrada ao OpenCode (O。⭐11 · HTML |
| Topics | 多代理MCP协议开源框架AI编排生态系统 |
| GitHub | https://github.com/MarceloClaro/OpenCode_Ecosystem |
| 语言 | HTML |
收录时间：2026-05-21 · 更新时间：2026-05-22 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。