Open Multi-Agent Canvas
开源多智能体聊天界面，在同一个动态对话中管理多个 Agent，并通过 MCP 服务器执行深度研究等任务。
按维度查看评分与理由
仅基于 README 静态评估。仓库声明 MIT 许可并署名 CopilotKit，来源归属尚可。但 MCP Agent 允许用户在本地以 stdio 运行任意命令、连接任意外部 SSE 服务器，README 未说明任何权限最小化、用户确认、数据流说明、密钥保护或回滚机制；扣分点集中在所有信任控制均无文档或代码佐证。
README 提供基本安装步骤但未包含错误处理、故障消息或依赖锁定说明；依赖可用性仅靠 pnpm/poetry 常规流程推断，无证据支撑，故仅给薄分。
目标场景（旅行规划、研究、通用 MCP 任务）描述清晰，前端/后端环境要求（pnpm、poetry、端口 8123、tunnel）明确。但 agent 能力边界与触发精度完全未描述，MCP Agent 的适用范围无文档。
信息架构清晰（前端/agent 分目录）、安装说明具体、许可证明确 MIT、维护去向明确（已并入 CopilotKit monorepo，issue/PR 转主仓）。但命名稳定性存疑（MCP 被误写为 Multi-Channel Protocol，实际应为 Model Context Protocol），无 changelog、无 FAQ、已知限制未记录；且该仓库已归档式弃维护，仅历史快照。
作为多 agent 聊天画布界面，与同类方案相比有差异化（多 agent 单会话 + MCP 配置面板），输出可用性依赖截图和文档描述，静态审查无法验证实际效果，给中等分。
README 的声明（内置 MCP Agent、两个外部 agent 仓库、Copilot Cloud 必需）均无可执行的复现路径或测试佐证，仅能链接回 CopilotKit 自有资源，缺乏第三方交叉印证；事实与推断基本可分但证据面窄。
- 该仓库已并入 CopilotKit monorepo，此处为历史快照，不会有后续安全修复。
- MCP stdio 模式允许在本地执行任意命令，部署前应审查 MCP 服务器配置与沙箱隔离。
- 连接第三方公共 MCP 服务器（composio、mcp.run）时数据将流经外部服务，需自行评估隐私风险。
- API 密钥（OPENAI/LANGSMITH/CopilotCloud）的存储与传输保护在文档中无说明。
- README 将 MCP 误称为 Multi-Channel Protocol，文档准确性存疑。
这个 Agent 能做什么，适合哪些场景？
Open Multi-Agent Canvas 由 CopilotKit 团队开发，是一个开源的多智能体聊天界面，让用户在同一个动态对话中同时管理多个 Agent。项目基于 Next.js、LangGraph 和 CopilotKit 构建，覆盖旅行规划、研究和通用任务等场景。仓库包含一个 Next.js 前端和一个可选的 Python MCP Agent 后端，后者通过 Poetry 安装并以 LangGraph 开发服务器（默认端口 8123）运行。Agent 本体（如旅行 Agent 和 AI 研究员 Agent）存放在独立仓库中，可单独运行或部署到 LangSmith。内置的 MCP Agent 支持通过标准 IO（本地命令，如 Python 脚本）和 SSE（外部 MCP 兼容服务器）两种方式接入 MCP 服务器。注意：该项目已并入 CopilotKit 主仓库，最新版本位于 examples/showcases/multi-agent-canvas。
前端是一个 Next.js 应用，通过 CopilotKit 连接多个 LangGraph Agent（如 CoAgents Travel Agent 和 CoAgents AI Researcher），在单一对话界面中协调它们的输出。内置的 MCP Agent 是一个通用 Agent，可通过界面右上角的 "MCP Servers" 按钮配置自定义 MCP 服务器：Standard IO 模式在本地运行命令（例如 Python 脚本），SSE 模式连接外部 MCP 兼容服务器；也可接入 mcp.composio.dev 和 mcp.run 等公共 MCP 服务器。MCP Agent 后端位于 agent 目录，使用 Poetry 管理依赖，通过 langgraph dev 命令启动，并通过远程端点/隧道（Local Development 模式，端口 8123）与前端对接。
- 产品开发者想自建多 Agent 聊天界面，希望以 CopilotKit + LangGraph 为参考架构快速起步。
- 研究者在一次对话中需要研究类 Agent 持续抓取和汇总资料，可通过 CoAgents AI Researcher 实现。
- 需要 Agent 通过 MCP 协议调用本地脚本或外部工具（如 Composio、mcp.run 提供的服务器）的团队。
- 计划旅行并希望 Agent 在同一对话中协助安排行程的用户，可运行 CoAgents Travel Agent。
- 想为多个 LangGraph Agent 提供统一前端管理界面、并部署到 LangSmith 的工程团队。
这个 Agent 有哪些优点和局限？
- 在同一个动态对话中管理多个 Agent，而非为每个 Agent 单独开界面。
- 内置 MCP Agent，支持 Standard IO 与 SSE 两种服务器接入方式，并可连接 Composio、mcp.run 等公共 MCP 服务器。
- 技术栈清晰可复用：Next.js 前端 + LangGraph Agent + CopilotKit，Agent 可独立部署到 LangSmith。
- 官方旅行 Agent 与研究员 Agent 均提供现成源码，可作为模板二次开发。
- 强依赖 CopilotKit 生态：必须获取 Copilot Cloud API Key 才能运行项目。
- 后端需配置 OPENAI_API_KEY，存在对 OpenAI 的运行时依赖。
- 主仓库已并入 CopilotKit monorepo，此仓库不再接收 issue/PR，存在维护路径变化的风险。
- 元数据中许可证状态为 unknown，README 仅口头声明 MIT，需自行核对 LICENSE 文件。
- 运行 MCP Agent 后端还需 Poetry 和 LangGraph 开发服务器，本地部署链路较长。
如何安装或部署这个 Agent？
- 安装前置工具 pnpm（并准备好 Copilot Cloud API Key，从 dashboard.operations.copilotkit.ai 获取）。2. 运行前端：将 frontend 目录下的 example.env 重命名为 .env，填入 NEXT_PUBLIC_CPK_PUBLIC_API_KEY=...，然后执行：cd frontend && pnpm i && pnpm run build && pnpm run start。3.（可选）运行 MCP Agent 后端：将 agent 目录下的 example.env 重命名为 .env，填入 OPENAI_API_KEY=... 和 LANGSMITH_API_KEY=...，执行：cd agent && poetry install && poetry run langgraph dev --host localhost --port 8123 --no-browser。4. 需要隧道时，在新终端选择 Remote Endpoint → Local Development，把命令中的端口改为 LangGraph 服务的 8123。
如何使用这个 Agent？
启动前端后，在界面右上角点击 "MCP Servers" 按钮配置自定义 MCP 服务器：选择 Standard IO 在本地运行命令（如 Python 脚本），或选择 SSE 连接外部 MCP 兼容服务器；也可直接接入 mcp.composio.dev 或 mcp.run 等公共服务器。若运行了本地 MCP Agent 后端，通过 Remote Endpoint / Local Development 隧道将其指向端口 8123 的 LangGraph 服务。之后即可在对话中同时调用旅行 Agent、研究员 Agent 和通用 MCP Agent。Copilot Cloud 为运行此项目的必需条件。