mission-control
builderz-labs/mission-control加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象你经营着一个繁忙的快递站，每天有几十名快递员在外派件——没有调度台、没有追踪系统、没有费用统计，一切只能靠人工对讲机协调。这就是大多数 AI Agent 团队当前的处境：多个 AI 智能体各自为战，任务分配混乱、成本不可见、结果难追踪。Mission Control 正是为解决这一痛点而生的开源调度台，它为 AI Agent 团队提供了类似「任务指挥中心」的统一管理界面。
Mission Control 由 Builderz Labs 开发，起初是该公司内部管理 AI 编码 Agent 车队的运营工具。随着 OpenClaw Agent 生态的壮大，他们决定将这套经过生产验证的调度系统开源。项目的核心定位是：任何运行 AI Agent 的团队，无论规模大小，都能通过 Mission Control 获得企业级的任务调度、成本监控和工作流协调能力。
目前该项目已有超过 5,000 颗 GitHub Stars，882 个 Fork，社区活跃度高。支持连接多种主流 Agent 框架，包括 OpenClaw 自有框架、CrewAI、LangGraph、AutoGen 以及 Claude SDK，是一个真正的框架无关（framework-agnostic）编排平台。
Mission Control 提供了完整的任务生命周期管理：创建任务、分配优先级、跟踪进度、标记完成或失败。系统支持多 Agent 协作场景下的任务分发，管理员可以同时向多个 Agent 推送任务，并实时监控各 Agent 的执行状态。
平台引入了自然语言调度功能，用户可以用「每天早上 9 点执行」这样的自然描述创建定时任务，系统自动转换为 cron 表达式，周期性生成模板任务。这对于需要持续监控、定期报告的场景（如每日代码审查、数据同步）极为实用。
Mission Control 内置了一套名为 Aegis 的审查机制，可以在 Agent 完成任务后触发人工复核流程。管理员可以设置「关键任务必须审批」的质量门禁，Aegis 会阻止任务被标记为完成，直到有权限的人工操作员确认结果。这个机制对于生产环境的代码生成、数据修改等高风险操作提供了必要的 safeguards。
仪表盘包含 32 个面板，涵盖任务状态、Agent 存活、Token 用量、日志流、安全告警、定时任务、Webhook 等所有维度。所有数据通过 WebSocket + SSE 推送实现实时更新，用户离开页面时会自动降级为智能轮询，兼顾实时性和性能。
成本追踪是 Mission Control 的一大亮点。对于调用 LLM API 的 Agent 团队来说，Token 消耗的透明化直接影响成本控制能力。平台对每次 LLM 调用进行记录和可视化，帮助团队识别异常消费、优化 Prompt 效率。
Mission Control 提供了类似 npm 的 Skills Hub 功能，管理员可以浏览和安装来自 ClawdHub 和 skills.sh 注册表的 Agent 技能包。这些技能包扩展了 Agent 的能力边界（如搜索、文件处理、API 调用等），并支持双向磁盘 ↔ 数据库同步。平台还内置了安全扫描功能，对安装的技能包进行信任度评估。
项目设计了统一的 Adapter 协议，通过 POST /api/adapters 接口连接不同框架的 Agent。目前内置适配器覆盖：
| 框架 | 说明 |
|---|---|
| OpenClaw | 官方推荐，可深度集成 |
| CrewAI | 多 Agent 协作框架 |
| LangGraph | 状态图工作流 |
| AutoGen | 微软多 Agent 对话 |
| Claude SDK | Anthropic 官方 SDK |
通用适配器（generic）允许任何支持 HTTP 的 Agent 接入，无需特定 SDK，实现了真正的框架无关。
Mission Control 还提供了与 Claude Code（Anthropic 官方 AI 编程工具）的只读集成。管理员可以在仪表盘上直接查看 Claude Code 团队的任务状态、会话信息和配置，无需切换工具即可掌握全链路运行情况。
平台实现了完整的 RBAC 体系，支持三种角色：
支持 API Key 认证（默认 Admin 权限）和 Session Cookie 认证（浏览器端）。此外还支持 Google Sign-In，但需管理员审批。安全方面内置四层评估框架、信任评分、敏感信息检测和 MCP 调用审计。
Mission Control 的前端基于 Next.js 16（App Router）构建，配合 React 19 和 TypeScript 5.7，保证了类型安全和开发效率。后端同样运行在 Next.js 服务端，通过 API Routes 处理业务逻辑。
状态管理采用 Zustand，相比 Redux 更轻量，适合 SPA 场景。数据库选用 SQLite，直接通过 better-sqlite3 驱动，零外部依赖，满足自托管部署的简单性要求。日志系统使用 Pino，高性能结构化日志，输出到控制台或文件。
实时通信方面，服务器端通过 WebSocket 和 SSE 推送数据，客户端按需选择最优通道。前端终端模拟使用 xterm.js（@xterm/xterm），在浏览器中渲染高质量的终端面板。
项目使用 pnpm 作为包管理器，package.json#packageManager 字段锁定了 pnpm 10.29.3 版本，确保 CI 和本地环境一致。
测试方面，单元测试用 Vitest（577 个测试用例），E2E 测试用 Playwright，测试覆盖率较高。
Mission Control 的部署体验是本报告评测的所有项目中最为顺滑的之一。提供了三种部署路径：
方式一（推荐）：一键脚本
git clone https://github.com/builderz-labs/mission-control.git
cd mission-control
bash install.sh --local # 自动安装 Node.js 22+、pnpm，生成凭证
open http://localhost:3000/setup # 创建管理员账号
方式二：Docker Compose
docker compose up # 自动构建，自动生成凭证，数据持久化到 mc-data volume
方式三：预构建镜像
docker pull ghcr.io/builderz-labs/mission-control:latest
docker run --rm -p 3000:3000 ghcr.io/builderz-labs/mission-control:latest
Docker 镜像为多架构构建（Linux amd64/arm64），且支持通过 NEXT_PUBLIC_GATEWAY_HOST 等构建参数定制 gateway 连接配置。生产环境还提供了 docker-compose.hardened.yml，包含只读文件系统、CAP DROP 等加固配置。
硬件需求极低：无需 GPU，RAM 仅需 1GB，磁盘 1GB，在树莓派级别硬件上也能流畅运行。
尽管 Mission Control 功能丰富，但仍有一些需要注意的地方：
Alpha 软件风险：项目文档明确标注为 Alpha 阶段，API、数据库 schema 和配置格式可能在版本间发生变化。生产环境部署前需评估升级兼容性风险。
框架集成深度不一：虽然支持多种框架适配器，但与 OpenClaw 之外的框架（尤其是 CrewAI、LangGraph、AutoGen）的集成细节和实际兼容性需要进一步验证，文档中相关示例相对较少。
无原生 Kubernetes 支持：没有提供 Helm Chart 或 K8s Manifest，对于大规模容器化部署场景，需要自行编写编排配置。
SQLite 扩展性：SQLite 在高并发写入场景下性能有限（虽对单实例管理场景足够），多实例水平扩展不支持。如果团队规模很大、Agent 调用频率极高，可能需要迁移到 PostgreSQL 等方案。
Mission Control 的出现代表了 AI Agent 从「单兵作战」向「工业化运营」的过渡。随着 Claude Code、Cursor 等 AI 编程工具在开发团队中普及，如何高效管理多个 AI Agent 的任务分配、成本结算和质量控制，成为越来越迫切的需求。
从 Stars 增长曲线来看，Mission Control 的受欢迎程度在持续上升。GitHub 上 882 个 Fork 说明了大量开发者在研究和基于此项目进行二次开发。MIT 许可证对商业使用友好，有利于其在企业场景的推广。
总结：Mission Control 是一款功能完整、部署友好、社区活跃的 AI Agent 编排平台。如果你正在运行 AI Agent 团队，或计划构建多 Agent 工作流，它提供了开箱即用的任务调度、成本追踪、质量门禁和实时监控能力。唯一的代价是需要接受其 Alpha 状态带来的小幅升级风险。