OpenOPC 是一个用 Python 构建的“AI 原生公司”框架，目标是让用户围绕复杂任务自动组建 AI 团队、分配角色、拆解任务、协同执行并沉淀组织记忆。它支持 CLI 和浏览器 Office UI，可在 Task Mode 下作为单智能体工作区使用，也可在 Company Mode 下模拟一个由经理、员工、评审等角色组成的 AI 组织来完成端到端任务。
适用领域
AI Agent / 多智能体协作 / 自动化办公 / 软件开发 / AI 研发 / 投资研究 / 内容生产 / 电商运营 / 教育培训 / 企业流程自动化
配置难度
中高。基础启动流程较清晰，熟悉 Python、uv、LLM API 配置的开发者可以较快运行；但要深入理解 Company Mode、多 Agent 编排、组织记忆、外部 Agent 集成和真实业务落地，需要一定的 AI Agent、工程化和工作流设计经验。
商业价值
OpenOPC 的商业价值在于把单点 AI 助手升级为可协同的 AI 组织，适合用于企业内部 AI 办公自动化、研发提效、投研材料生成、内容生产流水线和行业 Copilot 原型验证。对于中国开发者和创业团队，它可以作为多智能体应用的参考架构，也可用于快速验证“AI 员工”“AI 公司”“自动化交付团队”等产品方向。不过在商业化落地时，需要重点解决稳定性、成本控制、权限安全、结果审核和与现有业务系统集成的问题。
01
技术亮点
- 提出 Self-Built、Self-Run、Self-Grown 三段式机制：自动组建团队、自动协作执行、自动学习成长。
- 支持公司模式，可以根据目标生成组织结构、招聘角色、分派任务并通过工作项状态机推进。
- 支持任务依赖 DAG，独立任务可并行执行，依赖任务按前置条件推进。
- 内置阻塞处理机制：团队内部问题可由合适角色解决，超出权限的问题可升级给人类用户。
- 支持组织记忆：将每个角色的任务经验沉淀为私有经验，并将重复出现的经验提升为共享 playbook。
- 同时提供 CLI 和浏览器 Office UI，方便开发者调试和可视化查看组织、员工、看板与执行进度。
- 覆盖场景广，包括 AI 研发、软件工程、投资研究、销售增长、内容媒体、财务、电商、教育等。
- 可兼容多种执行 Agent，包括 OpenOPC Native、Codex、Claude Code、Cursor、OpenCode 等。
- 使用 MIT License 标识，适合二次开发和实验性项目落地。
02
目标用户
- 希望尝试多智能体协作系统的 AI 开发者
- 需要自动化完成复杂任务的个人开发者或独立创业者
- 希望搭建 AI 工作流/AI 员工系统的团队
- 研究 Agent 组织架构、任务编排、记忆学习机制的研究人员
- 需要用 AI 辅助完成软件开发、市场研究、内容策划、投资分析等工作的从业者
- 对 AI-Native Company 概念感兴趣的产品经理和技术负责人
03
配置要求
- Python 版本需要 >= 3.10，README 示例推荐 Python 3.12。
- 推荐使用 uv 管理 Python、虚拟环境和依赖。
- 如果需要构建 Office UI 前端，需要 Node.js >= 18。
- 需要配置大模型 API Key，通常写入 .opc/config/llm_config.yaml，或通过环境变量配置。
- 如需浏览网页能力，需要安装 Playwright Chromium：python -m playwright install chromium。
- 如需使用外部 Agent CLI，例如 Codex、Claude Code、Cursor、OpenCode，需要本地已安装并配置对应 CLI。
- 如果暂时不使用外部 Agent CLI，可在初始化时使用 opc init --no-external-agent-preflight 跳过检查。
- 默认浏览器 UI 端口为 8765。
- 运行 opc ui 时会自动安装缺失的 aiohttp / aiosqlite，并在必要时自动构建前端。
04
适用场景
- 将一个复杂目标拆解为多个子任务，并由不同 AI 角色协同执行
- 构建类似虚拟公司的 AI 团队，例如产品经理、工程师、研究员、设计师、运营等
- 使用单智能体模式完成代码重构、测试、总结仓库状态等任务
- 使用公司模式完成软件功能规划、实现、评审和文档编写
- 生成投资研究报告、市场地图、尽调材料或决策包
- 自动化视频脚本、分镜、短视频内容和多平台发布方案
- 为销售、客服、HR、法务 intake、教育培训等场景构建行业助手
- 通过组织记忆和角色经验复用，让 AI 员工在多次任务后持续积累经验
05
部署与配置
- 克隆仓库：git clone https://github.com/HKUDS/OpenOPC.git && cd OpenOPC
- 安装 uv。macOS 可使用 brew install uv；Linux 可使用 curl -LsSf https://astral.sh/uv/install.sh | sh；Windows 可使用官方 PowerShell 安装脚本或 winget 安装。
- 安装 Python 3.12：uv python install 3.12
- 创建虚拟环境：uv venv --python 3.12
- 激活虚拟环境。macOS/Linux 使用 source .venv/bin/activate；Windows PowerShell 使用 .\.venv\Scripts\Activate.ps1；Windows CMD 使用 .venv\Scripts\activate.bat。
- 安装项目：uv pip install -e .
- 可选但推荐安装浏览器工具：uv run python -m playwright install chromium
- 初始化本地配置、记忆、技能、项目和工作区目录：uv run opc init
- 在 .opc/config/llm_config.yaml 中配置 LLM API Key，或配置 llm.api_key_env 指定的环境变量。
- 启动浏览器 UI：uv run opc ui
- 打开默认地址：http://localhost:8765
- 也可以使用 CLI：uv run opc chat -p demo，或使用一次性任务命令：uv run opc exec -p demo --mode task --agent native --json "Summarize the current repo status"
06
风险与注意事项
- 项目仍偏前沿和实验性质，多智能体协作在真实业务中的稳定性、成本和结果质量需要充分验证。
- 复杂任务依赖 LLM 能力，输出质量会受到模型选择、提示词、上下文长度和 API 稳定性的影响。
- 公司模式可能产生较高 Token 消耗，尤其在多角色、多轮评审、长任务场景下成本不可忽视。
- 外部 Agent CLI、Playwright、前端构建等依赖较多，初次安装和排障成本相对普通 Python 项目更高。
- AI 自动执行代码、浏览网页或操作文件时存在安全风险，建议在隔离环境中运行并控制权限。
- README 中声明 MIT，但仓库元数据 license 字段为空，商业使用前建议确认 LICENSE 文件实际内容。
- 如果用于投资、法律、财务、税务等高风险场景，AI 结果必须由专业人士复核。
- 多智能体自动分工可能带来不可预测的执行路径，CI/CD 或生产环境集成前需要设置审计、日志和人工确认机制。
2026-07-08
第13名
新收录 · github_search
2026-07-07
第14名
新收录 · github_search
2026-07-06
第15名
新收录 · github_search
