OpenCompany
在你自己电脑上运行的自我改进型 AI 员工操作系统，把 LLM token 变成真实工作与收入。
- Star 数
- ★ 970
- 最近更新
- 1 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 44/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台OpenAI API · Claude API
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 独立开发者或小团队想常驻一个 Builder 岗位：让团队写代码、跑 dev server、开 pull request、部署，并通过 GitHub、Vercel、Cloudflare、Google Cloud 管理云资源。
- 不适合
- 需要 iOS 移动工作区的团队（仅支持 Windows x64 上的 Android 模拟器）
- 不愿在本地保存 API 密钥、不接受自托管运维的团队
- 只想要一个开箱即用的托管聊天机器人、不想配置连接器的个人用户
- 源码审查
- 44/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
OpenCompany 是一个开源的 AI 员工操作系统，MIT 许可证，可安装在 Windows、macOS 或 Linux 上，也能用 curl 脚本或 Docker Compose 自托管，默认打开 http://localhost:5678。它把一名“员工”实现为一个小组：一名 lead 负责理解岗位、分发任务、校验结果并向你汇报，若干 specialist agent 各自负责一环，通过拖拽式的画布把节点连起来，无需写代码。员工连接到 Gmail、Google Calendar、Drive、Sheets、Microsoft 365、WhatsApp、Telegram、Discord、X、Stripe、GitHub、Vercel、Cloudflare、Google Cloud 等 140+ 工具，由新邮件、客户消息或定时计划唤醒，在后台持续运行。模型可以接入 OpenAI、Anthropic、Google、xAI、DeepSeek、Kimi、Mistral、Groq、Cerebras、Sarvam、OpenRouter，或通过 Ollama、LM Studio 及任何 OpenAI 兼容服务器本地免费运行；API 密钥加密保存在本机。它不做模型微调，改进来自可读写的记忆、笔记与纯文本 skills（随附 78 个），并提供浏览器工作区和 Windows x64 上的 Android 模拟器工作区。
核心流程是“Hire → Build the team → Start → Review”。Home 页面用自然语言描述岗位后，系统起草员工配置（使用哪些应用、何时工作、哪些动作需要先征得同意），确认后 Hire；也可以切到 Dev 模式，把 AI Employee 拖到画布上，再连入若干 specialist agent，并分别授予 email、browser、code、messaging、payments 等工具。员工由事件驱动运行：新邮件、客户消息或排定时间会唤醒对应的 team，lead 先审阅每一份团队产出，不合格就打回重做，再决定是否向你汇报；你可以开启“发送前逐条批准”。执行产物进入该员工的 Workspace，可查看其制作的内容、读取并编辑其记忆；skills 是短小的纯文本 playbook，改完在下一轮即生效，Settings > Skills 统一管理，新员工默认继承已启用的 skills。运行时还提供 Home 与 Dev 模式下的实时浏览器工作区（在独立的 OpenCompany profile 中打开本机 Chrome/Edge/Chromium，可随时接管登录再交还），以及在 Windows x64 上可操作的本地 Android 模拟器，配套语音与翻译能力。
- 独立开发者或小团队想常驻一个 Builder 岗位：让团队写代码、跑 dev server、开 pull request、部署，并通过 GitHub、Vercel、Cloudflare、Google Cloud 管理云资源。
- 社区或内容运营者需要一个 Grower：按排程向 X、WhatsApp 频道、Telegram、Discord 发布内容，并由分析师角色做社媒数据与网络搜索的市场观察。
- 高频邮件处理者把 Chief of Staff 接上 Gmail 或 Microsoft 365：自动读信回信、维护日历、整理文件、表格、任务与联系人，每天早上给出一份汇总。
- 面向客户的客服场景用 Front Desk：在 WhatsApp、WhatsApp Business、Telegram、Discord 上按客户语言（可选语音）回复，解决不了的问题升级人工。
- 研究岗用 Researcher：通过浏览器、搜索与抓取阅读文档和图片，把结论沉淀进全公司可查询的知识库。
- 需要支付自动化的团队用 Treasurer：通过 Stripe 执行支付操作，并在支付事件发生的那一刻立即响应。
如何安装或部署这个 Agent？
桌面应用（推荐）：从 releases/latest 下载对应安装包——Windows x64 用 .exe，macOS 用 -arm64.dmg 或 -x64.dmg，Linux 用 .AppImage 或 .deb。首次启动会自动完成一次性环境安装（约一两分钟）。当前构建尚未代码签名：macOS 需在“系统设置 > 隐私与安全性”中放行，Windows SmartScreen 需选“更多信息 > 仍要运行”。
终端安装（服务器与无头机器）：
curl -fsSL https://opencompany.sh/install.sh | bash # macOS / Linux
iwr -useb https://opencompany.sh/install.ps1 | iex # Windows PowerShell
company start脚本会在缺失时安装 bun、Python 与 uv，然后安装 @zeenie-ai/opencompany 包，数据存放于 ~/.opencompany，与桌面应用共用。
Docker 自托管：
git clone https://github.com/zeenie-ai/OpenCompany.git
cd OpenCompany
docker compose up -d --build构建后启动一个容器，数据位于 opencompany-selfhost_data 卷，访问 http://localhost:5678 注册 owner 账号；端口只发布在本机。从源码运行需要 bun 1.4+ 与 Python 3.12：
git clone https://github.com/zeenie-ai/OpenCompany.git
cd OpenCompany
bun run build
bun run dev如何使用这个 Agent？
首次启动进入 Home，先连接一个 AI provider（Settings > Connectors，未连接时 Home 会提示），然后在 Home 用自然语言描述岗位完成第一次雇佣；也可到 Settings > Plugins 从现成 bundle 起步。切到 Dev 模式进入工作流编辑器，侧栏里有三个示例员工，打开即可看到内部结构，再把 AI Employee 拖上画布、连上 specialist 并逐个配置工具。员工运行后，从 Home 或画布上的卡片查看进度，进入其 Workspace 查看产出，编辑记忆或纯文本 skills 调整行为；在 Talk 页面可以让它按需添加工具或从 skills 库学一项新能力，但受雇佣规则约束（发送或花钱类动作先问你），新工具在该会话立即生效，按页面上的 Apply 才会应用到它的全部工作。想介入浏览器时，直接在浏览器工作区接管登录再交还控制权。共享或云端使用可加登录，一条命令部署到 Google Cloud。
这个 Agent 有哪些优点和局限？
- “员工 = 一个 lead + 若干 specialist”的多 agent 结构写进了产品本身，lead 会复核团队产出并把不合格结果打回，而不是单点 chatbot 直接输出。
- 模型层供应商中立：OpenAI、Anthropic、Google、xAI、DeepSeek、Kimi、Mistral、Groq、Cerebras、Sarvam、OpenRouter 均可接入，也能用 Ollama、LM Studio 或任意 OpenAI 兼容服务器（llama.cpp、vLLM）本地免费运行。
- 使用过程完全可审计：记忆、笔记、skills 与画布节点都是明文可读可改，项目明确说明从不重新训练模型，不存在黑箱学习。
- 员工的改进与工具扩展是运行时的：新工具在该会话立即生效，Apply 后成为其全部工作的一部分，无需重新部署。
- MIT 许可且提供桌面安装包、一键脚本与 Docker Compose 三条交付路径，桌面与终端版本共用 ~/.opencompany 数据目录。
- 桌面构建尚未代码签名，macOS 与 Windows 需要手动放行，对企业统一分发和合规审查是额外摩擦。
- 连接器与 provider 预设被有意收窄：README 说明新的一等预设需要“超越‘我的服务也能进下拉框’”的理由，非主流 SaaS 只能通过 Apify custom、TikHub call 或自建 OpenAI 兼容端点接入。
- 移动端工作区仅限 Windows x64 上的 Android 模拟器，需要接受 SDK 许可，iOS 明确尚不支持。
- 软件免费但实际使用通常依赖付费模型 API 或自备本地推理硬件，且要用足 140+ 工具需逐个提供对应账户与密钥，首次配置成本不低。
- 没有托管 SaaS 主入口，自托管要走 Docker 或脚本并自行运维；从源码运行还需要 bun 1.4+ 与 Python 3.12 两个运行时。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| OpenCompany 当前 | 44 · 缺口较多 | 桌面应用免费 + 模型费 | ★ 970 | 1 天前 | Python | OpenAI API · Claude API |
| BagIdea Office | 71 · 存在缺口 | 桌面应用免费 + 模型费 | ★ 242 | 1 天前 | JavaScript | Claude Code · OpenAI API |
| Atom 平台 | 59 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 901 | 5 天前 | Python | OpenAI API · Claude API |
| GAIA 个人 AI 助手 | 73 · 存在缺口 | 云服务 / SaaS免费版 + 付费版 | ★ 302 | 5 天前 | Python | — |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
README 声称员工在发送或花费前会先征求批准，且 API 密钥在本机加密存储，这为 user_confirmation 提供了部分证据（2 分）。但 least_privilege 仅得 1 分：仓库宣称 140+ 工具、浏览器工作区、Android 模拟器、支付（Stripe）与云部署能力，却没有任何权限清单、最小权限配置或沙箱说明。data_flow_transparency 与 sensitive_data_handling 各 1 分：仅有一句“密钥加密存储”，没有数据流向图、保留策略或敏感数据分类。dependency_security 得 2 分：package.json 的 overrides 明确锁定了多个已知漏洞版本下限（如 dompurify、esbuild、hono、ws），属于可核实的缓解措施。external_effects 与 rollback 各 1 分：README 提到员工可暂停/恢复、错过日程可补跑，但没有回滚已发送邮件、已发布内容或已执行支付的具体机制。source_attribution 1 分：LICENSE 同时署名 MachinaOs 与 OpenCompany contributors，package.json 作者为个人邮箱，发布者身份未经 FollowAgents 验证，归属链不清晰。
self_consistency 得 2 分：package.json 与 pyproject.toml 版本号一致（0.2.1），CLI 入口 company/machina 与文档描述一致，CI 工作流引用真实存在的路径。dependency_availability 得 2 分：依赖均为公开可获取的包（typer、rich、anyio、psutil、platformdirs、pywin32），并注明 platformdirs 为软依赖、pywin32 仅 Windows 需要，降级路径有说明。failure_messages 仅 1 分：cli/tests/test_backend_shutdown.py 显示对无效 TEMPORAL_GRACEFUL_SHUTDOWN_SECONDS 会抛出 ValueError，但仓库未提供面向用户的错误信息规范或故障排查文档，README 也未说明常见失败模式。
audience_and_scenarios 得 2 分：README 明确区分普通用户（桌面安装）、服务器/无头用户（终端安装）、自托管（Docker）与贡献者（源码运行）四类受众，场景描述具体。capability_boundaries 仅 1 分：虽然列出 Builder、Grower、Chief of Staff 等员工角色，但没有说明模型能力边界、失败场景或不可为之事。trigger_precision 1 分：仅笼统提到“新邮件、客户消息、定时时间”触发，没有触发条件语法或优先级说明。environment_fit 得 2 分：覆盖 Windows/macOS/Linux、Docker、本地模型（Ollama、LM Studio、vLLM），并注明 Android 仅 Windows x64、iOS 不支持，环境适配说明较完整。
information_architecture 得 2 分：README 结构清晰，含 Quick Start、How It Works、The Employees、What Is in the Box、For Developers 等章节，并链接 CONTRIBUTING.md、SETUP.md、SCRIPTS.md 等内部文档。install_notes 得 2 分：提供桌面安装包、终端一键脚本、Docker 与源码四种安装方式，并说明未签名导致 macOS/Windows 需手动放行。naming_stability 仅 1 分：包名 @zeenie-ai/opencompany 与仓库名 OpenCompany 一致，但 CLI 同时保留 company 与已弃用的 machina 别名，且 LICENSE 出现 MachinaOs 旧名，命名迁移痕迹明显。examples_and_faq 1 分：只有视频演示与三张示意图，没有文字示例或 FAQ。known_limitations 1 分：仅提到未签名、iOS 不支持、Android 限 Windows x64，缺少系统性限制说明。license 得 2 分：MIT 全文完整，版权年份与主体明确。versioning_changelog 1 分：package.json 与 pyproject.toml 版本一致为 0.2.1，但仓库未提供 CHANGELOG 文件。maintenance_responsibility 1 分：README 指向 Discord 与 GitHub Issues，但发布者身份未验证，无维护者名单或响应承诺。
output_usability 仅 1 分：README 描述员工产出（邮件回复、PR、发布内容、支付操作），但没有输出格式、模板或质量标准的说明。marginal_value 1 分：与通用 Agent 框架相比，其差异化在于“AI 员工”角色化与画布编排，但缺乏与现有工具（如 n8n、LangGraph）的对比或量化收益证据。cost_benefit 1 分：声称“自带 API 密钥、无订阅、无用量限制、可本地免费运行”，但未给出典型任务的 token 消耗、成本估算或与替代方案的性价比分析。
claim_traceability 仅 1 分：README 中“140+ 工具”“78 个技能”“12 个主题”等具体数字没有对应清单或文件索引可供核对。cross_source_corroboration 1 分：package.json、pyproject.toml、CI 工作流与 README 在版本号、入口名、安装方式上基本一致，但核心功能声明（自改进、记忆、技能）没有代码或测试佐证。fact_inference_separation 1 分：README 将营销性表述（“把 token 变成工作和美元”“越用越好”）与事实性描述混在一起，未区分已验证事实与愿景。
- 发布者身份未经 FollowAgents 验证，LICENSE 同时出现 MachinaOs 与 OpenCompany contributors，归属链不清晰，采用前应自行核实维护主体。
- 仓库宣称 140+ 工具、浏览器工作区、Android 模拟器、Stripe 支付与云部署能力，但未提供权限清单或最小权限配置，实际权限范围无法从静态文件确认。
- README 中“140+ 工具”“78 个技能”“12 个主题”等具体数字没有对应清单或索引，无法在静态审查中核实。
- 安装脚本采用 curl | bash 与 iwr | iex 形式，且构建未签名，需手动绕过 macOS/Windows 安全提示，存在供应链与信任风险。
- 缺少 CHANGELOG、FAQ 与系统性已知限制说明，长期维护与升级路径不明确。