OpenExecutive 虚拟高管团队
由8位专业化Claude代理驱动的虚拟高管团队，为用户提供一致的高管视角，涵盖战略、财务、人事、法务等八大领域。
证据显示：README 描述了访问控制（Google 登录 + 共享密钥）、单实例调度器、以及数据流（RAG 注入用户轮次，不注入缓存系统提示）。但缺少用户确认机制（如外发操作前确认）、最小权限原则未明确（如 API 密钥范围）、数据流透明度有限（未说明哪些数据发送给 Anthropic）。依赖安全未提及（无依赖审计或漏洞扫描）。外部影响有描述（外发消息、MCP 工具），但未提供用户确认或撤销机制。回滚有部署文档提及，但未提供具体回滚步骤。来源归属：有 Apache 2.0 许可证和贡献者声明，但发布者未验证。扣分原因：用户确认缺失、最小权限未明确、依赖安全未提及、外部影响缺乏用户控制。
证据显示：README 和 CI 配置一致，架构描述清晰，测试存在（单元测试、CI 运行）。但依赖可用性未验证（如 ChromaDB、PyTorch 等重型依赖的可用性未说明），失败消息未提供（如 API 错误处理、用户可见的错误提示）。扣分原因：依赖可用性未验证、失败消息缺失。
证据显示：README 描述了多种使用场景（Web、Slack、Email、Telegram、Google Chat、Discord、CLI），能力边界有说明（如单实例限制、本地模型限制），触发精度有描述（如调度器、路由），环境适配有说明（Fly.io、本地、Docker）。但能力边界未完全明确（如各 agent 的具体限制），触发精度未提供具体示例。扣分原因：能力边界和触发精度描述不够具体。
证据显示：README 提供了清晰的架构、安装步骤、配置说明、示例（CLI、API）、已知限制（单实例、本地模型限制）、许可证（Apache 2.0）。但命名稳定性未验证（无版本历史），版本控制/变更日志缺失，维护责任未明确（无维护者信息）。扣分原因：版本控制/变更日志缺失、维护责任未明确。
证据显示：README 描述了输出（一致的高管声音、可操作建议），边际价值（8 个专家 agent、记忆、调度器），成本效益（提示缓存、本地模型选项）。但成本效益未量化（如 API 成本估算），输出可用性未提供实际示例。扣分原因：成本效益未量化、输出示例缺失。
证据显示：README 中的声明（如哈佛 MBA 级知识、85% 缓存命中率）未提供证据支持，跨来源验证缺失（无独立测试或第三方验证），事实与推断未明确区分（如“哈佛 MBA 级”是推断）。扣分原因：声明缺乏证据、跨来源验证缺失、事实与推断未区分。
- 发布者身份未验证，需谨慎对待来源。
- 缺少用户确认机制，外发操作（如发送消息、调用外部工具）可能未经用户明确同意。
- 依赖安全未提及，需自行审计依赖漏洞。
- 版本控制和变更日志缺失，难以追踪更新和回滚。
这个 Agent 能做什么，适合哪些场景？
OpenExecutive（by SenteLabsAI）是一个AI驱动的虚拟高管团队，由八位专职Claude代理（CSO、CFO、CHRO、GC、COO、CMO、CPO、董事会沟通）支撑，所有回复都出自一个统一的高管人设。后端为Python 3.11+ FastAPI，前端为Next.js 15，知识层基于ChromaDB（内置MBA级知识与上传的公司文档），并通过SQLite维护情景记忆与调度器。系统支持通过Web UI、Slack、Email、Telegram、Google Chat、Discord和CLI交互，并提供针对部署的Docker与Fly.io配置。知识层通过RAG动态注入上下文而非缓存系统提示，调度器基于UPDATE...RETURNING保证单实例运行。
系统接收用户消息后，由'高管编排器'（claude-sonnet-4-6）识别意图并并行调用8个专业代理（如CSO、CFO等），每个代理从ChromaDB检索内置和公司文档的RAG上下文，生成专业回复后由编排器综合成统一高管答复。每次回复后，后台的claude-haiku-4-5提取决策、议题等存入SQLite，形成跨会话的情景记忆，供下次对话使用。内置调度器可主动触发后续动作与提醒。也可通过CLI（openexecutive chat）交互，或通过API（如POST /documents上传文档）管理。
- 创业公司创始人：在战略规划、融资或竞品分析时，向CSO或CFO代理获取建议。
- 人力资源负责人：使用CHRO代理制定招聘计划、薪酬方案或绩效改进策略。
- 运营管理者：通过COO代理设计流程、管理供应商或规划运营扩张。
- 市场或产品团队：由CMO或CPO代理辅助制定上市策略、产品路线图或品牌定位。
- 需要维护决策记录的企业：利用情景记忆确保后续对话引用上月建议。
这个 Agent 有哪些优点和局限？
- 提供统一高管人设，内部多代理架构对用户透明，体验一致
- 内置MBA级知识库可自定义公司文档，通过RAG注入上下文
- 情景记忆跨会话保存决策，支持持续改进
- 多接口（Web、Slack、Email、Telegram、Google Chat、Discord、CLI）集成方便
- 支持本地模型（Ollama等）或OpenRouter，降低对Anthropic的依赖
- 部署复杂度高，需Python 3.11+、Node 22+、uv和多种配置
- 带调度器时API仅支持单实例运行，不能横向扩展
- 默认依赖Anthropic API，需要API key且可能产生费用
- 首次安装需下载重依赖和嵌入模型，时间较长
- 公司数据在云部署时通过提示发送至Anthropic，隐私需自行评估
如何安装或部署这个 Agent？
克隆仓库，复制.env.example为.env并设置ANTHROPIC_API_KEY（必需，除非启用本地模型或OpenRouter），运行make dev（首次会下载约90MB嵌入模型）。若不用make，需在packages/core执行uv sync并激活虚拟环境后运行uvicorn openexecutive.api.main:app --port 8000，另开终端在packages/ui执行npm install && npm run dev。
如何使用这个 Agent？
访问http://localhost:3000使用Web UI，首次会引导完成公司画像设置（通过web wizard或CLI）。之后可在聊天框提问，或通过Slack @OpenExecutive、发送邮件、Telegram、Google Chat、Discord等渠道交互。可通过CLI上传文档（openexecutive upload deck.pdf）或API（curl POST /documents）让代理参考。配置调度器可设置自动提醒。