美国时间 7 月 23 日，人工智能领域著名学者吴恩达与 Rohit Prasad 在 X 平台正式发布开源桌面 Agent——OpenWorker。
顶流学者背书、开箱即用的桌面形态、模型自由切换，OpenWorker 集齐了爆款要素。然而上线一周后，社区反馈揭示了一个残酷现实：从“极客的玩具”到“普通人的数字员工”，中间仍隔着巨大的产品化鸿沟。
作为刚开源的桌面 Agent，OpenWorker 不仅展示了此类产品的基本结构，更暴露出多模型兼容、数据流向和权限控制等尚未解决的深层问题。
OpenWorker 的架构与工作流程
OpenWorker 本质上是一套运行在桌面端的 Agent 工作台，其整体架构可分为三层：
桌面界面层：用户可在此创建晨间简报、周报、频道监控等自动化任务，自定义指令。任务执行过程中，模型的思考路径、工具调用记录及最终结果均实时展示。
本地 Agent 服务层：负责接收目标、调用模型、管理任务循环，并根据判断执行文件读取、命令运行或外部工具调用。会话记忆、任务状态及权限审批亦由该层主导。
模型与连接器层：支持接入 OpenAI、Gemini、Ollama 等多种模型，并连接 Slack、GitHub、Jira、Notion 等办公工具。当任务需要查询信息或处理文件时，本地服务调用相应工具，将结果返回模型直至任务完成或被权限拦截。
OpenWorker 的模型层基于吴恩达团队此前开源的 aisuite 构建。aisuite 在模型与应用间提供统一接口，屏蔽了不同厂商在接口格式与调用方式上的差异，实现了真正的“模型无关”。用户可更换底层模型而无需重构工作流。
OpenWorker 的核心价值在于将模型路由、工具调用、权限审批等标准化组件，组装成一款可安装、可审查的开源桌面产品。
与现有 Agent 相比，OpenWorker 有什么不同？
当前主流 Agent 产品大致分为三类：
软件工程 Agent：如 Codex、Claude Code，聚焦代码仓库与版本管理，任务边界清晰，结果易验证。
长期个人 Agent：如 OpenClaw、Hermes，强调跨会话记忆与技能扩展，旨在成为懂用户的个人助手。
一体化办公 Agent：如 WorkBuddy，将模型、云服务与连接器打包，用户开箱即用但受限于封闭生态。
OpenWorker 选择了第四条路：开源的通用办公 Agent。
它允许用户自选模型、部署方式与连接器，赋予极高控制权。但这种自由也意味着用户需自行处理 API Key 配置、费用结算、接口兼容及故障排查。商业产品通过封闭服务吸收复杂性，而 OpenWorker 将选择权与维护成本一同交还给了用户。
这条路线更开放，也更艰难。它既要保留开源的可控性，又要让非开发者能稳定使用。社区暴露出的兼容性与权限问题，正是这种产品路线必须承担的代价。开放源码不等于交付产品，标准化的组件堆砌无法自动形成成熟的机器人。
上线一周后，三个问题被集中讨论
开源后，开发者在 GitHub 上的反馈主要集中在多模型兼容、本地数据边界及权限审批覆盖度三个方面。
“模型无关”的幻觉：API 兼容不等于开箱即用
尽管主打“模型无关”，但架构层面的可替换并不等于使用层面的完全兼容。用户反馈显示，即便自建 OpenAI-compatible 接口通过检测，新会话仍可能无法加载模型；本地 Ollama 服务正常，OpenWorker 却无法识别。
测试中发现，若模型额度不足，系统会连续报错且不提示切换方案。BYOM（自带模型）模式看似归还了自由，实则将排错灾难抛给了用户。对于普通办公场景，要求用户精通 API 配置与计费逻辑显然门槛过高。
“本地优先”的数据就绝对安全了吗？
OpenWorker 强调“本地优先”，会话、密钥及部分数据存于本地。但数据流向实际包含三类：本地存储数据、登录云账户后的元数据、以及调用第三方连接器时发送的数据。
社区关注的是项目是否清晰披露了不同配置下的数据去向。对于桌面 Agent，“本地优先”仅是架构倾向，不能替代完整的数据流说明。
谁在后台“静默”跑了代码？
虽然 OpenWorker 设计了审批机制，但社区报告指出，某些配置文件可能在用户未信任工作区时，便启动外部服务进程。
这揭示了桌面 Agent 的普遍风险：权限控制不仅要覆盖主流程，还需涵盖配置解析、插件加载及后台进程启动等旁路。所有执行路径都必须经过统一的授权与记录。
开源的代价：自由向左，复杂向右
OpenWorker 并未发明新的 Agent 范式，而是尝试将标准化的组件装入桌面产品。其核心理念是降低开发与使用门槛，同时将模型选择权与数据控制权留给用户。
然而，开放不会自动消除复杂性。封闭产品由厂商统一处理兼容与计费问题，OpenWorker 则将这部分责任转移给用户。项目官方已将其定义为公开测试版，承认仍存在粗糙环节。
OpenWorker 的优缺点同源：开放带来了自由与透明，也导致了开箱即用的困难。决定其未来的关键，不在于支持多少模型，而在于能否将兼容性、错误恢复、数据披露和权限控制打磨为用户无需理解的基础能力。
吴恩达团队的这次尝试，折射出整个 Agent 赛道的集体尴尬：在指望 Agent 真正“替人上班”之前，这些 Agent 自己还得先上个班，学会如何成长为一个成熟的产品。