上周，吴恩达和前 Amazon Alexa 首席科学家 Rohit Prasad，一起开源了一个新项目：OpenWorker。

一句话概括它：

这不是聊天机器人。是一个装在你电脑里的本地 AI Agent，同事型助手。

上线短短一周，GitHub Star 就冲到 1.1 万。
文末附安装包可免费领取。

它最特别的地方，不是“能回答问题”。

而是：你提结果，它来交付成品。

比如你说：

“帮我整理这周资料，输出一份项目摘要。”

“把这个文件夹里的客户信息做成明天的会议简报。”

“看看我下周日历，先给出调整建议，不要直接改。”

它不会只回你一段话。

它会自己拆任务、读文件、调工具、生成文档，最后交给你一个可以直接用的结果文件。

这，才是 OpenWorker 想定义的 Agent 形态。

01不是陪聊，而是交付

现在很多 AI 产品，核心体验还是“对话”。

你问一句，它答一句。

最多再加一点搜索、联网、写代码能力。

但 OpenWorker 的目标很明确：

不是陪你聊天。是替你完成一项任务。

它运行在本地电脑上，可以读取你授权的文件、调用终端、连接外部工具，最后输出报告、摘要、简报、计划，甚至继续执行后续动作。

官方给它的定位很直接：

a local AI coworker

本地 AI 同事。

注意这个词，不是 assistant，不是 chatbot，而是 coworker。

也就是说，它的价值不在“说得多聪明”，而在于：

能不能把事做完。

02四层架构，全跑本地

OpenWorker 的整体结构并不花哨，但很完整。

最上层，是桌面应用外壳：

Tauri 2 + React 18

Tauri 负责原生桌面容器，React 负责界面渲染。

你看到的，就是一个正常桌面应用。

中间层，是本地 Agent Server：

Python + FastAPI + uvicorn

默认监听 127.0.0.1:8765。

任务规划、工具调用、记忆管理，基本都在这里完成。

再往下，是能力与连接器层。

它能接本地工具，也能接外部服务。

本地能力包括：

• • 文件系统
• • Git
• • ripgrep 搜索
• • 终端命令

远程连接器已经接了 25+：

• • GitHub
• • Slack
• • Jira
• • Notion
• • Linear
• • Gmail
• • Google Calendar
• • Outlook
• • HubSpot
• • monday.com

如果这些还不够，它还支持 MCP，也就是现在越来越多 Agent 工具生态在用的协议。

最底层，是模型路由。

这里接的是吴恩达另一个开源项目 aisuite。

本质上，它给不同大模型厂商提供了一层统一接口，把 chat completions、Agent、工具调用、MCP 这些能力都包了起来。

OpenWorker 本身，某种意义上就是 aisuite 的一个产品级参考实现。

模型支持也很全。

官方已经预置了 30 个通过工具调用验证的模型，覆盖：

• • OpenAI
• • Anthropic
• • Gemini
• • DeepSeek
• • Kimi
• • Qwen
• • GLM
• • MiniMax
• • Mistral
• • xAI Grok

还支持：

• • Together
• • Fireworks
• • Ollama 本地模型
• • AWS Bedrock
• • Google Vertex AI
• • OpenRouter

你可以自己填 API Key。

也可以走 Ollama，把模型跑在本机。

03最值得拆的，不是功能，是权限设计

OpenWorker 真正让我觉得“这团队懂 Agent 落地问题”的，不是接了多少工具，而是权限模型。

因为 Agent 一旦从“会说”走到“会做”，风险就完全变了。

读文件、写文件、跑命令、发消息、改日历，这些动作一旦出错，后果是真实的。

OpenWorker 没有走两个常见极端：

一个极端是全放开。

另一个极端是每一步都弹窗，把用户点到崩溃。

它做的是分级权限。

每次工具调用，先按风险划四类：

• • read：读取，无副作用
• • write_local：本地写入
• • exec：执行命令
• • external：向外发送或修改外部系统

然后再叠加五种权限模式：

• • discuss
• • plan
• • interactive
• • auto
• • custom

默认是 interactive。

也就是说，读操作自动通过；

但写入、执行命令、调用外部服务，都需要你确认。

还有一个很关键的设计：

即使进入后台无人值守模式，也不会自动提高 Agent 的权限上限。

这点非常少见。

什么意思？

如果你让它在后台跑任务，遇到敏感操作，它不会擅自继续，也不会偷偷跳过。

它会把确认请求放进 Inbox，然后暂停，等你回来决定。

很多 Agent 系统把“用户不在场”和“Agent 可自主执行更多操作”混在一起。

OpenWorker 则把这两个维度拆开了：

你在不在，只影响通知方式。

它能不能做，仍由权限规则决定。

更狠的是，官方明确写了：

Shell 命令在任何模式下都必须确认。

这不是保守。

这是产品真的想进生产环境前，必须有的克制。

04Windows 和Mac 都能装

如果你只是想先上手，不想从源码跑，最简单的方式就是直接安装桌面版。

目前官方支持：

• • macOS 12 及以上，仅 Apple Silicon
• • Windows 10 / Windows 11，64 位 x64

暂时没有官方 Linux 桌面版。

Mac 用户

下载 .dmg 后，拖进应用程序即可。

官方 macOS 版本已经完成签名和公证，也支持自动更新。

如果系统拦截，可以去：

系统设置 -> 隐私与安全性

确认来自官方仓库后再放行。

Windows 用户

现在也已经有安装包。

但要注意一件事：

Windows 版暂未完成代码签名。

所以安装时，你大概率会看到 SmartScreen 提示：

“Windows 已保护你的电脑”

只要确认安装包来自官方 GitHub 下载入口，可以点：

更多信息 -> 仍要运行

但这里一定要强调一句：

只对官方来源这么做。不要对网盘、群聊、不明网站下载的安装程序这么做。

05第一次打开，先做这 3 件事

OpenWorker 装好之后，不建议一上来就全盘授权、全工具接满。

最稳的入门顺序，是这三步。

1. 先配模型

OpenWorker 软件免费，但云端模型不是免费的。

你需要自己准备模型 API Key，比如：

• • OpenAI
• • Anthropic
• • Gemini
• • DeepSeek
• • Kimi
• • Qwen
• • GLM
• • MiniMax

如果你不想走云端，也可以用 Ollama 跑本地模型。

区别很简单：

云端模型更省本地资源，通常效果更稳。

本地模型更私有，但更吃机器性能，工具调用能力也更看模型本身。

2. 不要先授权整个硬盘

第一次使用，最推荐的做法是：

新建一个测试文件夹，比如 OpenWorker-Test。

里面放几份不敏感的 Word、PDF、TXT 或 Markdown。

然后只授权它访问这个目录。

这样你能先熟悉它怎么读文件、怎么生成结果、怎么请求确认，出问题也不会伤到重要数据。

添加工作文件夹路径：

填入文件夹路径：

给予权限：

执行结果：

3. 第一个任务，别写成聊天口吻

很多人第一次上手 Agent，最容易犯的错，就是命令太虚。

比如：

“帮我看看这些资料。”

这种输入，模型当然也能试着做。

但效果通常不会稳定。

更好的写法是直接说清楚四件事：

• • 读什么
• • 做什么
• • 输出什么
• • 什么不能动

比如这样：

“阅读当前文件夹中的所有资料，整理一份中文项目摘要。总结项目背景、当前进展、主要问题和下一步计划。不要修改或删除原始文件。将结果保存为 project-summary.md。信息不确定时请明确标注。”

这才是 OpenWorker 最擅长的任务描述方式。

因为它要的不是陪你对话。

而是交付一份成果。

4.测试一下内置的工作流

06它适合谁

如果你只是想找一个聊天助手，OpenWorker 未必是最顺手的。

但如果你属于下面这几类人，它很值得试：

• • 想把 AI 真正接进本地工作流的人
• • 对数据隐私、本地存储有要求的人
• • 想自己改造 Agent 框架的开发者
• • 想同时接多个模型、多个工具，而不想被单一生态锁死的团队

和 Claude、ChatGPT 这类成熟商业产品相比，OpenWorker 在产品打磨和整体生态上当然还在追赶。

但它的价值不在“现在是不是最强”。

而在于它开源、本地优先、模型无关，而且把 Agent 最棘手的权限问题认真做进了产品结构里。

这件事，才是它爆火的根本原因。

07最后一句

OpenWorker 现在还在 Open Beta，迭代很快。

但它已经足够让人看到一条非常清晰的路线：

未来的 AI，不一定只是回答问题。

更可能是驻留在你电脑里，拿着受控权限，替你完成一项项具体工作。

从这个角度看，OpenWorker 不只是又一个开源项目。

它更像是：

本地 Agent 真正走向可用的一次提前预演。

: