港大 HKUDS 开源了 OpenOPC——让 AI 自己开一家公司，打造你的个人 AI 原生公司。
三个核心能力：
🏗️ 自建（Self-Built） — 全自动招募各岗位的 AI 员工，搭建组织架构。⚙️ 自营（Self-Run） — 全自动分派任务、驱动交接，持续朝你的目标推进。🌱 自成长（Self-Grown） — 从每个任务中学习，沉淀组织记忆，交付越来越聪明。
OpenOPC 的概念图：一屋子 AI 员工围着看板协作，你在外面看着（图源：OpenOPC 官方仓库）
01操作路径
给一个目标，它先画组织架构、决定汇报线，再由招聘 agent 决定是复用有经验的老员工还是从人才池新招人。
官方给的组织架构示例：CEO 下面挂 CTO / CMO / COO，再往下细分到具体岗位（图源：OpenOPC 官方仓库）
然后 work-item 状态机跑起来，manager 拆任务、分派、review，独立任务并行、有依赖的排队，团队内解不了的阻塞才升级给你。
官方 README 把这套讲得更细：每个 work item 的阶段决定它在看板的哪一列、这一阶段归谁负责、以及它现在能不能跑。manager 有五种动作——执行、委派、评审、整合、返工。任务拆解会形成一张依赖 DAG，所以独立的能并行，有依赖的等前置解决。
阻塞分两级处理：团队内部，一条阻塞消息会暂停发送方、激活最适合解决它的角色；超出团队权限的，运行时才升级给你这个人类 owner。
三段机制：公司结构 → 人才生命周期 → 协作运行时（图源：OpenOPC 官方仓库）
02最有价值的一点
跑完之后把用户反馈归因到具体角色而不是整个公司，谁的活谁背，再把执行轨迹蒸馏成这个角色的私有经验；反复出现的经验升级成共享 playbook，新员工入职直接继承。
官方对这条的说法很直接：夸整个公司什么也教不会。所以它做两件事——把用户反馈解析成每个员工的评价，并且只更新那些真正拥有相关 work item 的角色，功过落到该落的地方。
至于经验蒸馏，理由也说得实在：执行轨迹太嘈杂，没法直接拿来学。所以它把每个角色的任务蒸馏成高信噪比的教训，存进这个角色的私有经验档案；反复出现的教训升级成共享 playbook，新人一入职就继承——组织知识就这么复利下去。
这是我觉得这个项目最值得抄的设计。 大部分多智能体框架跑完一轮就结束了，功劳算在"系统"头上，下一轮从头再来。
工作台界面：左边会话、右边看板，任务在待办/进行中/完成之间流转（图源：OpenOPC 官方仓库）
03覆盖九大场景
覆盖九大核心场景：从 AI 开发、软件工程到金融、销售、媒体、电商与教育。无论哪个行业，OpenOPC 都会组建合适的团队并端到端交付。
官方列的九个方向具体是：AI 技术与研究、软件开发、金融投资、销售增长、内容与媒体、行业助手、会计财务、品牌电商、教育培训。演示里放了视频制作、投资研究、游戏原型三个案例。
执行层可使用 Codex / Claude Code / Cursor / OpenCode，整个公司能打包成 .opcpkg 分发。
04想跑起来
仓库 1099 star、185 fork，7 月 1 日建的，Python 写的，MIT 协议。界面是 React + Phaser 做的像素办公室，CLI 和 UI 两套都有。
要求 Python 3.10+，官方推荐用 uv 装：
uv python install 3.12 uv venv --python 3.12 source .venv/bin/activate
除了完整的公司模式，它还带一个 Task Mode——类似 LobeChat 的单 agent 工作台，适合直接干一件具体的事，不用起整个公司。
项目地址GitHub：https://github.com/HKUDS/OpenOPC
