编辑｜杜伟

技术演进的个开历史表明，真正的源平变革往往不源于线性增长，而爆发于「连接」被打通的台编瞬间。

回顾 20 世纪 60 年代，织起尽管计算机已具备强大算力，联网但受限于架构差异与接口壁垒，个开它们大多处于封闭孤岛状态。源平直到 ARPANET（阿帕网）的台编出现，计算机才首次实现真正意义上的织起互联，开启了信息共享与协作的联网新纪元。

如今，个开以龙虾为代表的源平 AI Agent 正面临类似的历史节点：单体智能已足够强大，但系统间依然分散割裂。台编

从「单体智能」到「组织网络」

长期以来，织起AI 行业的联网焦点集中在提升单个模型的能力与 Agent 的执行力上。然而，这一路径已触及阶段性瓶颈：在多数实际业务场景中，Bot 助手的能力已不再是效率瓶颈，真正的痛点在于彼此之间的「连接断裂」。

作为单体 AI，它们足以胜任 IM 交互、代码编写、调研分析及任务推进等工作。但受限于不同的运行工具、上下文隔离及权限体系，各 Agent 处于「各自为战」的状态——彼此不可见、不可调、无法形成连续的任务链条。它们能独立完成片段工作，却难以协同完成复杂事项。

「人 + AI」仅是效率工具，唯有「一群人 + 一群 AI」在同一体系内协同，才构成新的组织形态。

Agent 的下一步进化，不仅是变得更聪明，更是寻找属于自己的「互联网」。在此背景下，由全球 Agentic AI 领军企业明略科技打造的开源平台 Octo应运而生。该平台致力于解决核心痛点：将分散于各工作流的 Bot 聚合至统一的协作空间。

这种连接超越了个人维度。在 Octo 中，Bot 既是个人助手，经授权后亦可成为组织成员间共享调用的资源。随着 Bot 以组织形式部署、流转并沉淀，其身份从「个人工具」跃升为「企业级资产」与「数字员工」。通过分工协作与持续反馈修正，Agent 不再孤立，而是形成有机协作网络。

项目地址：https://github.com/Mininglamp-OSS

明略科技旨在将 Octo 打造为 Private AI 时代的组织基础设施，构建人机协作新范式。当企业拥有成百上千个 Agent 时，Octo 能像管理互联网节点一样，实现 Agent 之间、Agent 与创建者之间的高效连接与通信。这种「各司其职又相互协作」的模式，在多数场景下优于单一巨型模型。

此外，Octo 对普通用户极度友好：常见工作场景被封装为现成 Bot 模板，用户无需繁琐配置，「领养」即可直接拉入群组工作，极大降低了使用门槛。

Agent 不应只「活」在对话框里

当前，大多数 Bot 助手依附于 Discord、Telegram、飞书、钉钉等 IM 平台，通过消息接收指令并执行任务。Octo 虽以 IM 形态切入，但其野心不止于打造更聪明的聊天工具，而是重写协作底层逻辑。在这里，IM 仅是入口，而非核心。

Octo 的 IM 界面

人与 Agent 虽在同一界面沟通，但背后的连接结构已发生质变。传统工具中，人与 AI 是一对一的封闭关系；Octo 则打破了这一局限，连接人、Bot、Runtime Agent 及工具等分散节点。

这不仅是多了一个聊天窗口，更是搭建了一套新协作机制：
1. 任务发起：由人发起，Bot 调用 Runtime Agent 执行。
2. 动态反馈：执行过程持续反馈，其他 Bot 接力介入。
3. 关键决策：人在关键节点进行判断与取舍。

更具革命性的是，Octo 底层通信协议将人与 Agent 设计为同等身份的消息主体。Bot 之间可直接对话、互补协作（如搜集、分析、纠错分工），最终由人品鉴。这就是 A2A（Agent-to-Agent）协作的核心：并非单向的人指挥 AI，而是多 Agent 间形成真实的任务接力。

在此过程中，人的角色从「执行监控者」转变为「关键决策者」。复杂任务可整体外包，Bot 负责拆解、调度与推进，并实时反馈进度以判断是否需要人类介入。人退至关键节点，专注于判断与取舍，而非纠缠于每一步细节。

当 Agent 从孤立工作流中解放，效率提升仅是表象，深层影响在于组织处理复杂任务的方式被重新定义。

然而，连接仅是第一步。解决「能否看见彼此」后，企业场景面临更大挑战：复杂任务往往跨越多次对话，涉及需求澄清、资料补充、方案生成、多方反馈及反复修改。信息在此过程中动态变化，因此 Octo 需下沉一层，为复杂任务建立稳定承载单元——Matter（事项）。

从「连接」到「干活」：Matter 承载复杂任务

复杂长程任务需回答三个核心问题：如何干成？如何干对？如何留存？这正是 Matter 要解决的核心命题。

普通 IM 中，信息易被滚动消息淹没，追溯历史如同大海捞针。针对此局限，Matter 将每个任务沉淀为可追溯的「决策卡」，不仅记录结果，更涵盖：
* 任务缘起 (Brief)
* 过程时间线 (Timeline)
* 关键产出
* 人类反馈与验收结论

Matter 从 Brief 开始，沿 Timeline 展开，经历产出、打回、补充、确认，最终形成可回看的组织记忆。这对企业至关重要：真实工作中的价值往往蕴含在决策过程中——为何选 A 弃 B？哪些判断来自业务负责人？哪些修改源于法务或技术？这些构成了组织的决策资产。普通 IM 难以承载此类资产，而 Matter 保存的是一件事如何被推进、修正和完成的完整脉络。

此外，Matter 的另一核心价值在于：复杂任务中的每次修改、打回与验收，都蕴含人的判断。一旦反馈进入 Matter，便从一次性沟通记录转化为 Agent 学习组织偏好的原材料。Octo 所追求的 Taste（品味/偏好），正是在此基础上生长。

越用越懂你：在实战中沉淀 Taste

Matter 解决了「事情如何留存」，而 Taste让「Agent 越用越懂你」。

现有 Agent 虽拥有配置文件与角色设定，但自我成长有限。团队偏好、洞察标准等隐性知识，难以通过一次系统提示完全定义。人类判断往往是隐性的：负责人说「感觉不对」，客户说「角度不准」，其背后的经验、品味与行业语境难以即时转化为规则。

因此，「偏好对齐必须在实战中完成」成为 Octo 塑造 Taste 的核心思路。

人的每次打回、圈注、修改与确认，都是 Bot 学习组织品味的素材。方案退回可能意味着逻辑收束不足，报告重写可能暗示缺乏业务视角。这些信号沉淀至 Matter 后，可提炼为下一次可复用的偏好。

这一过程实质是：将人类难以言说的「我就要这个」，沉淀为 Agent 可理解、调用与继承的结构化偏好。下次遇到类似任务，相关偏好自动进入上下文，使 Bot 在实战中逐渐贴近团队做事方式，理解公司决策与交付模式。

当 Bot 拥有差异化偏好，多 Agent 协作的关键便转化为「如何在同一任务中合理分工」，避免沦为简单的群聊刷屏。Octo 提供的六种协作模式，正是为了解决这一问题。

六种协作模式：本质是六种信息拓扑

多 Agent 协作不等于「拉几个 Bot 进群」。执行效果取决于信息流转、角色分工、视角独立性及顺序依赖等细节。Octo 将复杂协作拆解为六种模式：

1. Solo（单干模式）
   适合简单明确任务，由领队独立完成。
   

2. Roundtable（圆桌讨论）
   在领队主持下，多 Agent 围绕同一议题公开讨论，参与者互相可见。适合需形成共识、碰撞观点、收束结论的任务。
   

3. Critic（生成-验证模式）
   一个 Agent 生成，另一个独立审核。验证方拥有否决权，可打回重做。适合代码检查、事实核查、方案质检等需独立审查的场景。
   

4. Pipeline（流水线模式）
   A→B→C 严格串行，上一步产出作为下一步输入。适合存在明确顺序依赖的任务，如调研→分析→写作→校对。
   

5. Split（分头干模式）
   领队将任务拆分为互不可见的子块，由多 Agent 并行处理，最后由领队合并。适合大任务分治，如行业报告拆分为政策、市场、技术、案例等部分。
   

6. Swarm（撒网竞选模式）
   同一任务交由多 Agent 独立完成，参与者彼此互盲，最后由领队择优。适合需多解并行、避免从众的场景，如标题创意、方案构思、产品命名等。
   

Octo 的多协作模型不仅聚合 Bot，更规定了信息流转拓扑：不同任务匹配不同模式，系统确保信息沿正确路径流动。相比飞书或 Slack 群聊中「全员可见」的扁平结构，Octo 能实现更精细的隔离——「该互见时互见，该互盲时互盲」。

这意味着 Octo 对协作的理解已超越「多人聊天」，涵盖空间划分、权限边界、上下文继承、过程追踪、任务拆解、反馈沉淀及最终验收。人类过去依赖项目管理、知识库、IM、文档与会议完成的协作骨架，在 Agent 加入后得以重构。

拆解 Octo：四大核心能力

从产品形态看，Octo 让 Agent 像组织成员一样嵌入工作流：
* IM 承载交互
* 空间/分组/频道搭建结构
* 语音提升输入效率
* 浏览器插件接入外部工具
* group.md 约束协作规范

1. 结构层：清晰的协作关系

空间（Space）、分类（Category）、频道（Channel）与话题（Thread）构建了清晰的协作层级。任务在特定空间中提出，携带明确上下文（面向目标的工作区、群聊频道、子区话题）。新消息不会迅速被淹没，而是自然沉淀为可跟进、可回溯的事项。

Octo 协作关系展示

2. 入口层：极简交互与智能语音

私聊与语音简化了进入系统的方式。私聊让人与 Agent 在统一上下文中沟通，无需学习新交互即可交付任务与获取结果。

针对输入瓶颈，Octo 引入智能语音输入。这不仅将声音转为文字，更是一个持续进化的系统：
* 上下文修正：结合对话语境优化转写准确率与逻辑性。
* 专有名词学习：高频出现的人名、公司名、行业术语识别更准。
* 操作交互：支持语音 @他人、修改内容或删除输入，语音成为可操作的交互方式，直接嵌入协作流程。

语音输入

3. 环境接入层：上下文桥接器

通过内置浏览器插件，用户可通过 Cmd + K无缝接入外部工具。选中网页、文档或代码片段，链接、标题及选中文本自动带入上下文。Bot 无需用户脱离现有工作流，即可在旁参与协作，精准理解当前环境与问题。

浏览器插件

4. 行为规范层：GROUP.md

真正的分水岭在于让 AI「行为可控」。GROUP.md相当于给 Bot 看的行为准则，明确群聊定位、协作模式与边界。所有 Bot 在遵守规则前提下执行，确保讨论高效有序。切换 GROUP.md即可让同一 Bot 调整工作模式，「进什么庙，念什么经」。

此外，Octo 支持多端补全：Web、移动端、浏览器插件与 CLI 共同构成入口。CLI 尤其关键，它连接端侧环境与私有化部署，让本地模型、文件及运行环境融入协作体系。

O.C.T.O.：四维一体，缺一不可

Octo 的产品能力对应其名称背后的四个维度：

• O - Open（开放生态）：支持 OpenClaw、Codex、Claude Code、Cursor 等不同 Runtime 的 Agent 以统一身份接入。
• C - Context（共享上下文）：IM 讨论收敛为结构化知识，项目上下文在 Agent 间共享，任务过程可追溯。
• T - Taste（偏好进化）：实战反馈沉淀为偏好，主人品味与判断方式被结构化留存与调用。
• O - Orchestration（多 Agent 编排）：六种协作模式对应六种信息拓扑，不同 Bot 携不同偏好参与同一任务，合力完成复杂工作。

这四个维度共同构成 Octo 的完整能力，而 Matter是承载 Context、Taste 与 Orchestration 的共同基座。没有 Matter，Context 将散落于聊天记录，Taste 将缺乏反馈来源，多 Agent 编排也将失去可追溯的过程与结果。

Octo 旨在将协作转化为组织资产，争夺企业在 Agent 时代最关键的核心资产：自己的上下文、判断标准及做事方法。

这种尝试不仅连接 Agent，更悄然改变组织内部知识流动与协作方式。它并未走向极端，而是保留人的不可替代性——Taste、隐性知识、判断力仍由个体掌握，并通过协作过程得以彰显与传递。即：能力可以共享，但判断不会被抹平。

这引出一个根本问题：AI 时代，企业真正的长期竞争力源自何处？

当模型能力趋同，竞争力更多来自企业独有的 Context、Taste 与 Skill。这些无法复制、不应流失的要素，才是组织在 AI 协作中的真正「护城河」。

因此，数据主权问题变得不可回避：上下文、判断信号与执行记录归谁所有？Octo 的答案是：走私有化路径，通过开源支持本地部署。

通过 CLI 接入端侧模型与本地环境，工作流产生的上下文、决策过程与执行结果均留存于端侧，沉淀为组织掌控的资产。聊天数据、协作产出、Bot 记忆均保留在企业自有服务器中，成为企业独享的 AI 资产。

在 Octo 的产品哲学中，Context是 AI 理解任务的土壤，Taste是校准方向的罗盘。Octo 并非将人的隐性能力蒸馏为平台资产，而是在尊重数据边界的前提下，放大、记录与传承这些能力。

这与明略科技坚持的 Trustworthy AI（可信 AI）方向高度一致：构建面向端侧智能、私有化部署与人机协作的新一代基础设施——能力流动，但数据不外流；协作展开，但控制权留在组织内部。

对企业而言，Private AI 不仅是本地化部署，更是数据主权、知识主权与协作主权的回归。
对个人而言，被放大的价值是 Taste——「我品故我在」：当 AI 接管思考，人的判断力、鉴赏力与创造力反而成为存在的意义本身。

支撑这一切的底座是 Trustworthy AI：开源、白盒、可审计。只有当 AI 的能力来源、运行过程与协作边界足够透明，人才敢将「思」交给它们，把「品」留在自己手里。

Octo 的探索虽处早期，但轮廓已清晰：当 Agent 深入分工体系，真正决定效率的，是那些无法标准化、也不应外流的东西——组织自己的上下文，与人自己的判断。

文中视频链接：https://mp.weixin.qq.com/s/rB51LZBmrUNTPDAjw017qA