PaperClip AI：把多个智能体组织成一家公司

本文为中文改写与评论，原文作者 Codescrum，原文发布于 Medium，时间为 2026 年 6 月 1 日，原文链接：PaperClip AI: The Open-Source Framework That Turns AI Agents Into a Full Company。本文保留原文主要观点，并结合中文读者对 OpenClaw、Claude Code、Codex 和多智能体工作流的使用场景做了重新组织。

如果 OpenClaw 像一个会干活的员工，那么 PaperClip 更像一家可以管理这些员工的公司。

过去一年，很多开发者对 AI agent 的想象仍然停留在单个终端窗口里：打开一个 Claude Code、Codex 或 OpenClaw，让它做一件事，然后关掉。这个模式已经很有用，但一旦你真的开始把 agent 用在日常业务里，很快就会遇到一个朴素的问题：当你同时开了十几个甚至几十个 agent，会怎么管理它们？

你需要知道谁在做什么，谁卡住了，谁花了多少钱，哪些结果需要审核，哪些任务可以继续推进。如果每个 agent 都是一个孤立窗口，人的工作就会从“做事情”变成“盯窗口”。PaperClip AI 试图解决的正是这个问题。

PaperClip 不是新的 agent，而是组织层

PaperClip 是一个开源的多智能体编排框架。它的核心思路不是再造一个 agent，也不是替代 Claude Code、Codex、OpenClaw 或 Cursor，而是在这些 agent 之上加一层“公司结构”。

你可以把它想成一个带有组织架构、任务系统、预算、审批和仪表盘的控制台。你先定义一个公司目标，例如“把一个 AI 产品做到每月一百万美元收入”或“持续增长 newsletter 订阅数”。然后 CEO agent 根据目标拆解工作，提出招聘或分工方案，再把任务交给研究员、写作者、工程师、审稿人等不同角色的 agent。

这和传统 agent 框架的区别很关键。CrewAI、AutoGen 这类框架更关注“如何构建 agent 协作流程”；PaperClip 更关注“如何运行一个由 agent 组成的组织”。它关心的是目标、责任线、工作状态、预算、审批和持久记录。

为什么单个 agent 不够了

单个 agent 很适合完成明确任务，比如修一个 bug、写一个脚本、整理一份资料。但现实业务不是一串孤立任务，而是持续系统：今天的研究会影响明天的写作，今天的工程修改会触发测试和 review，下周的计划又依赖本周的结果。

当 agent 数量增加之后，真正困难的不是“让模型更聪明”，而是让所有 agent 在同一个目标下工作，并且能被人类管理。

技术上它是怎么工作的

PaperClip 本质上是一个 Node.js server 加 React UI。它可以本地运行，也可以部署到 VPS 或 Docker 环境中，作为一个 24/7 运行的 agent 控制平面。对普通用户来说，这不是一个“点开网页就能用”的无代码产品；你需要懂命令行、Node.js、环境变量、部署和基本安全隔离。

它的“bring your own agent”思路很有意思：PaperClip 不要求你只用某一种模型或某一种 agent。Claude Code、Codex、OpenClaw、OpenCode、Cursor、bash 脚本、HTTP webhook，理论上都可以被接入。只要一个工具能接收 heartbeat、执行任务、返回状态，它就可以成为组织里的一个员工。

从官方仓库看，PaperClip 把系统拆成几个关键模块：身份与权限、组织结构与 agent、任务系统、heartbeat 执行、工作区、治理审批、预算、例行任务、插件、密钥存储、活动日志和公司模板导入导出。换句话说，它不只是一个漂亮界面，而是在补齐“长期运行 agent 公司”需要的操作系统。

任务不是聊天，而是 issue

PaperClip 的工作方式更接近 Jira、Linear 或 GitHub Issues，而不是聊天框。你创建一个 issue，写明描述、优先级和负责人。负责人可以是某个专门 agent，也可以交给 CEO agent 来分配。

任务会在看板中流转：backlog、to do、in progress、in review、blocked、done。这里最重要的是 blocked 状态。一个成熟的 agent 系统不能只会“继续尝试”，还必须知道什么时候停下来求助。

例如，工程 agent 发现缺少 API key，研究 agent 找不到可靠来源，营销 agent 无法访问邮件平台，这些都应该变成明确的阻塞项。人类解决阻塞后，再让 agent 接着执行。这样，人不必盯着每一步，但仍然保留关键控制权。

真正的杠杆在系统提示词

原文里有一个很重要的判断：PaperClip 公司能不能真的产出有用工作，很大程度取决于 agent 的系统提示词。

默认情况下，很多 agent 会偏被动。没有明确任务时，它们会说“没有什么可做”。但如果你把 CEO agent 的 heartbeat 协议写清楚，它就会像运营者一样行动：先检查当前状态，再查看完成的工作，然后给空闲 agent 分配任务，最后检查指标并调整策略。

专业 agent 也一样。研究员要知道查哪些来源、输出什么格式、何时交给写作者；工程师要知道必须开 feature branch、不得直接推 main、修改后必须跑测试；审稿人要知道什么标准算通过。多智能体系统的可靠性，很大一部分来自这些流程被写进角色和规则，而不是临场发挥。

预算和安全边界不能省

多 agent 系统最容易被低估的风险是成本和权限。一个单独 agent 跑偏，最多浪费一次任务；一组自动运行的 agent 跑偏，可能会在一晚上消耗大量 token、改错文件、创建错误任务，甚至把错误同步到业务系统。

PaperClip 的预算功能因此很关键。每个 agent 可以有月度预算，达到上限后自动暂停。如果你使用 API 计费模型，这能防止 runaway loop。如果你使用 Claude Code Max、Codex 等订阅型工具，问题会从 token 成本转向登录、容器授权、运行隔离和操作审计。

更实际的建议是：不要一开始就在个人主力电脑上跑全自动 agent 公司。更稳妥的做法是在 VPS、Docker 或隔离工作区里运行，把密钥、文件系统权限、网络访问和部署权限都收紧。agent 越能干，越需要边界。

PaperClip 的机会和门槛

PaperClip 的价值在于，它把一个越来越明显的问题讲清楚了：未来不是一个人对一个聊天框，而是一个人管理一组智能体，让它们围绕共同目标协作。

但它现在也有明显门槛。第一，它更适合技术型创始人、开发者和愿意折腾 DevOps 的团队。第二，它要求使用者会设计组织结构和流程，而不只是会写 prompt。第三，多 agent 编排还没有完全成熟，agent 仍然会卡住，仍然需要人类解锁、调 prompt、审结果。

这也是为什么我更愿意把 PaperClip 看成一个方向，而不是一个所有人都该立即采用的消费级产品。它的启发意义可能比当前产品成熟度更大：当 agent 变成劳动力，最稀缺的能力就从“调用模型”变成“设计组织”。

对中文读者的启发

如果你已经在用 OpenClaw、Claude Code、Codex 或 Dobby 这类智能体平台，可以从 PaperClip 的模型里学到三件事。

1. 不要只堆 agent，要先定义目标、角色和验收标准。
2. 不要只看单次输出，要看任务状态、成本、阻塞和审计记录。
3. 不要幻想完全自动化，要设计好人类介入点。

特别是对内容、研究、开发、投研和运营这类重复性工作，PaperClip 的“公司化 agent”思路很有参考价值。你可以不马上部署 PaperClip，但可以先把自己的工作拆成 CEO、研究员、写作者、工程师、审稿人这些角色，再用 Dobby 或其他 agent 平台逐步自动化。

结语

PaperClip AI 真正有意思的地方，不是它又多接入了一个模型，而是它把 agent 的问题从“个体智能”推进到了“组织智能”。

单个 agent 能完成任务；一组有结构、有预算、有审计、有 heartbeat 的 agent，才可能长期经营一个流程。未来的 AI 工作流，很可能不是你打开一个聊天窗口，而是你管理一个由智能体组成的小公司。

PaperClip 官方开源仓库：github.com/paperclipai/paperclip。项目采用 MIT License。Dobby 智能体平台：dobby.now。