在过去一年，Agent 生态进入爆发期。
几乎每个月都有新的框架、新的编排系统、新的多代理架构出现。
有的强调“多智能体协作”，有的强调“工作流编排”，有的主打“低代码”。
但当你真正开始部署、长期运行、接入真实数据时，很快会发现一个问题：
大多数 Agent 框架，更像“对话工具”，而不是“操作系统”。
这也是 OpenFang 出现的背景。
作者在producthunt发布:
大家好，我是 Jaber，我开发了 OpenFang，因为我尝试过的所有智能体框架本质上都只是聊天机器人的封装。你输入内容，它回复，你再输入。这不是自主性，这只是对话。我想要的是能够按时“上线”，完成工作，并在无需我守候的情况下汇报结果的智能体。所以我开发了 OpenFang！
一、OpenFang 是什么？
官方定位非常明确：
OpenFang 是一个开源的 Agent 操作系统。
它不是：
- 聊天机器人框架
- LLM 的 Python 封装
- 多 Agent 编排器
它是一个完整的自主代理操作系统，完全使用 Rust 从零构建。
几个核心数据：
- 137,728 行 Rust 代码
- 14 个 crate
- 1767+ 单元测试
- 0 个 Clippy 警告
- 单一约 32MB 二进制文件
安装方式极其简单：
curl -fsSL https://openfang.sh/install | sh
openfang init
openfang start
或者 Windows：
irm https://openfang.sh/install.ps1 | iex
openfang init
openfang start
启动后，Dashboard 运行在：
http://localhost:4200
一次安装，一个二进制文件，立即可运行。
这背后的意义是：
Agent runtime 正在向“轻量化 + 本地可部署”演进。
二、从“对话式 Agent”到“自主操作系统”
大多数框架的工作方式是：
你输入指令 → Agent 执行 → 返回结果
而 OpenFang 的逻辑是：
你设定目标和排程 → Agent 24/7 自主运行 → 定期汇报
它更像在部署一个机器人，而不是和一个助手聊天。
三、核心创新：Hands（自主能力包）
OpenFang 的核心概念叫：
Hands —— 真正“做事”的代理人
它不是一个 prompt，而是一整套可独立运行的能力模块。
每个 Hand 包含：
HAND.toml：声明工具、设置、权限和仪表板指标- 多阶段系统提示（超过 500 字的专家级操作流程）
SKILL.md：领域知识，在运行时注入上下文- 审批防护机制（如购买操作必须确认）
- 编译进二进制文件，无需 pip、无需 Docker
用法命令：
openfang hand activate researcher
openfang hand status researcher
openfang hand activate lead
openfang hand pause lead
openfang hand list
7 个内置自主能力包（Hands）
官方内置 7 个 Autonomous Hands（保留英文原名）：
- Researcher
- Lead
- Browser
- Coder
- Social
- Monitor
- Analyst
它们可以按计划运行，例如：
- 每天早上 6 点研究竞争对手
- 自动构建知识图谱
- 持续监控市场变化
- 自动生成潜在客户
- 自动发布或管理社交媒体
你不需要盯着它。
它自己运行。
四、架构设计：真正的操作系统思路
OpenFang 的架构是模块化内核设计：
openfang-kernel 调度、工作流、计量、RBAC、预算跟踪
openfang-runtime Agent 循环、3 个 LLM 驱动、53 个工具、WASM 沙箱
openfang-api 140+ REST/WS/SSE 接口
openfang-memory SQLite + 向量嵌入
openfang-hands 7 个自主 Hands 生命周期管理
openfang-desktop Tauri 2.0 原生桌面应用
openfang-migrate OpenClaw / LangChain 迁移引擎
核心特征：
- SQLite 持久化
- 向量记忆
- WASM 双计量沙箱
- Merkle 哈希链审计
- Ed25519 签名清单
- 16 层安全系统
这不是“库”，这是“内核”。
五、与 OpenClaw 等框架对比
这里我们对比几个主流框架：
- OpenClaw
- ZeroClaw
- CrewAI
- AutoGen
- LangGraph
1️⃣ 冷启动时间
- OpenFang：约 180ms
- OpenClaw：约 6 秒
- CrewAI / AutoGen / LangGraph：2.5–4 秒
Rust + 单二进制的优势非常明显。
2️⃣ 内存占用
- OpenFang：约 40MB
- OpenClaw：约 394MB
- Python 生态大多 180MB 以上
这意味着：
可以长期运行，不占用大量系统资源。
3️⃣ 安全系统数量
OpenFang：16 层
OpenClaw：3 层
其他框架：1–6 层不等
包括：
- WASM 双计量沙箱
- 信息流污染追踪
- 提示词注入扫描
- GCRA 速率限制
- 路径穿越防护
- 会话修复机制
- Merkle 哈希审计链
它不是事后加安全。
它从设计之初就是防御纵深结构。
4️⃣ 设计哲学差异
OpenClaw 路线：
“你的 AI 助理团队”
- 每个 agent 有记忆
- 有人格
- 有 workspace
- 像在管理 remote team
你通过对话管理它们。
OpenFang 路线：
“自主任务执行产线”
- 排程驱动
- 长时间运行
- 自动汇报
- 不需要持续对话
像在管理一条自动化生产线。
本质区别：
你是想管理一个“有个性的团队”，还是部署一条“全自动机器人产线”？
六、本地化与可控性的意义
OpenFang 用 Rust 写成 32MB 单文件，这件事的意义远大于“性能”。
它意味着：
- 可以部署在个人机器
- 可以部署在边缘设备
- 可以完全控制数据
- 不必依赖肥大的云端 SaaS
在 Agent 时代，代理会接触：
- 你的邮件
- 你的笔记
- 你的决策逻辑
- 你的商业数据
这些东西如果全部放在云端，我们真的没有选择吗？
OpenFang 代表的是：
本地 AI 基础设施的成形。
自己跑 LLM
自己跑 TTS
自己跑 Agent
自己掌握数据
七、OpenAI 兼容 API
它支持 OpenAI 兼容接口：
curl -X POST localhost:4200/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "researcher",
"messages": [{"role": "user", "content": "Analyze Q4 market trends"}],
"stream": true
}'
可以直接替换现有工具。
八、总结
OpenFang 并不是又一个 Agent 框架。
它在做的事情是：
把 Agent 从“聊天工具”变成“操作系统”。
生态正在分裂成两条路线：
- 人格化多 Agent 协作（OpenClaw 等）
- 自主任务执行系统（OpenFang）
底层逻辑是同一件事：
Agent 不是工具，是员工。
你不是在“使用”它。
你是在“管理”它。
官方资源
GitHub仓库：
https://github.com/RightNow-AI/openfang
Agent 时代的基础设施正在快速成形。
而 OpenFang，很可能是其中最具“操作系统气质”的一员。
文章评论