OpenUs Lab 深度测评|Octop:自托管多 Agent 平台

OpenUs Lab 深度测评|Octop,自托管多Agent平台,不止是聊天,能操控整台电脑

实验室:OpenUs Lab 测评日期:2026-10-13 项目地址:GitHub - TencentCloud/Octop: A smarter, self-hosted AI assistant — multi-user, multi-agent. · GitHub 开源协议:MIT 前置说明:本次测评基于官方 README_CN.md 文档 + 连续7天本地实测,覆盖部署、架构、多专家、工具能力、安全边界与真实业务场景。

前言

当前AI Agent赛道,大量项目还停留在“对话+插件”的浅层工具调用。很多Agent只能在对话框里输出文字,无法真正操作浏览器、终端、文档系统。而Octop(前身LightClaw ACE),定位是面向个人、家庭、小团队的本地优先、可自托管多智能体平台,名字取自章鱼Octopus,寓意多触手并行执行多项任务。

OpenUs Lab长期跟踪开源Agent生态,我们本次测评核心关注点:

  1. 是不是真的做到数据本地留存、无厂商锁定;
  2. 多专家(Agent)隔离、任务持久化、中断恢复能力;
  3. 浏览器自动化、终端执行、ACP编程代理的落地效果;
  4. 安全防护机制是否足以抵御高危命令与越权访问;
  5. 适用边界,哪些场景适合,哪些场景仍有短板。

一句话结论:Octop是国内为数不多成熟度较高的可操作计算机的自托管Agent平台,不是单纯对话机器人。它更像私有化部署的数字员工调度中心,适合小团队、独立开发者、自动化爱好者;但它仍属于快速迭代项目,生产环境上线前必须做好安全加固。

一、核心概念解读(来自官方README)

Octop的整套模型有四个核心组件:专家、通道、连接器(技能)、工作区。

1. 专家(Expert,即Agent实例)

专家就是独立AI助手,是Octop最核心的抽象。

  • 每个专家拥有独立工作区目录,生成的文件、知识库、记忆隔离;

  • 独立LLM配置,不同专家可以绑定不同大模型(Qwen、Kimi、Claude、OpenAI兼容接口均可);

  • 可单独配置人格、系统提示词、启用/禁用技能;

  • 内置大量预制专家模板:运维工程师、文档整理专家、数据采集、证券观察员等,开箱即用。

    关键亮点:记忆绑定在工作区,而不是绑定模型。你随时切换LLM服务商,历史对话、任务记忆、知识库不会丢失,工作区支持打包迁移。

2. 通道(Channel)

通道是专家对外接收指令的消息入口,相当于交互网关。 支持Web控制台、飞书、企业微信、Telegram等IM通道。一条通道可以挂载多个专家,你可以直接在聊天软件下发任务,远程调度Agent操作本机电脑。

3. 连接器 / 技能(Connector / Skill)

就是章鱼的触手,标准化插件体系,基于MCP与OAuth扩展,新增数据源不用修改Agent内核:

  • 浏览器自动化:基于CDP协议,持久保存浏览器登录态,自动访问网页、填表、翻页、截图取证;
  • 终端Shell执行:在宿主机/沙箱内执行命令,带命令黑名单防护;
  • ACPRunner(ACP代理):Octop标志性特性,可以把编程任务委派给外部编程Agent,如Cursor、Claude Code、OpenCode、Kimi Code;也支持反向调用,编辑器内直接调用Octop专家,打通编码与系统自动化流程;
  • 文件读写、截图、定时任务、RAG知识库;
  • 官方内置连接器:腾讯文档、腾讯会议、Notion、邮箱等。

4. HarnessProcessor 调度核心 & 持久化存储

Octop采用单进程架构,HarnessProcessor统一调度Web控制台、IM消息、定时任务、工具调用。 所有任务状态、对话记录、元数据持久化在本地SQLite数据库 ~/.octop/octop.db;重启进程后,未完成任务可以继续执行,不会丢失上下文。 高可用场景可以替换为PostgreSQL。配置、密钥、对话历史默认存储本机目录,默认不上传第三方服务器,本地优先是它的核心设计理念。

二、部署实测:安装、启动与Web控制台

环境

测试机:Ubuntu22.04,Python 3.11;Windows11、MacOS也做了验证。 两种部署路径:Python包安装 / Docker Compose。

方式1:uv pip 快速部署(推荐测试)

uv pip install octop
octop init    # 初始化数据库,创建管理员账号
octop run     # 启动服务

启动后访问 [http://127.0.0.1:8088](http://127.0.0.1:8088),进入Web管理面板,默认端口8088。面板可以管理专家、通道、模型密钥、任务日志、查看Agent执行记录。

方式2:Docker Compose

docker compose -f deploy/docker-compose.yml up -d

适合服务器、NAS长期驻机运行。

实测感受:部署链路简洁,没有一堆复杂中间件依赖。单进程设计降低运维成本,个人玩家、小团队上手门槛低于很多多Agent编排框架。

三、场景实测(OpenUs Lab测试用例)

我们设计4组典型任务,验证Octop能力上限。

场景1:网页数据采集 + 自动归档

指令:打开某行业公开榜单网页,遍历分页,抓取表格数据,清洗后导出Markdown表格保存到工作区,截图留存页面证据。 :white_check_mark:表现:浏览器CDP自动化稳定,登录态持久,自动翻页,抓取后保存文件到专家独立工作区;任务中途重启Octop,任务可继续执行。 :warning:局限:复杂JS渲染、强反爬网站,仍会失败,和常规爬虫限制一致。

场景2:运维小任务,Shell命令执行

指令:统计日志文件夹大小,过滤错误日志,输出摘要报告。 :white_check_mark:表现:支持执行shell,工具防护黑名单拦截rm -rf /等高危命令;支持自定义安全规则。 :warning:风险提示:一旦开放公网访问,Shell执行通道是高危入口。即使有防护,依然建议开启人工审批机制,生产环境尽量用Docker沙箱隔离专家工作区。

场景3:ACP编程代理,代码重构任务

指令:读取本地Python项目,重构接口函数,增加参数校验,输出改动清单,由人工验收。 :white_check_mark:表现:Octop将复杂编码任务委派给外部Code Agent,Octop负责任务规划、文件读写、版本查看,编码交给专业编程智能体,各司其职。

这是Octop非常独特的设计思路:不试图让一个大模型包揽所有事,而是作为调度平台,按需委派给不同专家/外部Agent。

场景4:定时任务 + IM通道触发

配置:每日早上9点,自动抓取行业快讯,整理摘要,推送至飞书群。 :white_check_mark:表现:定时任务由Harness统一调度,任务状态入库,崩溃重启后定时任务不会丢失。

四、架构优势(OpenUs Lab总结)

  1. 本地优先、隐私可控,MIT开源可二次开发 所有对话、密钥、文件默认保存在本机,不强制上传云端。可以私有化内网部署,适合敏感资料处理场景。MIT协议,企业可以自由二次改造。
  2. 多用户、多专家强隔离 一套服务,多账号,每个专家独立工作区、独立权限、独立模型配置。适合小团队共享一台服务器,每个人拥有自己的数字助手,互不干扰。配套ACL权限、Token额度管控,多人场景下防止资源滥用。
  3. 任务可中断恢复 很多开源Agent一旦进程退出,任务直接作废。Octop把任务状态持久化sqlite,进程重启之后,Agent可以接着上次的状态继续执行长周期任务,适合长时间运行的数据采集、批量处理。
  4. MCP+连接器插件化,扩展性强 新增外部工具、数据源,通过MCP Server或者OAuth连接器接入,不需要修改核心调度逻辑。生态可以持续扩展,不限于腾讯系产品。
  5. ACP跨Agent协作架构 打破Agent孤岛,Octop作为总调度,把编程、网页、文档等不同类型任务分发给最合适的专用Agent,而不是单一大模型硬扛全部工作。

五、短板与风险(客观测评,重点提醒)

OpenUs Lab测评原则:不吹不黑,风险前置。

  1. 项目处于快速迭代期,生态还在建设 Octop 1.0虽然已经GA,但社区规模、第三方连接器数量、案例库少于Dify、LangGraph这类成熟项目;部分高级功能文档细节偏少,排错需要读源码。
  2. Shell终端执行存在安全风险 工具黑名单只能拦截已知高危命令,无法覆盖所有恶意指令。绝对不要无认证暴露公网。官方推荐开启人工审批、沙箱容器隔离专家环境,不要直接在宿主机root权限下运行。
  3. 大模型需要自备 Octop本身不内置LLM,你需要自行准备OpenAI/通义千问/千问/DeepSeek等模型API Key,token成本由使用者承担。本地Ollama模型也可以接入,但复杂Agent规划任务对模型能力要求高。
  4. 长链路复杂规划仍会出错 多步骤复合任务,Agent依然会出现规划漂移、循环重试。和所有Agent项目一样,它不是全自动万能机器人,复杂任务依然需要人工干预、断点验收。

六、横向对比:Octop vs 同类Agent平台

项目 定位 核心差异 适合人群
Octop 自托管多专家计算机操作Agent 可操作浏览器/终端,任务持久恢复,ACP跨Agent委派,多用户隔离 个人开发者、小团队、私有化自动化
Dify LLM应用开发平台 偏向RAG、对话应用,缺少原生计算机操作能力 知识库、聊天机器人
OpenManus 本地计算机Agent 侧重单Agent本机操作,多用户、多专家调度弱 个人单机自动化
Coze 低代码Bot平台 SaaS为主,自托管版能力受限,数据上云 快速搭建对话Bot

Octop的差异化:兼顾多用户管理 + 真实电脑操作 + 任务持久恢复,在国内开源Agent里定位很独特。

七、适用场景 & 不推荐场景

:white_check_mark:推荐使用场景

  • 个人私有化AI数字员工,本地文件处理、网页自动化、定时报告;
  • 小团队内网部署,多人共享,各自独立专家助手;
  • 研发自动化:代码辅助、日志巡检、文档批量整理;
  • NAS/家庭服务器常驻后台,7×24小时轻量自动化任务;
  • 研究人员做多Agent编排、MCP连接器二次开发。

:cross_mark:不推荐场景

  • 面向公网无防护直接部署(高危);
  • 超高并发企业级生产业务(尚未经过大规模生产验证);
  • 完全不懂Linux/命令行,不想排查问题的纯小白;
  • 只需要简单问答、知识库检索(Dify更轻量)。

八、OpenUs Lab 测评打分

  • 架构设计::star::star::star::star::star:(单进程持久化、多专家隔离、MCP插件体系设计优秀)
  • 能力完整性::star::star::star::star:(浏览器、shell、ACP编程、定时、RAG齐全)
  • 上手体验::star::star::star::star:(部署简单,Web控制台友好,预制专家模板)
  • 安全机制::star::star::star:(有防护,但Shell执行风险高,必须手动加固)
  • 生态文档::star::star::star:(核心文档完善,社区案例偏少) 综合评分:8.2 /10

九、结语

Octop代表国内开源Agent一个很有价值的方向:不再局限“对话问答”,而是把AI变成可以直接操作计算机资源、跨工具协作的私有化数字员工集群。 依托HarnessProcessor持久化调度、多专家隔离、ACP跨Agent委派三大设计亮点,它非常适合需要本地数据隐私、长期自动化任务的个人与小团队。

但我们在OpenUs Lab也要强调:Agent具备操作系统访问权限,这是强大能力,也是巨大风险。能力越强,安全约束越不能省略。上线前务必开启命令审批、容器沙箱、强身份认证,禁止裸奔公网。

如果你正在搭建私有化Agent实验室,想要一台机器上同时跑多个独立数字助手,Octop值得深度测试;但不要幻想开箱即用、零干预全自动完成所有复杂业务。Agent的时代才刚刚开始,Octop是值得持续跟进的国产开源标杆项目。

OpenUs Lab 专注开源AI Agent、多智能体架构、本地私有化大模型工程测评与底层原理研究。