一句话总结：DeepLearning.AI 创始人吴恩达在 GitHub 扔了一个开源项目，让你的 Mac 桌面上多了一个能连接 Slack、Jira、GitHub、日历的真正干活的 AI 同事。不是聊天，是交活。
—
先泼盆冷水：它不是来陪你聊天的
过去这一年，AI 工具越出越多，但大部分还停留在”你问我答”的对话框里。你问一句，它回一段。想要个东西？自己复制粘贴，再打开别的软件鼓捣半天。
吴恩达显然看不下去了。
7 月 24 日，他在 LinkedIn 上低调宣布推出 OpenWorker，定位非常直白：“交付成品，而非陪聊。”（Deliver finished work, not just chat.）
这个项目在 GitHub 上线不到两天就收获了 3700 多颗 Star。对于一个桌面级 Agent 来说，这个起步速度说明了很多问题。
—
OpenWorker 到底是干嘛的？
简单来说，OpenWorker 是一个常驻你桌面的 AI 同事。你告诉它”帮我准备一份客户简报”，它会自己去你的文件、邮件、日历里翻材料，最后生成一份可以直接打开、修改、分享的文档。
它不是生成一段文字让你复制，而是直接输出一个文件。
核心能力有这几块：
| 能力 | 具体表现 |
|——|———|
| 交付成品 | 文档、表格、报告、网页，直接生成文件 |
| 工具联动 | 连接 GitHub、Slack、Jira、Notion、Gmail、日历等 25+ 工具 |
| 定时任务 | 每天早上 8 点自动出简报，每周五下午出周报 |
| Slack 集成 | 在频道里 @OpenWorker，它就在桌面端处理，回复以线程形式发回 |
| 执行前确认 | 发消息、改日历、跑命令前都会停下来问你 |
| 模型自由选 | GPT 5.6、Claude、Gemini、Kimi、DeepSeek，甚至本地 Ollama |
特别值得说的是最后一点。OpenWorker 不绑任何一家模型，你自己带上 API Key，想用谁就用谁。今天 Claude 好用就用 Claude，明天 GPT 降价了就换 GPT。这一点比很多封闭生态的 Agent 工具厚道多了。
—
安装：Mac 用户现在就能用，Windows 稍等
目前 OpenWorker 的状态是公开测试版（Open Beta）。macOS 版本已经可以直接下载，Windows 版本也在路上了。
macOS 安装（Apple Silicon）
- 打开 下载页面，获取 DMG 安装包
- 双击安装，拖入应用程序文件夹
- 首次打开时 macOS 可能会提示”无法验证开发者”，去系统设置 > 隐私与安全性里放行即可
- 安装包已签名并经过公证，支持自动更新
Windows 安装（10/11）
Windows 版本已经放出测试包，适配 Windows 10 和 Windows 11，但尚未完成代码签名。安装时 Windows SmartScreen 会弹警告，需要手动放行。正式版应该很快会来。
源码运行（开发者可选）
如果你是开发者，也可以从源码跑起来：
# 克隆仓库
git clone https://github.com/andrewyng/openworker
cd openworker
# 初始化 Python 虚拟环境（Python 3.10+ 要求）
bash packaging/setup_dev_env.sh
# 启动本地 Agent 服务
.venv/bin/openworker-server --cwd ~/some/project --port 8765
# 另开一个终端，启动前端 UI
cd surfaces/gui
npm install
npm run dev这个项目基于吴恩达团队的 aisuite 库构建，底层是 Python 处理 Agent 逻辑，前端用 React + Tauri 做了桌面外壳。技术栈很干净，想二次开发的可以大胆动手。
—
第一步：配置你的模型
打开 OpenWorker 后，第一件事是添加模型。
点击设置里的”模型”选项卡，你会看到一个 Provider 列表。支持的厂商不少：
- 闭源大厂：OpenAI（GPT 5.6）、Anthropic（Claude Fable/Fable 5）、Google（Gemini 3.6）
- 国产模型：Kimi、DeepSeek、GLM（智谱）、Qwen（千问）、MiniMax
- 其他：Mistral、Grok（xAI）、Inkling（Thinking Machines）
- 本地模型：通过 Ollama 接入，完全离线运行
- 聚合平台：Together、Fireworks
选一个 Provider，填入你的 API Key，测试连接成功就行了。可以随时切换，也可以同时配置多个 Provider，按需选用。
如果你本地已经用 Ollama 部署了模型，直接指向 http://localhost:11434 就能接入。这对数据敏感或者有离线需求的场景特别实用。
—
第二步：连接你的工具
OpenWorker 的真正价值在于跨工具协作。它内置了 25 种以上的连接器，涵盖了我们日常工作里的大部分工具：
- 沟通：Slack、Outlook、Gmail
- 项目管理：Jira、Linear、monday.com、Notion
- 代码：GitHub
- CRM：HubSpot
- 日历：Google Calendar
- 文件：本地文件系统、终端
连接方式通常是 OAuth 授权，点一下跳转到对应网站登录确认就行。你的连接器 Token 和 API Key 默认存在本地，不会上传到云端。
如果你需要连接的工具不在列表里，还可以用 MCP（Model Context Protocol）自行接入。OpenClaw、Claude Code 的 MCP 生态在这里也能复用。
说到这，你可能已经发现了——OpenWorker 的玩法和 OpenClaw Skills 有点像，都是给 AI 装上工具手臂。区别在于 OpenClaw 更偏向编程和代码编辑器的场景，而 OpenWorker 面向的是整个桌面办公环境。
—
五个真实场景，看看它怎么干活的
光说不练假把式。下面这五个场景是我根据 OpenWorker 的特性和实际工作流程设计的，你可以直接抄作业。
场景一：早上来一封”今日简报”
任务：每天早上 8 点，自动汇总昨晚 Slack 的关键消息、今天的日历安排、GitHub 上的新 Issue，生成一份 Markdown 简报发到桌面。
操作步骤：
- 打开 OpenWorker，新建一个自动化（Automation）
- 设置触发条件：每天早上 8:00
- 输入指令：”检查 Slack 的 #engineering 和 #product 频道昨晚的新消息，结合今天的日历安排和 GitHub 上新开的 Issue，生成一份简报”
- 设置输出方式：保存为本地文件，命名为
brief-YYYY-MM-DD.md - 开启执行前确认（涉及 Slack 消息查询时可选，纯读操作可以关闭）
实际效果：每天到公司，桌面上已经有一份整理好的 Markdown 文件，里面是你需要知道的重点。不用挨个软件切换。
场景二：准备客户会议材料
任务：下周一要见客户，需要一份包含客户背景、历史沟通记录、当前项目进度的简报。
操作步骤：
- 在 OpenWorker 里输入：”准备 [客户名] 的客户简报，从 HubSpot 拉取客户信息，从 Gmail 和 Slack 找出最近的沟通记录，从 Jira/Notion 汇总项目进度，生成一份结构化的客户简报”
- OpenWorker 会自动拆解任务，依次查询各工具
- 涉及写操作时（如生成文档），它会询问确认
- 最终输出一份 Markdown 或 PDF 文件
关键点：你不需要手动打开 HubSpot、Gmail、Slack、Jira 四个页面，复制粘贴再整理。它自己跑完整个流程。
场景三：周五下午自动生成周报
任务：每周五下午 5 点，基于本周 GitHub 提交、Jira 完成项、Slack 讨论生成周报草稿。
操作步骤：
- 新建自动化，触发条件：每周五 17:00
- 指令：”生成本周周报。从 GitHub 拉取本周合并的 PR 和提交记录，从 Jira 拉取本周完成的任务，从 Slack 的 #weekly-sync 频道提取讨论要点，整理成周报格式”
- 设置审批：涉及写操作需要确认（可以设为每周自动执行读操作，生成草稿后人工微调再发）
- 输出：保存为
weekly-report-YYYY-MM-DD.md
效果：周五下班前，周报草稿已经在桌面上了。你只需要花 5 分钟改改措辞，就能发了。
场景四：在 Slack 里召唤它
场景：同事在 Slack 里问你”这个月的活跃用户数据在哪看”，你直接 @OpenWorker 让它找。
操作步骤：
- 确保 Slack 连接器已配置
- 在 Slack 频道里输入：”@OpenWorker 从 HubSpot/数据库里拉一下本月活跃用户数据，整理成一份简要报告”
- OpenWorker 在桌面端启动会话，访问你的工具
- 处理完成后，在 Slack 线程里回复结果
注意：Slack 里的 @OpenWorker 只是触发器，实际的数据处理发生在你本地的 OpenWorker 里，不会把敏感数据传到不明地方。
场景五：完全离线运行，数据不出本机
任务：处理公司内部敏感文档，不能走云端模型。
操作步骤：
- 本地用 Ollama 运行一个模型，比如 Llama 4 或者 Qwen 3.8
- 在 OpenWorker 的模型设置里选择 Ollama，指向
http://localhost:11434 - 所有任务都在本地处理，文件读取、文档生成都不离开你的机器
- 连接器可以只连接本地工具（本地文件、终端），或者连接内网服务
这个场景对金融、法律、医疗等数据敏感的行业特别重要。你可以把它看作一个本地化的 AI 工作助理。
—
汉化：已经有好心人帮你铺好路了
目前 OpenWorker 的界面是全英文的，而且硬编码了 500 多条 UI 字符串，没有内置国际化。
但好消息是，社区里已经有人做了汉化包。GitHub 用户 simonlin000 把核心界面翻译成了中文，覆盖了侧边栏、设置页、连接器、收件箱、自动化等主要界面。
安装方式：
# 克隆 OpenWorker 源码和汉化包
git clone https://github.com/andrewyng/openworker
git clone https://github.com/simonlin000/openworker-zh-CN
# 应用汉化补丁（运行汉化包里的脚本）
cd openworker
bash ../openworker-zh-CN/apply_patch.sh
# 重新编译
npm install && npm run build
不想编译的话，作者也提供了预编译的 macOS ARM64 DMG 包，直接下载安装就行。
不过要注意，目前汉化覆盖率大约 80%，一些动态生成的字符串和后端返回消息还是英文。日常用用没问题，完美主义者可以等官方出中文。
—
执行前确认：这个设计救了我
让我多说两句 OpenWorker 的”确认机制”。
当 Agent 要执行任何有后果的操作时——发消息、改日历、写文件、跑命令——它会先停下来，弹出一个确认卡片告诉你”我打算做这件事，你看行吗”。
如果你不在电脑前，它不会擅自行动，而是把请求放进一个”待确认列表”，等你回来批准了再继续。
这个设计听起来简单，但它决定了 OpenWorker 能不能真正进入办公场景。一个 AI 同事可以勤快，但不能擅作主张。发错一条 Slack 消息、改错一次会议时间、删错一个文件，后果可能比它没帮你成事的后果严重一百倍。
这个思路和 扣子 2.5 的”可控 Agent” 理念很像——把最终控制权交给用户。
—
和其他 Agent 工具的横向对比
如果你已经在用其他 AI Agent 工具，可能会问：OpenWorker 和它们有什么区别？
| 工具 | 定位 | 最大优势 | 局限 |
|——|——|———|——|
| OpenWorker | 桌面办公 Agent | 跨应用交付成品、模型无关、本地优先 | 还在 Beta，Windows 未正式发布 |
| Claude Code | 编程 Agent | 代码能力极强、深度集成编辑器 | 主要面向开发场景 |
| ChatGPT Work | 跨应用智能体 | 生态广、插件多 | 绑定 OpenAI 模型 |
| Gemini Spark | 桌面 AI 智能体 | 原生文件访问、Google 生态 | 绑定 Gemini 模型 |
| WorkBuddy | 移动/桌面 Agent | 国产、微信生态、三端同步 | 依赖 WorkBuddy 生态 |
| 扣子 Coze | 云端 Agent 平台 | 低代码、插件丰富 | 云端运行，数据出境 |
OpenWorker 的独特价值在于“交付成品”这个定位。Claude Code 帮你写代码，ChatGPT Work 帮你整理信息，但它们很少直接生成一个可以独立打开、修改、分享的文件。OpenWorker 把这个闭环打通了。
另外，模型无关和本地优先这两个特性，在当前这个各家模型快速迭代的时代，是非常实用的设计。
—
适合谁？不适合谁？
适合
- 需要跨多个工具协作的职场人：你的日常工作涉及 Slack、日历、邮件、文档、项目管理等多个系统
- 对数据隐私有要求的人：本地优先，所有数据存在本机，可以选择完全离线的 Ollama 方案
- 不想被某个模型绑定的人：GPT 涨价了随时换 Claude，Claude 不好用了换 Kimi
- 喜欢折腾的开发者：MIT 开源，可以改代码、加连接器、做二次开发
不适合
- 只想问几个问题的人：ChatGPT 网页版就够了，没必要折腾桌面 Agent
- 纯 Windows 用户且怕麻烦：Windows 版还在路上，现在装需要手动绕过 SmartScreen
- 完全不想看英文界面的人：官方中文还没出，虽然社区汉化可用，但覆盖率 80%
—
三个上手小任务
如果你已经装好了 OpenWorker，不知道该从哪开始，试试这三个小任务：
任务一：整理桌面文件
“帮我整理桌面上的文件，按类型分类到文档、图片、下载三个文件夹里”
这是最简单的入门任务，不涉及任何第三方工具连接，纯本地操作。你会看到它怎么拆解任务、执行移动、确认操作。
任务二：生成明天的日程简报
“根据我明天 Google Calendar 上的安排，生成一份时间线简报，包括每个会议的议题和准备事项”
这个任务需要连接日历工具，你会体验到它如何跨工具读取信息并整理输出。
任务三：让 Agent 帮你回复一封邮件
“帮我起草一封回复 [某人] 关于 [主题] 的邮件，语气友好但专业，不要太长”
这个任务考验它的文本生成能力，以及你是否喜欢它的输出风格。不满意就调整指令再来一次。
—
写在最后
吴恩达做 OpenWorker，本质上是在推动 AI Agent 从”聊天框”走向”工作层”。
过去几年，他一直在强调 AI Agent 和工作流的重要性。从 DeepLearning.AI 的课程到各种演讲，他的判断始终没变：AI 的下一步不是更聪明的对话，而是更完整的工作交付。
OpenWorker 就是这个判断的一次实践。它不是最完美的产品——Beta 阶段还有粗糙的地方，Windows 版还没正式发布，中文支持也有待完善。但它把方向指得很清楚：AI Agent 应该能交付成品、应该让用户选择模型、应该把数据留在本地、应该在关键操作前请示人类。
这些设计哲学，比它当前的功能清单更重要。
如果你平时就用 Claude Code 写代码、用 OpenClaw Skills 扩展能力，那 OpenWorker 就是你在非编程工作场景里的另一个选择。它们可以共存——Claude Code 管代码，OpenWorker 管日常办公。
如果你还没用过任何 AI Agent 工具，那 OpenWorker 可能是一个不错的起点。毕竟它是开源的、免费的，而且背后站着吴恩达——一个从 Google Brain 到 Coursera，一直在降低 AI 使用门槛的人。
—
推荐阅读
—
本文信息基于 OpenWorker GitHub 仓库（andrewyng/openworker）及公开报道整理，截至 2026 年 7 月 26 日。项目处于公开测试阶段，功能可能持续变化。
发表回复