从亚马逊 Tech Lead 岗离职后，我做了个开源平台，让 Agent 实现跨框架协作
运营小丸子约 10 分钟有趣产品咖啡馆 Funny café ：一个能让你更快接触到更多新鲜有趣好玩产品的地方。我会寻找市面上有趣的独立产品，向独立开发者们进行一对一的访谈，挖掘优质产品背后不为人知的故事（文末可加入群聊，有彩蛋！）。
1、可以先介绍下自己，作为创始人，你目前在 OpenAgents 里更关注哪一环？以及 OpenAgents 现在处在什么阶段？
大家好，我是 Raphael Shu，开源项目 OpenAgents 的创始人。我之前是在亚马逊做科学团队的 Tech Lead，然后在2025年 5 月份左右出来创业。
我一直密切关注 AI 领域前沿技术，主要关注开放世界中的大规模Agent 协作，这也是我在OpenAgents里最关注的点。OpenAgents 是全球首个开放、协作的 AI 智能体网络，在2025年10月初正式发布。
智能体网络是什么呢？
你可以理解为一个社区，在社区里面，有人类，有很多Agent，可以发现同伴、建立关系、共享知识、协同工作。任何语言、任何框架开发的 Agent，都能接入进来。
目前 OpenAgents 还处在非常早期的验证期。项目于2025年10月正式上线，我们正在与 Peak Mojo 这样的早期合作伙伴一起，通过具体的应用场景（如 AI 面试官社区）来验证其核心价值和可行性，并基于社区的反馈快速迭代。
这个构想其实已经很久了，大概在我还在亚马逊的时候，就开始规划这样的一个项目。
2023 年，当我带团队做 Bedrock 多智能体协作平台时，和很多企业客户交流，发现企业客户能用到的多是封闭式的多智能体系统，里面 Agent 的数量、能力边界都是固定的，像一个预设好的工作流。这虽然有用，但无法应对开放世界中任务不确定、伙伴不固定的真实挑战。
我们希望多 Agent 能用更简单的方式，取得远超过单个智能体的效果。
我觉得 Agent 的发展非常快。在未来，当我们已经有一个很强的 Agent 之后，我们要去挖掘群体智能。也就是让成百上千个智能体聚集在一起，构建一个生态系统。在这个生态里，让这些 Agent 协作、资源交换，去解决更复杂的问题。我觉得未来无论是在学术界还是产业界，这都会重新成为一个核心的研究和应用方向。因此我决定出来创业，从开源社区开始，探索开放环境下的群体智能。
这就是我们为什么要从 OpenAgents 开始做。
这个问题很关键。我明确划分的边界是 OpenAgents 只做网络层和协作层，不做 Agent 内部的认知层。打个比方，AutoGen、CAMEL 这些框架是在帮你组建"最强的篮球队"，它们关心每个球员（Agent）怎么训练、怎么分工、怎么记忆。而 OpenAgents 是在建造"篮球馆"——我们提供场地，让不同的球队都能来打球。
我更希望开发者把它当作协作网络底座，有三个原因：
可扩展性。如果每个框架都试图做自己的网络，最终会形成孤岛。我们需要一个 TCP/IP moment for Agents，让不同技术栈的Agent能互联互通。
生态价值。只有当 Agent 能自由加入、自由组合、自由竞争时，群体智能的Scaling Law才会生效。
现实需求。企业不会只用一种框架，有 LangGraph 写的 Agent，也有 Bedrock 托管的 Agent，还有用 MCP 协议的工具。OpenAgents 的定位就是兼容所有协议（HTTP/gRPC/WebSocket/A2A/MCP），成为那个"最大公约数"。
当然，我们也提供 Studio 工具让开发者快速测试小规模网络，但这只是为了降低使用门槛，核心还是底座定位。
OpenAgents 的核心目标，就是帮助开发者创建大量不同主题的网络，每个子网都可以自定义功能和规则。
我们的思路是通过网络化的信息共享和结构化的协作机制来缓解。以我们正在合作的 AI 招聘社区为例，80-120 家公司的 AI 面试官接入同一个网络，求职者的面试问答信息会在公开频道共享。这样，其他面试官就不需要重复提问，从机制上避免了重复劳动。
对于幻觉扩散，封闭的线性工作流确实容易让错误累积。在 OpenAgents 协作网络中，我们通过插件层来引入结构化的协作场景，这些插件提供了特定的任务框架和交互规则，能引导 Agent 进行更有针对性的、任务聚焦的协作，减少漫无目的的闲聊，从而降低无意义幻觉的产生和传播。同时，多样化的 Agent 视角本身也可以相互校验。
我主要看生态指标吧，主要有以下几个：
Agent 多样性指数：网络中 Agent 的数量和种类。如果最初只有 5 个类型，半年后增长到 50 个，说明生态在扩展。
自发协作密度：我们观察 Agent 之间自发形成的协作链工作怎样。比如 Agent A 发布了信息，Agent B 主动补充，Agent C 提出质疑，Agent D 最终整合。这种"无中心调度"的协作次数越多，网络越智能。
任务完成速度的中位数：我们目标是把多 Agent 协作延迟降到毫秒级。目前在招聘场景中，从候选人发布简历到收到第一个面试邀请，平均延迟是1.2秒。当这个指标降到 200ms 以内，用户体验会有质变。
信息复用率：一个信息被多少 Agent 引用、转发、加工。如果答案是"只被用一次"，那还是workflow思维。我们希望看到信息在 network 里像病毒一样传播、演化、增值。
社区经济健康度：Plugin 被调用的频次、Agent 之间的"信用"流动（我们设计了轻量级声誉系统）。如果 Agent 愿意为别人消耗自己的 Token 配额，说明协作价值真实存在。
当然，我认为最核心的要看当网络中 Agent 数量增加 10 倍时，整体任务完成质量是否超线性增长，这能验证群体智能的 Scaling Law 是否存在。
6、做 OpenAgents 到现在，有没有哪个项目案例是最让你惊喜的？
目前让我感觉很惊喜的是与 Peak Mojo（一家AI招聘初创公司）合作构建的 AI 面试官社区 。
我们在这个 use case 里非常注重社区的概念，也就是说我们把不同的 AI 面试官 agent 组在一起，形成一个面试官社区系统。
流程上有两轮面试，第一轮一般是通用 coding 面试，这轮面试结果所有 AI 面试官都可以去采纳，所以不管你去面哪一家公司，进这个面试系统之后首先就是 coding 初面，完成之后不同的 agent 会根据 agent 自己的逻辑和判断评估这位候选人水平，然后决定是否进入第二轮面试。
每个公司都有独立的面试流程，第 2 阶段候选人会拿到一个专属链接进去完成第二轮面试。
对于求职者来说，这个社区的意义在于我直接记住这个 network 的网址，去这个网络里就可以和非常多的 AI 面试官沟通。只要是在一个公开的 channel 里聊天，那所有的面试官都可以看到你的回答，因此避免了你重复回答几十家公司同样的问题。
对于 AI 面试官来说，这个社区的意义在于首先我在这个网络里我不需要做 sourcing，同时我还能很容易地从其他 AI 面试官那边拿到人选推荐。所以这个 network 里让候选人的面试结果最大程度的不去浪费。
它也初步验证了我们关于群体智能的设想：当 Agent 在一个共享环境中互动时，不仅能提升单个任务的效率，还能实现信息的流转，这是封闭系统无法实现的。这是我们探索 Agent 生态价值的第一个重要起点。
关于日常使用频率高的工具，我一般会用 Things + Linear + Notion 做任务管理，也会用 Ambient 进行 25 分钟高效率工作。相对而言 github 和 Secondlife 对我影响比较大， 加深了我对社区开源的理解。
如果 10 分是理想中成熟的“Agent 互联网”的话，我愿意给目前的 OpenAgents 打 7 到 8 分。
因为 OpenAgents 目前仍处于非常早期的阶段，技术架构还在持续优化，大规模商业验证还在进行，社区的规模和活跃度也有很大的成长空间。
但我认为 OpenAgents 在方向和范式上已经拿到了高分。我们清晰地找到了网络层基础设施这个差异化定位，并验证了初步价值。更重要的是，我们一直很注重开源生态的构建，接下来我们会和社区贡献者一起努力，把分数一点点提高。
9、你平常生活中有哪些工作或生活习惯吗？
我个人比较 J 哈哈，喜欢制定详细的计划严格推进 work item。对于新技术我一直保持着热情和好奇心。我在日常工作中深入使用 AI（尤其是写代码），目前我们也正在招聘全栈工程师，其中一个要求就是必须要使用AI辅助开发。
最近我们 OpenAgents 发布了 0.8 版本，极大地提升了用户体验。让用户尽量减少写代码，实现可视化配置。补充一下，最近熬的夜都是为了这个版本。
日常我会参加一些学术会议，比如意大利佛罗伦萨的 ACL 会议等。我也在 GOTC 2025 开源峰会、硅谷101 Tech Summit 上做过关于 OpenAgents 的分享。
10、如果要你对“第一次听说 OpenAgents 的开发者”说一句话，你会怎么说，才能让他立刻去跑一个 demo？
如果你想快速搭建一个能让多个 Agent 自主沟通协作的团队，那么用 OpenAgents，5 分钟就能创建一个属于你的 Agent 网络。