agn install / openagents start）和子产品边界仍在快速迭代，命令名可能变。| 等级 | 本报告中对应内容 | 建议复查周期 |
|---|---|---|
| 快变 1–3 月 | 定价 / 配额 / GitHub star 数 / CLI 命令名 / beta 上线状态 | 用前现查 |
| 中变 3–6 月 | 功能特性清单 / runtime 支持列表 / benchmark 分数 / 协议字段 | 每季度 |
| 慢变 6–12 月 | 整体产品形态（三件套 / Server-Channel）/ 部署模型 / 架构分层 | 每半年 |
| 稳定 | 「Agent 协作层」品类判断 / 选型方法论 / 各路线的本质权衡 | 基本不变 |
单 agent 走向多 agent，是不可逆的方向——就像单机走向分布式、单体走向微服务。一个全新的产品品类正在浮现：专门负责「管理与协调多个 agent」的层。
过去一年，AI 应用的形态发生了一个结构性变化：你的 agent 散落各处——一个在服务器上守着数据库，一个在 Discord 上回用户，还有几个在不同终端、不同机器上各自跑项目。问题随之而来：没有一个统一的地方能看见它们全部，也没有办法让它们协同工作。
OpenAgents 和 Slock 都是在回答同一个问题，而且给出的第一直觉惊人地一致——「给 agent 用的 Slack」：人和 agent 在频道（channel）里像同事一样平权协作，用 @mention 派活，agent 之间能看见彼此的工作并相互配合。
它们共享一套「品类 DNA」：
真正的分野，从「怎么协调」「怎么记忆」「开源还是托管」这三个维度开始拉开。下面分别解剖。
openagents-org/openagents · Apache 2.0 开源 · 约 3.1k stars · 定位「为开放协作而生的 Agent 网络」。它不是一个产品，而是一套解耦的三件套。
OpenAgents 最早是一个用于多 agent 联网的 Python SDK，后来长成了完整平台。它由三个能独立使用、又能拼在一起的产品组成，彼此通过自有的 ONM 协议（OpenAgents Network Model） 串联。
一个桌面应用 + CLI，负责在你本地机器上安装、运行、管理各种 agent runtime。装好后用 agn 打开交互式终端面板：agn install openclaw 装 runtime，agn create my-agent --type openclaw 建实例，agn env 配密钥，agn up 把 agent 作为后台 daemon 常驻。支持 Claude Code、OpenClaw、Codex、Aider、Cursor、Gemini CLI 等，也能通过插件接入任意 agent。
实时人机协作环境，可托管在云端，也可自托管。每个 workspace 有一个持久 URL（如 workspace.openagents.org/abc123），可收藏、分享、随时回来。核心协作原语相当丰富：共享 thread、共享文件、共享浏览器（agent 能开页面、点元素、截图、填表，所有人都看得见）、以及一键把本地服务暴露成公网 URL 的 tunnels。派活方式是 @mention + delegation，agent 也能自己捡活。
给开发者搭自定义 agent 网络用。核心抽象是 AgentNetwork（网络）、WorkerAgent（智能体基类，通过 on_channel_post 等事件回调编程）、Events & Mods（事件驱动 + 模块化扩展）、以及 Agent Identity（身份）。agent 既可以用 YAML 声明，也可以用 Python 写；还支持 agent 分组与权限。Workspace 本身就是用这套 SDK 造出来的。
内置了一批可直接跑的协作 demo——Startup Pitch Room（创业路演室）、Research Team（研究团队）、Tech News Stream（科技新闻流）、Grammar Check Forum（语法校对论坛）——本质是把「一群 agent + 人在频道里协作」的范式做成了模板。
slock.ai · 公司 Botiverse, Inc. · 闭源托管 SaaS · 定位「人与 AI agent 作为平权同事的实时协作平台」。它不是框架，是一个开箱即用的产品。
Slock 的心智模型直接借自 Slack：Server → Channel → 把 agent 拉进来。上手路径是先建一个 server，再用 npx @slock-ai/daemon 把你自己的电脑连上去，然后就能 spawn 出 agent，在 channel 和 DM 里跟它们协作。agent 被当作有记忆的持久实体，像人类同事一样常驻在频道和私信里，而不是工具。
和 OpenAgents 一样，agent 实际跑在你自己的硬件上（通过那个轻量 daemon），从而保证算力和数据的掌控权。平台维护跨窗口的共享上下文，省掉了在多个窗口间反复复制粘贴的麻烦。
这是 Slock 最值得注意的设计。它把任务协调做成了系统级的硬协议而非口头约定：agent 在动手前必须先 slock task claim 认领任务，由系统强制执行——而不是依赖 AI 的「礼貌」或 prompt 里的提醒。这从机制层面防止了多个 agent 撞单、重复劳动。配合 thread isolation（线程隔离），不同任务的讨论互不干扰。
Slock 把「记忆」抬到了核心位置：
MemCell，再构建出四类记忆（episodes 情景、profiles 画像、foresights 前瞻、event logs 事件日志），底层用 MongoDB（事实源）+ Elasticsearch（关键词索引）+ Milvus（向量索引）三库持久化，官方称在 LoCoMo 长期记忆 benchmark 上达到 93% 推理准确率。商业模式上，免费档限制为 2 台机器 / 5 个 agent / 5 个 channel / 30 天消息历史；无限量的 Pro 档与企业级安全合规的 Enterprise 档均标注「即将上线」。
把两者拆到同一组维度上并排看，路线分歧一目了然。
| 维度 | OpenAgents | Slock |
|---|---|---|
| 开源协议 | Apache 2.0，全开源 | 核心闭源（仅 daemon 客户端经 npm 分发） |
| 商业模式 | 开源免费，无强制账号 | 托管 SaaS，免费档 + Pro/企业档（待上线） |
| 产品组成 | 三件套：Launcher + Workspace + SDK | 单一产品：Server → Channel |
| 部署 | 云端或完全自托管 | 云端托管（执行下沉到本地 daemon） |
| Agent 运行 | 本地 Launcher daemon | 本地 @slock-ai/daemon |
| 连接协议 | ONM（OpenAgents Network Model） | 私有协议（未公开） |
| 任务协调 | @mention / 自动捡活，靠约定 | Task Claim 强协议，系统强制 |
| 线程模型 | 共享 thread | thread isolation 线程隔离 |
| 记忆机制 | file-based / 共享上下文 / SDK 自管 | MEMORY.md + EverMemOS 结构化长记忆 |
| 协作原语 | 共享文件 + 共享浏览器 + tunnels | channel + DM + 共享上下文 |
| 扩展性 | 强：SDK + Events & Mods 造自定义网络 | 弱：消费现成产品，定制空间有限 |
| 目标用户 | 开发者 / 想自建平台的团队 | 想开箱即用的团队 / 偏产品侧用户 |
| 成熟度 | ~3.1k stars，活跃（Discord、hackathon） | 较新，产品化路线，社区信号少 |
一句话概括分歧：OpenAgents 给你「积木和协议」，Slock 给你「成品和规矩」。前者把协调和记忆留给你自己实现（自由但要干活），后者把它们做进了系统（省事但是黑盒）。
「OpenAgents」这个名字至少对应三个完全不同的项目——做调研时极易混淆，这里专门帮你钉清楚。
关于 Slock 的开源边界也值得厘清：Slock 平台本身闭源，公司是 Botiverse, Inc.；但 Botiverse 在 GitHub 上开源了一些周边组件（如 hermes-agent、agent-vault——「让 agent 看不到你的密钥」）。它的记忆层 EverMemOS 则是 EverMind 开源的独立项目，本身也能被任何 agent 单独接入。换句话说，Slock 是「闭源产品 + 若干开源零件」的组合，而 OpenAgents 是「整体开源平台」。
你正在做的多 agent 协作平台（群聊式 workspace + digital employee + agent 自主认领任务），跟这两者几乎是同一张蓝图——所以它们对你既是竞品，更是现成的参照实现。
如果目标是完全掌控、自托管、要做二次开发，方向应偏 OpenAgents 这一路线——它的开源属性和 SDK/ONM 跟你 Path A（用 OpenClaw 当 runtime、自建群聊 UI + 薄云同步层）的思路高度吻合，甚至可以直接拿它的 SDK 当基座或重要参考。如果目标是快速验证产品形态、学习「同事化」交互范式，那就把 Slock 当成最贴近的活体参照来拆。
MEMORY.md（轻、随 agent）+ 结构化长记忆层（EverMemOS 式的 MemCell / 多库索引）双层模型，可直接映射到你的 agent 身份系统。最后提醒一句：这个赛道现在很挤，除了这两家，同类还有 Multica（Go + Next.js + pgvector，技能复用路线）、Orkas（Commander + Workers 调度）等。如果你想要，我可以再补一份把这一圈竞品拉齐的 landscape 对比，帮你定位自己的差异化切口。