别的 AI 工具给你一个助理;Agent-Staff 给你一整套配齐部门的 AI 公司班子。

这是什么

Agent-Staff 不是「几个 agent 帮你跑跑运营」——它把整个公司的组织架构 Agent 化:

按你公司真实的部门,给每个部门嵌一个 AI agent,再由一个 CEO 参谋长在上面统筹经营。 你(真人 CEO)坐在最上面做决策,底下是一支 24 小时在线、各司其职、并行协作的 AI 班子——它们常驻飞书,以飞书多维表格为共享数据底座:

                        你 = CEO(真人 · 拍板)
                                │
                  ┌─────────────┴─────────────┐
                  │      CEO 参谋长 · agent      │   跨部门聚合 · 经营总账 · 决策支持
                  └─────────────┬─────────────┘
                                │  统筹以下每个部门(各嵌一个 AI agent · 并行协作)
   ┌────────────────────────────┴────────────────────────────┐
   │  营收   📱 自媒体运营    🛒 电商    💼 业务                   │
   │  职能   💰 财务   👥 人力   🗂 行政   📊 运营   🛡 合规          │
   └────────────────────────────┬────────────────────────────┘
                                │
        飞书多维表格 = 各部门数据底座 + 共享文件 + IM 壳(你在群里 @ 它)

这不是自动化几个任务,是给你的公司装上一套 AI 经营体系:组织架构照搬进来、每个部门有 agent 值守、CEO 参谋长跨部门把账算清、把经营看透。你和你的团队继续做核心的事,公司经营那一整套——从自媒体、电商、业务这些营收线,到财务、人力、行政、运营、合规这些职能线——由这支 AI 班子替你跑起来、盯起来、报上来,提升整个公司的经营效率。

🐕 dogfood:作者自己的公司每天在它上面跑、用真实数据,不是玩具。
🧩 照你的公司搭:通用框架,按你的真实组织架构配部门即用;不绑定行业。

部门 agent 编制(照你的公司搭)

一个部门 = 一个 agent = 一张飞书多维表格 + 一块独立文件空间 + 一套人设 + 独立权限墙。开源版内置一套完整的 9 部门公司(下表),开箱即跑:

这 9 个部门全部内置、全部可跑:一条 provision.py 建好全部飞书表,seed_demo_data.py 灌好通用假数据,@ 就有内容。删掉不需要的、或照同一套模板加更多(改 dept_registry + config 即可)——框架对部门数量没有限制,按你的真实组织架构裁。

🔒 部门权限墙:谁能问、谁看得见,双层锁死

一家公司该有的隔离,它天然就有——不是事后加的软件过滤,是结构上就分开:

• 谁能跟哪个部门 agent 说话 —— 按飞书身份白名单锁死(私聊 + 群都管)。财务群里的人问不到人力 agent;员工离职,offboard.py 一条命令收掉他在所有部门的权限。
• 部门之间互相看不见 —— 每个部门 agent 只读自己那张 Base(结构隔离,不是软件过滤)。业务看不到财务、财务看不到人力薪酬。只有 CEO 参谋长能跨部门聚合。
• 每个部门一块独立文件空间 —— 每个部门有自己的飞书存储空间,agent 只调取本部门专属文件(合同 / 发票 / 报告),能读 PDF、OCR 扫描件、飞书原生文档。文件也隔离。

🏢 长在飞书里 = 嵌进你的办公流

Agent-Staff 不是另起一个系统,是长在飞书里——数据是飞书多维表格,入口是飞书群 @。所以它和你公司已经在用的整套飞书办公套件同一个底座:考勤、审批、财务、文档、日历……都在飞书。

AI 班子和真人团队在同一个飞书里协作,数据和流程天然可打通:考勤 / 审批 / 报销的数据能进部门 Base,AI 出的战报直接在办公群里流转,权限和飞书身份同源。真正的「公司 Agent 化」不是让员工再学一个新工具,是让 AI 融进你早就在跑的办公流里。

长这样(飞书里实际跑,非 mockup)

① 部门 agent 出经营损益 —— 在部门群 @ 财务,它读本部门台账、算出损益表(营业收入 − 支出 = 净利润),几句话讲清盈亏:

② @ CEO 参谋长,几秒跨部门聚合出经营战报,还能追问下钻(下图为真实录屏)—— 先出全公司战报(各部门头条 + 总账 + 「要盯的点」),再追问「把业务和回款拆开」就出逐笔明细 + 交叉分析(真应收 vs 假应收):

以上均为通用示例数据的真实运行录屏 / 截图(非 mockup)。你的经营数据存在你自己的飞书里,不进任何第三方。

它替你干什么(交付物,不是聊天)

它不是什么

• 不是一个只会聊天的 bot —— 是一套照公司架构搭的 AI 班子,有分工、并行、有真实交付物(记账 / 经营战报 / 损益 / 预警)。
• 不是要你一直喂 prompt 的玩具 —— 常驻 + 定时主动,你不发话它也在盯、在算、在报。
• 不是又一个 Web 后台 —— 住在你团队天天用的飞书里,员工零学习成本。
• 不替你干核心生产(写代码 / 做内容 / 做产品那是你和你团队的事)—— 它专治公司经营那一整套,把手工经营换成 AI 驱动。

一条铁律(核心架构)

核心生产归你,公司经营归 Agent-Staff。

• 你和你的团队 = 核心生产:写代码 / 做内容 / 谈客户 / 出产品,照旧,一行不改。
• Agent-Staff = 公司的 AI 经营班子:营收(自媒体 / 电商 / 业务)+ 职能(财务 / 人力 / 行政 / 运营 / 合规)各部门有 agent 值守,CEO 参谋长在上面统筹——从记账到损益、从预警到决策支持,整套经营它替你跑。
• 桥 = 飞书多维表格 + 动嘴汇报:你随口报一句成绩 → 部门 agent 记账 → CEO 参谋长跨部门聚合出经营战报。

┌──────────────────────────────────────────────────────┐
│  你和你的团队 = 核心生产                                │  ← 照旧干活,一行不改
│  写代码 · 做内容 · 谈客户 · 出产品                      │
└──────────────────────────────────────────────────────┘
                      │ 产出成绩(随口报一句)
                      ▼
┌──────────────────────────────────────────────────────┐
│  Agent-Staff = 公司的 AI 经营班子(照你的组织架构)     │  ← 整套经营它替你跑
│  🏛 CEO 参谋长 + 营收(自媒体·电商·业务)               │
│                + 职能(财务·人力·行政·运营·合规)         │
│  各部门一个 agent · 并行协作 · CEO 跨部门统筹经营       │
└──────────────────────────────────────────────────────┘
                      │ 落 / 取
                      ▼
┌──────────────────────────────────────────────────────┐
│  飞书多维表格 = 数据底座 + 共享文件 + IM 壳(你 @ 它)  │
└──────────────────────────────────────────────────────┘

硬约束:系统适配你公司的组织架构与工作流,绝不为系统改你的工作流。

能搭成什么(示例场景)

框架是通用的——上面的部门 agent + 飞书多维表格,能组合出各种经营场景。作者自己的公司就在它上面跑了这些(属于业务实现,脱敏后没随仓库发,但证明框架够用):

• 财务损益表:各业务收入自动汇总 − 运营支出 − 人工成本 → 净利润(CEO 参谋长出经营总账)
• 合同 / 证照到期提醒:行政部 cron 巡检,到期前主动喊续约
• 市场 / 行情监控:运营部写个 analyze 拉外部 API(股价 / 竞品 / 网站流量),定时推群
• 凭证归档:发票 / 合同挂到对应记录,可追溯
• 员工花名册 + 薪酬:人力部管身份地基,人工成本喂给损益表

想加哪个部门,照 agent-os/feishu_mcp.py 的 _analyze_generic 当模板写一个 analyze,再往 dept_registry 加一行即可。

技术栈 / 设计原则

• 多部门 · 并行常驻:每个部门一个 agent,24 小时在线、可在群里 @、CEO 跨部门实时聚合,自带 cron 主动预警 + 心跳(install.sh 一键装好底层运行时,你不用管)。
• 模型随你选(不锁 Claude):原生支持 Claude(订阅/API)/ DeepSeek / Minimax / Qwen / GLM / OpenRouter / 本地 Ollama 等(OpenAI 兼容)。config.toml 改一行 model_provider、填自己的 key 即可。

  ⚠️ 作者实测的是 Claude;DeepSeek/Minimax 等走标准 OpenAI 兼容接口、理论可用但未逐个实测,欢迎试了反馈。

• 数据底座 = 飞书多维表格(Base)。数据访问层做了抽象(DataStore),留了切换后端的后路。海外用 Lark(同 API,设个环境变量即可)。
• 算数交代码、判断交 AI:求和 / 税 / 汇率 / 日期都用 Python 算好,AI 只负责叙述;只报工具返回的真实数字,不凭记忆编。
• codata MCP(agent-os/feishu_mcp.py):纯 stdlib Python 零依赖的 stdio MCP,给每个部门 agent 提供 读数据 / 记账 / 出战报 / 读文件 / 挂凭证 / 看审计 的工具。

快速开始

install.sh 会把所有依赖(agent 常驻运行时 + PDF/OCR 工具)一次装好,你不用逐个装。

最省事:三条命令(推荐)

bash install.sh     # 自动装常驻运行时 + poppler + tesseract(并检查 Rust / Python)
bash setup.sh       # 交互向导:填凭证 → 自动建表 → 选模型 → 生成 config.toml
bash 启动.sh        # 常驻,飞书 @ 即用

唯一要你手动的一步:去飞书后台建自建应用(每部门一个 bot + 一个数据应用),向导会提示你把凭证粘进来。保姆级步骤 → docs/飞书接入指南.md。

或全手动(想掌控每一步)

# 0. 装常驻运行时(引擎):从源码带 channel-lark 编(先 brew install protobuf),见部署指南
brew install poppler tesseract                                  # 1. PDF/OCR(Linux: apt install poppler-utils tesseract-ocr)
cp agent-os/.feishu凭证.example agent-os/.feishu凭证.local       # 2. 填数据应用 app_id/secret
python3 agent-os/scripts/provision.py                           # 3. 建部门多维表格
cp agent-home/config.example.toml agent-home/config.toml        # 4. 手填 bot 凭证 + 模型(见注释)
bash 启动.sh                                                    # 5. 启动

详见 docs/部署指南.md(含 8 条踩坑)。

飞书 / Lark(中国 / 海外都能用)

数据底座是飞书(中国版,数据在北京)。海外用户用 Lark(飞书国际版,同为字节跳动,API 规范几乎一样,数据存新加坡)。

同一套代码,海外只改两处(详见 飞书接入指南 末节):

1. 应用在 open.larksuite.com 建;lark-cli 是同一个工具,加 --brand lark 即可(不用另装)。
2. 设环境变量 export LARK_API_BASE=https://open.larksuite.com/open-apis(默认走飞书)。

系统依赖

工具都按「在 PATH 里找 + 没装给安装提示」写,跨 macOS / Linux,不写死路径。
飞书自建应用怎么建(必读,手动步骤)→ docs/飞书接入指南.md
🇨🇳 国内装得慢 / 被墙? 换镜像源:npm 用 npm config set registry https://registry.npmmirror.com · pip 加 -i https://pypi.tuna.tsinghua.edu.cn/simple · cargo 用中科大/字节源 · brew 用国内源。

文档

依赖与致谢

Agent-Staff 是建在这些项目之上的(依赖 + 致谢,非套壳/改名),感谢:

• zeroclaw(MIT + Apache 2.0)—— 底层 agent 常驻运行时引擎,归 ZeroClaw Labs。Agent-Staff 依赖它、不修改、不套壳(install.sh 自动装)。
• 飞书 / Lark(字节跳动)—— 数据底座(多维表格)+ IM 壳。
• poppler / tesseract —— PDF 解析 / OCR。

状态

早期 · 作者自用 dogfood(每天真用、真数据)。欢迎 issue / PR。Full English docs → README_EN.md。

License

MIT · 依赖的 zeroclaw 为 MIT + Apache 2.0(见其仓库)。