如果你用过 Claude Code、Cursor、Codex 这一类 AI 编程助手，你大概已经习惯了「让一个 AI 帮我干一件事」的工作方式。但当你想让一群 AI 同时干活、按公司一样分工协作、成本可控、行为可审计时，单兵 Agent 就完全不够用了。
今天我们要拆解的项目 Paperclip,正好解决这个问题。它的口号很直白:
*"If OpenClaw is an employee, Paperclip is the company."*
它不与 OpenClaw 抢饭碗，而是站在 OpenClaw 之上，做控制平面(Control Plane)——把一群 AI Agent 像公司员工一样管理起来。读完这篇，你将看到:
- 一个真正「管一群 AI」的工程产品长什么样
- 它和 OpenClaw、LangChain 这类「单兵 Agent」框架的区别在哪
- 多 Agent 协作、成本控制、审计合规这套方法论能否抄到自己业务里
- 适用人群:正在搭建 AI 工作流的创业者 / 想管多个 AI Agent 的技术负责人 / 对 AI Agent 工程化落地感兴趣的开发者 / 长期关注 OpenClaw 生态的产品经理。
- 不适用场景:你只是想找个聊天机器人玩玩——这篇会显得太硬核。
一、项目速览
Paperclip 是一个开源的 AI Agent 团队编排平台,定位为「AI 员工管理操作系统」。仓库地址 paperclipai/paperclip 在 2026-09-26 这一天冲到 GitHub Trending 第一:
| 指标 | 数值 |
|---|---|
| 总星标 | 85,244 ★ |
| 今日新增 | +2,109 ★ |
| Fork | 15,261 |
| 主语言 | TypeScript |
| 许可证 | Apache-2.0 |
最让人眼前一亮的是它的定位差异——
*"If OpenClaw is an employee, Paperclip is the company."*
它不是另一个 Agent 框架，而是一个控制平面(Control Plane):用来管理、审计、调度多个 AI Agent（如 OpenClaw、Claude Code、Cursor、Codex),让它们像一个公司一样协同工作。
二、四大支柱架构
Paperclip 把「管一群 AI」拆成了四个相互咬合的支柱:
| 支柱 | 定位 | 核心能力 |
|---|---|---|
| Agentic Task Manager | 任务管理 | Ticket 制任务系统、审批门控、审计工作流、截图/差分验证 |
| Org Chart for Agents | 组织架构 | 角色/权限/汇报线、混合人机 org chart、治理边界 |
| Agent Employee Training | 培训与评估 | Skill Studio、Eval 测试套件、主动学习循环、绩效考核 |
| Agentic OS | 基础设施 | 跨提供商运行时、MCP 服务器、SSO/GRC/RBAC、成本控制 |
简单理解:任务告诉你「要做什么」,组织架构告诉你「谁能做什么」,培训让 Agent 越做越好,基础设施保证一切跑得稳且花得起钱。
三、核心特性逐项拆解
3.1 任务编排(Task Manager)
传统 Agent 框架最痛的问题:用户给一句 prompt,Agent 自己决定怎么干，结果全靠运气。Paperclip 反过来——用户声明意图(「我要写一篇博客」),Paperclip 把它拆成 Ticket,Agent 按 Ticket 执行，用户验证输出。
- 声明式目标:意图与执行分离，降低 Agent 瞎搞的空间
- 原子执行:任务 checkout + 预算执行都是原子的，不会有重复工作，也不会超支
- 持久化状态:Agent 在两次心跳之间能恢复同一任务上下文，不会丢进度
- 审查门控:关键操作需要 board（管理层）审批才能跑
3.2 组织架构(Org Chart)
这是 Paperclip 最反直觉但也最值钱的设计。
- 每个 Agent 都有自己的老板、头衔、职责描述
- 权限边界由 org chart 决定:谁能调用哪个 API、能看哪些数据，在图上画得清清楚楚
- 秘密隔离:每个 Agent 只能看到自己被授权的 secrets,公司财务秘密不会被一线员工读到
换句话说,权限不是写死在代码里的，而是画在组织架构图里的——员工换岗、离职都不需要改代码，只需要调整组织架构图。
3.3 成本控制(Budget & Costs)
这是 Paperclip 把「管理公司」的思路搬到 AI 上的关键一笔。
- 可以按 Agent 设置月度预算,超支自动暂停（避免「跑路开销」)
- 支持按公司 / 项目 / Agent / 模型多级追踪 token 消耗
- 运行时强制限流,防止某个 Agent 半夜发疯把账户刷爆
3.4 心跳执行(Heartbeat Execution)
- 数据库驱动的唤醒队列，支持心跳调度
- 每次运行都产出结构化日志、成本事件、会话状态
- 自动处理「孤儿运行」(orphaned runs)的恢复
这套机制让 Agent 不会因为进程崩溃、网络抖动而丢任务，真正做到「一周无人值守也能跑」。
3.5 运行时技能注入(Runtime Skill Injection)
- Agent 在运行时就能学习 Paperclip 的工作流和项目上下文
- 不需要重新训练模型，就能让 Agent 适应新流程
这相当于公司新员工入职培训——不用重造大脑，给他一份员工手册就够了。
四、与 OpenClaw 的关系:不是对手，是上下级
*"If OpenClaw is an employee, Paperclip is the company."*
定位差异非常清晰:
- OpenClaw:单个 AI 员工（能执行复杂任务、配备工具集）
- Paperclip:管理层（制定目标、分配任务、审计进度、控制成本）
Paperclip 明确支持把 OpenClaw 作为一个 Agent 接入到 org chart 中。也就是说你完全可以用 OpenClaw 干活、用 Paperclip 管人——这是它们的官方推荐用法。
对 OpenClaw 的启发
- Tool calling 生态:OpenClaw 的 Skills / MCP 可以对标 Paperclip 的 Plugin 系统
- Session 持久化:OpenClaw 的 session 持久化能力对标 Paperclip 的心跳状态恢复
- 多 Agent 协作:OpenClaw 目前还缺乏 org chart / goal tracking 层，这块可以参考 Paperclip 的数据模型
五、可借鉴之处
5.1 架构设计
- 控制平面与执行平面分离:
Paperclip 只管「谁做什么」,不介入 Agent 内部执行逻辑。这种分层让 Agent 可以自由替换——今天用 OpenClaw,明天换 Claude Code,管理层不用动 - 数据模型层级:
Task → Project → Goal → Company,从最小工单到公司战略，四级向上汇总 - 成本感知的任务调度:
在 token 预算层面做资源调度，而非仅做任务排队
5.2 工程实践
- 原子性保障:
数据库事务 + 分布式锁，防止并发双跑同一个任务 - 审计日志:
每一次 mutation 都记录执行者、时间、变更内容——出事后能追溯到具体哪个 Agent 哪一步 - 秘密管理:
分层 secrets（公司级 / 项目级 / Agent 级）,避免越权读取
5.3 产品定位
- 管理商业目标，而不是管理 PR
- 明确不是什么:不是 chatbot、不是框架、不是流程构建器——这种「主动划边界」的姿态反而能减少上手困惑
六、知识沉淀关键词
| 维度 | 关键词 | 关联项目 |
|---|---|---|
| Agent 编排 | Multi-Agent Orchestration, Task Checkout, Heartbeat Scheduling | OpenClaw, LangChain |
| 成本控制 | Token Budget, Cost Tracking, Hard Stop | — |
| 组织架构 | Org Chart, RBAC, Role & Permission | — |
| 审计与合规 | Audit Log, Immutable Trail, Approval Gate | — |
| 秘密管理 | Secrets Injection, Scoped Secrets | OpenClaw Skills |
| 持久化 | Session Persistence, Context Resume | OpenClaw Sessions |
七、结论:从「单兵」到「团队」的拐点
Paperclip 代表了 AI Agent 领域一个重要方向:从「单兵作战」到「团队作战」。它解决的不是「如何构建一个更好的 Agent」,而是「如何让一群 Agent 有序地完成商业目标」。
对于 OpenClaw 而言，它是互补关系而非竞争关系——OpenClaw 作为个体 Agent 的能力越强，被 Paperclip 这类编排层管理时价值越大。
适合深入研究的场景
- 多 Agent 协作的工作流设计
- 企业级 AI 部署的成本控制方案
- Agent 组织的权限与审计模型
如果你正打算把 AI Agent 从「个人玩具」升级为「公司级基础设施」,Paperclip 的这套方法论值得认真读一遍它的 README。