OpenWorker: เอเจนต์ AI โอเพนซอร์สของ Andrew Ng ที่ทำงานจริงให้คุณ ไม่ใช่แค่แชทคุยเล่น

สถาปัตยกรรม: สแต็ก 4 ชั้นแบบ Local-First

OpenWorker ทำงานทั้งหมดบนเครื่องของผู้ใช้ โดยไม่มีเซิร์ฟเวอร์ Inference ในคลาวด์ สถาปัตยกรรมของมันประกอบด้วยสี่ชั้นที่แตกต่างกัน :

• Desktop Shell: หน้าต่างแอปพลิเคชันแบบเนทีฟที่สร้างด้วย Tauri 2 ซึ่งครอบคลุมส่วนติดต่อผู้ใช้ React 18 (Bundle ID com.openworker.desktop) ชั้นนี้ยังทำหน้าที่ดูแลกระบวนการของเซิร์ฟเวอร์ Python
• Local Agent Server: สร้างด้วย Python 3.10+ โดยใช้ FastAPI และ Uvicorn เซิร์ฟเวอร์นี้จะผูกกับ 127.0.0.1:8765 บนเครื่องท้องถิ่น โดยมีค่าเริ่มต้นจำกัดการทำงานของโมเดล-เครื่องมือไว้ที่ 12 รอบต่องาน
• Capability & Connector Layer: เลเยอร์นี้มีชุดเครื่องมือท้องถิ่นสำหรับโต้ตอบกับระบบไฟล์, git, การค้นหาแบบ ripgrep, เชลล์, และรายการสิ่งที่ต้องทำ นอกจากนี้ยังรวมถึงการเชื่อมต่อแบบโฮสต์และการสนับสนุน Model Context Protocol (MCP)
• Model Router: ส่วนต่อประสานโมเดลหลักสร้างขึ้นบน aisuite ซึ่งเป็นไลบรารี LLM ที่ไม่ผูกขาดกับผู้ให้บริการรายใดรายหนึ่งของ Andrew Ng เอง ซึ่งช่วยให้ OpenWorker มีส่วนต่อประสานเดียวที่รวมศูนย์สำหรับผู้ให้บริการโมเดลทั้งแบบเนทีฟ, แบบที่เข้ากันได้กับ OpenAI, ตัวแทนจำหน่าย และโมเดลท้องถิ่น โค้ดใน Repository ประกอบด้วยไฟล์ Python 119 ไฟล์ (ประมาณ 32,400 บรรทัด) ภายใต้โฟลเดอร์ coworker/, ไฟล์ TypeScript/TSX 149 ไฟล์ภายใต้ surfaces/gui/, และโมดูลทดสอบแบ็กเอนด์ 78 โมดูล

โมเดลที่รองรับ: 30 โมเดลคัดสรร แบบนำคีย์มาใช้เอง

OpenWorker ไม่ได้ล็อกผู้ใช้ให้อยู่กับผู้ให้บริการรายเดียว รองรับ 30 โมเดลที่ผ่านการคัดเลือกในหลายหมวดหมู่ ซึ่งทั้งหมดนี้ผู้ใช้ต้องนำคีย์ API ของตนเองมาใช้ (BYOK) โมเดลที่รองรับประกอบด้วย:

• Native Providers: OpenAI GPT-5.6 Sol, Terra, Luna, GPT-5.5; Anthropic Claude Fable 5, Opus 4.8, Sonnet 4.6, Haiku 4.5; Google Gemini 3.6 Flash, 3.1 Pro, 2.5 Pro, 2.5 Flash
• OpenAI-Compatible Vendors: GLM-5.2, DeepSeek V4, Kimi K2.6, MiniMax M2.5, Qwen3 Max, Grok 4.3, Mistral Large
• Hosted Open-Weight Models: สามารถเข้าถึงได้ผ่านพาร์ทเนอร์เช่น Together AI และ Fireworks
• Fully Local Models: สามารถเข้าถึงได้ผ่าน Ollama ซึ่งไม่ต้องใช้คีย์ API

ระบบการอนุญาตและความปลอดภัย

หนึ่งในคุณสมบัติสำคัญของ OpenWorker คือแนวทางด้านความปลอดภัย ทุกการเรียกใช้เครื่องมือที่เอเจนต์กระทำจะถูกจัดประเภทเป็นหนึ่งใน สี่ระดับความเสี่ยง :

1. read — ดูข้อมูลในเครื่อง (ไม่มีผลข้างเคียง)
2. write_local — สร้างหรือแก้ไขไฟล์บนเครื่อง (จำกัดตามพาธ)
3. exec — รันคำสั่งเชลล์
4. external — ส่งข้อมูลออกนอกเครื่อง (เช่น ไปยัง Slack, อีเมล หรือปฏิทิน)

จากนั้นระดับความเสี่ยงเหล่านี้จะถูกควบคุมผ่าน ห้าโหมดการอนุญาต :

1. discuss — การสนทนาแบบอ่านอย่างเดียว
2. plan — การวางแผนแบบอ่านอย่างเดียว
3. interactive (ค่าเริ่มต้น) — จะถามผู้ใช้ก่อนดำเนินการเขียน, คำสั่ง, และการกระทำกับภายนอก
4. auto — อนุญาตทุกอย่างในขณะที่ยังคงจำกัดตามพาธ
5. custom — อนุมัติชุดเครื่องมือที่ผู้ใช้ระบุโดยอัตโนมัติ

การป้องกัน Prompt-Injection

เพื่อป้องกันการโจมตีแบบ Prompt Injection OpenWorker มี "บุคลิก ops" (ops persona) ในตัวที่สั่งให้โมเดลปฏิบัติต่อเนื้อหาจากเครื่องมือ, ระบบล็อก, ไฟล์, และข้อความขาเข้าเป็น ข้อมูลที่ไม่น่าเชื่อถือ ไม่ใช่คำสั่ง การป้องกันนี้ถูกเขียนไว้โดยตรงในการกำหนดค่าบุคลิกที่มาพร้อมกับซอฟต์แวร์

การออกแบบที่เน้นความเป็นส่วนตัว

OpenWorker ถูกออกแบบด้วยหลักการความเป็นส่วนตัวที่แข็งแกร่ง :

• การเรียกใช้โมเดลจะถูกส่งโดยตรง จากเครื่องของผู้ใช้ไปยังผู้ให้บริการที่เลือก — ไม่มีเซิร์ฟเวอร์รีเลย์ตัวกลาง
• การสนทนา, โทเค็นของตัวเชื่อมต่อ, และคีย์ API คงอยู่ในเครื่อง โกดังเก็บความลับ (secret store) ถูกออกแบบมาเพื่อให้ความลับไม่เข้าไปในบริบทของโมเดล, พรอมพ์, หรือร่องรอยการทำงาน
• ส่วนประกอบคลาวด์ที่เป็นทางเลือกเท่านั้น คือตัวกลาง OAuth (ใช้ Auth0 Authorization Code กับ PKCE) สำหรับการจับมือเชื่อมต่อแบบคลิกเดียว โดยโทเค็นของตัวเชื่อมต่อจะถูกส่งตรงไปยังเครื่องและไม่เคยถูกเก็บไว้ในคลาวด์
• แอปพลิเคชันทำงานแบบออฟไลน์ได้เต็มที่เมื่อคีย์ API และข้อมูลรับรองถูกวางด้วยตนเอง

การรองรับแพลตฟอร์มและสถานะปัจจุบัน

OpenWorker ในปัจจุบันทำงานบน Mac โดย การรองรับ Windows ระบุไว้ว่า "เร็วๆ นี้" โปรเจกต์นี้อยู่ในช่วงโอเพนเบต้าและถูกอธิบายว่าใช้งานได้อย่างเต็มที่ พร้อมความสามารถในการอัปเดตตัวเอง

จุดสิ้นสุดของกระบวนทัศน์ Chatbot

OpenWorker ถูกวางตำแหน่งให้เป็นการเปลี่ยนแปลงจากโมเดลแชทบอทอย่างชัดเจน แทนที่จะป้อนข้อความเพื่อสนทนา ผู้ใช้จะระบุ ผลลัพธ์ ที่ต้องการ (เช่น "กล่องจดหมายที่จัดเรียงแล้ว", "เอกสารที่ผ่านการตกแต่ง", "การตอบกลับ Slack พร้อมตัวเลข Q3", "รายการปฏิทินที่อัปเดตแล้ว") จากนั้นเอเจนต์จะแบ่งเป้าหมายนั้นออกเป็นขั้นตอน ทำงานข้ามไฟล์ในเครื่องและแอปพลิเคชันที่เชื่อมต่อไว้ และจะหยุดเพื่อขออนุมัติจากมนุษย์ก่อนดำเนินการที่มีผลกระทบ โดยรองรับการเชื่อมต่อมากกว่า 25 รายการบวกกับ MCP ซึ่งครอบคลุมเครื่องมือเช่น Telegram, GitHub, Slack, Jira, Notion, Linear, HubSpot, Outlook, Gmail, และ Google Calendar