Paperclip 开源发布：面向 AI agent 团队的 Node.js 编排平台

Paperclip 在 Hacker News 上亮相，定位为「管理 AI agent 的公司层操作系统」。它由 Node.js 服务端和 React 前端组成，主打让用户以类任务管理器的方式同时管理多个 AI agent，并跟踪目标、产出与成本。

项目定位与核心比喻

Paperclip 团队给出了一个直观的类比：OpenClaw 等单 agent 框架像「员工」，而 Paperclip 想做的是「公司」。它面向的并非单模型推理，而是需要在多个 agent（来自任意供应商，任意运行时）之间分配任务、维持上下文的用户。

官方页面描述了典型使用场景：

• 同时开着 20 个 Claude Code 终端，已记不清各自在做什么；
• 想让 agent 24/7 自主运行，但又需要审计和随时介入；
• 需要为不同 agent 设置月度预算，避免因失控循环烧光 token 配额；
• 希望像使用任务管理工具一样，调度、审阅、归档 agent 的工作。

围绕四根支柱构建

Paperclip 把 agent 公司的运行拆成四块：

• 任务（Agentic Task Manager）：以声明意图取代拉取请求；agent 完成任务后由人类验证，对应产物可以是 diff、截图或测试。
• 组织（Org Chart for Agents）：人和 agent 共用一张组织图，明确角色、汇报线、职责边界与「谁可以做什么」的治理规则。
• 训练（Agent Employee Training）：内置 Skill Studio、组织级共享技能、评估与回归用例、绩效复盘等机制。
• 基础设施（Agentic OS）：跨供应商运行时、sandboxing、MCP server、SSO、GRC、RBAC、成本控制与数据隔离。

关键工程特性

产品页列出了一组强调「正确完成繁琐编排细节」的能力：

• 原子执行：任务签出与预算扣减是原子的，避免重复工作和失控开销。
• 持久化 agent 状态：通过心跳（heartbeat）恢复的 agent 不从头开始，而是接续同一任务上下文。
• 运行时技能注入：agent 可以在运行时学习 Paperclip 的工作流与项目上下文，无需重新训练。
• 可回滚治理：审批门禁被强制执行，配置变更进入版本化，错误修改可以回滚。
• 目标感知执行：任务携带完整目标血缘，agent 看到的是「为什么」，而不只是一个标题。
• 多组织隔离：单个部署可承载多家公司级实体，实现数据隔离与统一控制面。

价格、成本与生态

Paperclip 强调提供按 agent 设置的月度预算，触达上限后自动停机，避免「一夜烧掉几百美元 token」的失控循环。其开源仓库目前托管在 GitHub，配套提供 Discord、Twitter 和官网供社区交流，官方并未在本次发布中公布具体的资金消耗基准或性能 benchmark，相关技术细节以源码为准。