Comment lancer sa propre entreprise d'IA avec OpenOPC

D'habitude, les expériences avec les systèmes multi-agents finissent par ce stade où trois LLMs en boucle commencent à se poser poliment des questions en boucle et brûlent des tokens. Vous leur demandez d'écrire une application, et vous vous retrouvez avec cinq pages d'excuses mutuelles et pas une seule ligne de code fonctionnel.

Récemment, je suis tombé sur OpenOPC, des chercheurs de l'Université de Hong Kong (HKUDS). Ils ont décidé d'aborder l'orchestration d'agents non pas comme un chat abstrait, mais comme une vraie entreprise avec une structure organisationnelle, des rôles, un tableau Kanban, des contrôles qualité et l'embauche d'employés pour des tâches spécifiques.

Ce qu'ont imaginé les développeurs

Les auteurs appellent ce concept AI-Native Company. Au lieu d'un seul agent qui essaie de jongler avec l'architecture, l'écriture des tests et le frontend, le projet assemble une équipe adaptée au brief spécifique.

Le travail repose sur trois mécanismes :

• Assemblage de la structure. Le système analyse le brief, construit la structure organisationnelle et sélectionne les agents. Il utilise des modèles de talents prêts à l'emploi ou crée de nouveaux profils avec un contexte propre.
• Exécution des tâches. Les tâches ne s'accumulent pas en un seul tas—elles traversent une machine à états finis. Chaque élément de travail a un propriétaire, une colonne actuelle sur le tableau et un statut de préparation pour l'exécution.
• Accumulation d'expérience. Une fois le projet terminé, le système évalue la contribution de rôles spécifiques, pas un chat abstrait. Les techniques et solutions qui fonctionnent sont enregistrées dans la mémoire personnelle du rôle et les instructions partagées de l'équipe.

En bonus, les auteurs ont connecté une interface web construite avec React et Phaser, où les agents sont assis dans un bureau virtuel en pixels, se passent des cartes de tâches et participent à des appels pour les réunions.

Comment la collaboration fonctionne en interne

Le principal problème avec les pipelines complexes est que les tâches sont rarement planifiées parfaitement dès le départ. En cours de route, des blocages, un contexte manquant ou des tests échoués sont sûrs d'apparaître.

OpenOPC résout cela grâce à un graphe de dépendances (DAG) et des rôles de manager. Le manager prend le brief, le décompose et distribue le travail entre les exécutants. Les tâches indépendantes s'exécutent en parallèle, les dépendantes attendent leur tour.

L'interaction de l'équipe suit cinq modes de base :

1. Exécution directe d'une tâche par l'agent assigné.
2. Déléguer une sous-tâche à un subordonné avec transfert de contexte.
3. Réviser un résultat terminé avant de l'envoyer à l'étape suivante.
4. Intégrer les modules terminés dans le projet global.
5. Renvoi pour révision avec des retours spécifiques.

Si un agent rencontre un obstacle, il ne plante pas avec une erreur. D'abord, le système essaie de résoudre le problème en interne : il envoie un message de blocage au rôle responsable du domaine concerné. Si l'autorité des agents ne suffit pas (par exemple, si une commande terminal dangereuse nécessite une confirmation ou un service doit être payé), le runtime escalate la demande à un humain.

Les politiques de confirmation sont configurées via le security config. Les commandes de lecture simples s'exécutent immédiatement, les commandes à risque moyen sont évaluées par un LLM séparé, et les opérations destructives comme rm -rf ou le force push attendent toujours une pression de bouton de l'utilisateur.

Modes de lancement et interfaces

Le projet supporte deux scénarios principaux de travail : le mode Tâche et le mode Entreprise.

Le mode Tâche ressemble aux espaces de travail familiers comme Cursor ou OpenCode. C'est un mode mono-agent où un agent sélectionné résout un problème spécifique ciblé : refactorer un module, écrire un script ou rassembler des informations.

Le mode Entreprise lance une équipe complète. Vous pouvez connecter soit le moteur intégré OpenOPC Native, soit des agents CLI externes comme Claude Code, Cursor ou Codex. Les rôles peuvent utiliser différents backends : l'architecte travaille sur un modèle, le développeur écrit du code via un agent terminal externe, et le reviewer vérifie le code via une troisième combinaison.

Vous pouvez travailler avec tout cela via le terminal et le tableau de bord web.

Dans l'interface web, vous trouverez :

• Un tableau Kanban qui reflète les états réels des tâches depuis le runtime.
• Un panneau de communications avec les logs des messages entre agents et les enregistrements de leurs discussions internes.
• Un éditeur de structure organisationnelle où vous pouvez modifier les chaînes de commandement et embaucher de nouveaux spécialistes.
• Un bureau en pixels où vous pouvez voir qui travaille actuellement sur quel type de tâche.

Démarrage rapide

Pour déployer le projet, les créateurs recommandent le gestionnaire de paquets uv. Vous aurez besoin de Python 3.10 ou plus récent, et de Node.js à partir de la version 18 si vous prévoyez de reconstruire le frontend.

D'abord, configurez un environnement virtuel :

# Клонируем проект и переходим в папку
cd OpenOPC

# Создаем окружение с Python 3.12
uv python install 3.12
uv venv --python 3.12
source .venv/bin/activate

# Устанавливаем зависимости
uv pip install -e .

# Опционально ставим Chromium для браузерных инструментов
uv run python -m playwright install chromium

Ensuite, initialisez les configs locales et les dossiers de mémoire :

uv run opc init

La commande créera le répertoire .opc/config/. Ouvrez .opc/config/llm_config.yaml et ajoutez votre clé API. Le moteur fonctionne avec n'importe quel endpoint compatible avec LiteLLM et OpenRouter.

llm:
  default_model: "openai/gpt-4o"
  api_base: "https://openrouter.ai/api/v1"
  api_key: "sk-or-v1-..."
  max_tokens: 16384

Maintenant, vous pouvez lancer l'interface web :

uv run opc ui

Le panneau s'ouvrira à http://localhost:8765.

Si vous préférez travailler directement depuis la console, l'utilitaire fournit un chat interactif pratique et supporte l'exécution de tâches uniques :

# Запуск интерактивного чата
uv run opc chat -p my_project

# Одиночная задача в Task Mode
uv run opc chat -p my_project --mode task --agent native "Проанализируй структуру проекта и составь список зависимостей"

# Запуск задачи в режиме компании
uv run opc chat -p my_project --mode company --company-profile corporate "Спроектируй и реализуй базовый REST API для сервиса заметок"

Où cela s'applique en pratique

Le dépôt contient des exemples d'utilisation pour un large éventail de directions : des rapports d'investissement aux scénarios de scripts vidéo et aux prototypes de jeux.

Dans le développement quotidien, OpenOPC excelle dans la couverture des pipelines de bout en bout. Par exemple, quand vous avez besoin non seulement d'écrire une fonction, mais de rechercher une API tierce, de préparer un document d'architecture, d'écrire du code, d'exécuter des tests via Playwright et d'emballer le tout dans une pull request soignée avec documentation.

Un autre scénario implique l'intégration de messageries. OpenOPC peut se connecter à Telegram, Discord, Slack, Feishu et d'autres canaux de chat d'entreprise. Vous pouvez configurer un bot sur un flux de tâches entrantes, et il lancera une équipe d'agents basée sur les messages du chat.

Résumé

OpenOPC laisse une impression agréable avec son approche structurée. Les auteurs n'essayent pas de vendre un conte de fées sur un prompt tout-puissant unique—ils construisent un système d'ingénierie prévisible avec une séparation claire des responsabilités, une persistance d'état sur disque et un contrôle sur les actions dangereuses.

Le projet mérite d'être essayé si :

• Vous vous sentez à l'étroit dans un seul chat avec Claude ou Cursor quand un projet nécessite plusieurs compétences différentes.
• Vous voulez expérimenter avec des systèmes multi-agents qui ont une vraie gestion des tâches et un DAG, plutôt que des échanges de messages chaotiques.
• Vous avez besoin d'un framework local pour automatiser les processus de recherche ou d'ingénierie routiniers avec un contrôle visuel clair.

La meilleure façon de commencer est de lancer l'UI locale via uv et de s'attaquer à des tâches simples en mode mono-agent, en passant progressivement à la construction de vos propres équipes en mode Entreprise. Il est également utile de vérifier le dossier .opc/config/ pour configurer les niveaux d'auto-confirmation pour votre machine.