Como Criar Sua Própria Empresa de IA com OpenOPC

Normalmente, experimentos com sistemas multi-agentes terminam no estágio em que três LLMs em um loop começam a se perguntar educadamente, sem fim, questões umas às outras e consumindo tokens. Você pede para eles escreverem uma aplicação e acaba com cinco páginas de desculpas mútuas e nem uma única linha de código funcionando.

Recentemente, encontrei o OpenOPC de pesquisadores da Universidade de Hong Kong (HKUDS). Eles decidiram abordar a orquestração de agentes não como um chat abstrato, mas como uma empresa real com estrutura organizacional, funções, um quadro Kanban, verificações de qualidade e contratação de funcionários para tarefas específicas.

O que os desenvolvedores criaram

Os autores chamam o conceito de Empresa Nativa de IA. Em vez de um único agente tentando lidar com arquitetura, escrita de testes e trabalho frontend, o projeto monta uma equipe personalizada para o briefing específico.

O trabalho é construído sobre três mecanismos:

• Montagem da estrutura. O sistema analisa o briefing, constrói a estrutura organizacional e seleciona os agentes. Usa modelos de talentos prontos ou cria novos perfis com um contexto limpo.
• Execução de tarefas. As tarefas não se acumulam em uma pilha—elas passam por uma máquina de estados finitos. Cada item de trabalho tem um responsável, uma coluna atual no quadro e um status de prontidão para execução.
• Acumulação de experiência. Após a conclusão de um projeto, o sistema avalia a contribuição de funções específicas, não de um chat abstrato. Técnicas e soluções bem-sucedidas são registradas na memória pessoal da função e nas instruções compartilhadas da equipe.

Como um bônus interessante, os autores conectaram uma interface web construída com React e Phaser, onde os agentes ficam em um escritório virtual pixelado em suas mesas, passam cartões de tarefas uns para os outros e participam de chamadas para reuniões.

Como a colaboração funciona internamente

O principal problema com pipelines complexos é que as tarefas raramente são planejadas perfeitamente desde o início. Pelo caminho, bloqueios, contexto ausente ou testes falhos certamente vão aparecer.

O OpenOPC resolve isso através de um grafo de dependências (DAG) e funções de gerente. O gerente recebe o briefing, decompõe e distribui o trabalho entre os executores. Tarefas independentes são executadas em paralelo, enquanto as dependentes aguardam sua vez.

A interação da equipe segue cinco modos básicos:

1. Execução direta de uma tarefa pelo agente designado.
2. Delegar uma subtarefa a um subordinado com transferência de contexto.
3. Revisar um resultado finalizado antes de enviá-lo para o próximo estágio.
4. Integrar módulos finalizados ao projeto geral.
5. Devolver para revisão com feedback específico.

Se um agente encontra um obstáculo, ele não trava com um erro. Primeiro, o sistema tenta resolver o problema internamente: envia uma mensagem de bloqueio para a função responsável pela área relevante. Se a autoridade dos agentes não for suficiente (por exemplo, se um comando de terminal perigoso precisar de confirmação ou um serviço precise ser pago), o runtime escalona a solicitação para um humano.

As políticas de confirmação são configuradas através do config de segurança. Comandos simples de leitura são executados imediatamente, comandos de risco médio são avaliados por um LLM separado, e operações destrutivas como rm -rf ou force push sempre aguardam um clique do usuário.

Modos de inicialização e interfaces

O projeto suporta dois cenários principais de trabalho: Modo Tarefa e Modo Empresa.

O Modo Tarefa se parece com workspaces familiares como Cursor ou OpenCode. É um modo de agente único onde um agente selecionado resolve um problema focado específico: refatorar um módulo, escrever um script ou coletar informações.

O Modo Empresa lança uma equipe completa. Você pode conectar o motor nativo integrado do OpenOPC ou agentes CLI externos como Claude Code, Cursor ou Codex. As funções podem usar backends diferentes: o arquiteto trabalha em um modelo, o desenvolvedor escreve código através de um agente terminal externo, e o revisor verifica código através de uma terceira combinação.

Você pode trabalhar com tudo isso através do terminal e do dashboard do navegador.

Na interface web você encontra:

• Um quadro Kanban que reflete os estados reais das tarefas do runtime.
• Um painel de comunicações com logs de mensagens entre agentes e registros de suas discussões internas.
• Um editor de estrutura organizacional onde você pode alterar cadeias de comando e contratar novos especialistas.
• Um escritório pixelado onde você pode ver quem está trabalhando atualmente em qual tipo de tarefa.

Início rápido

Para fazer deploy do projeto, os criadores recomendam o gerenciador de pacotes uv. Você vai precisar de Python 3.10 ou mais recente, e Node.js a partir da versão 18 se planejar reconstruir o frontend.

Primeiro, configure um ambiente virtual:

# 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

Em seguida, inicialize os configs locais e as pastas de memória:

uv run opc init

O comando vai criar o diretório .opc/config/. Abra .opc/config/llm_config.yaml e adicione sua chave de API. O motor funciona com qualquer endpoint compatível com LiteLLM e OpenRouter.

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

Agora você pode iniciar a interface web:

uv run opc ui

O painel vai abrir em http://localhost:8765.

Se preferir trabalhar diretamente do console, o utilitário fornece um chat interativo conveniente e suporta execução de tarefas únicas:

# 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"

Onde isso se aplica na prática

O repositório tem exemplos de uso para uma ampla gama de direções: desde relatórios de investimentos até cenários de roteiros de vídeo e protótipos de jogos.

No desenvolvimento do dia a dia, o OpenOPC se destaca em cobrir pipelines completos. Por exemplo, quando você precisa não apenas escrever uma função, mas pesquisar uma API de terceiros, preparar um documento de arquitetura, escrever código, executar testes através do Playwright e empacotar tudo em um pull request elegante com documentação.

Outro cenário envolve integração com mensageiros. O OpenOPC pode se conectar ao Telegram, Discord, Slack, Feishu e outros canais de chat corporativos. Você pode configurar um bot em uma fila de tarefas de entrada, e ele vai lançar uma equipe de agentes com base nas mensagens do chat.

Resumo

O OpenOPC deixa uma impressão agradável com sua abordagem estruturada. Os autores não estão tentando vender um conto sobre um único prompt todo-poderoso—eles estão construindo um sistema de engenharia previsível com separação clara de responsabilidades, persistência de estado em disco e controle sobre ações perigosas.

O projeto vale a pena experimentar se:

• Você se sente limitado dentro de um único chat com Claude ou Cursor quando um projeto requer várias competências diferentes.
• Você quer experimentar sistemas multi-agentes que têm gerenciamento real de tarefas e DAG, em vez de trocas caóticas de mensagens.
• Você precisa de um framework local para automatizar processos rotineiros de pesquisa ou engenharia com controle visual claro.

A melhor forma de começar é executando a UI local via uv e resolvendo tarefas simples no modo de agente único, gradualmente passando para construir suas próprias equipes no Modo Empresa. Também é útil verificar a pasta .opc/config/ para configurar os níveis de auto-confirmação para sua máquina.