夜雨聆风先放一张赛道地图，全篇的结构都在这张图里。
再看一组数字。2026 年 7 月末，YC 孵化的开源项目 Quartermaster（QM）正式开源，MIT 协议；上线后热度快速攀升，截至 2026-08-22 GitHub Star 已达到 1.4 万。2026 年 8 月，Anthropic 宣布 Claude Tag 进入公开 Beta，公开数据显示它参与了 Anthropic 内部 65% 以上的产品代码改动。同一个月，OpenAI 把 Workspace Agents 推给了 ChatGPT 的商业版用户。
个人 AI 助手讲的是"帮我干活"，企业级平台讲的是"让一堆 AI 员工一起干活"。前者已经卷成红海，后者刚刚开始。
"企业 Agent 协作平台"和普通 AI 框架、聊天机器人不是一回事。先区分三层：Agent 开发框架用来"写"Agent（如 LangGraph、CrewAI），Agent 运行底座负责"跑"和调度，本文讨论的是更上一层的"组织级协作治理平台"——重点在组织权限、审计、多人协作，而不是单纯写 Agent 代码。
三层各缺一块拼图，谁也替代不了谁：写 Agent 的框架解决不了治理——Agent 造出来了，谁管权限、谁看审计？跑 Agent 的底座解决不了业务流程——任务能调度，却和公司已有的审批流、协作流对不上；治理平台如果只做管控、不留自定义开发的接口，也接不住企业五花八门的内部系统。这也是为什么企业最终需要的是一个平台，而不是一个框架加一个调度器。它的核心场景是：一个组织内部跑着大量 AI 员工，它们要么各自负责一条业务线，要么被临时组队解决一个问题，平台要解决的是这些 AI 员工怎么安全、可控、有分工地协作。
判断一个产品属不属于这个赛道，看四个特征：
•多智能体：不是单点对话，而是多个 Agent 并行或协作
•组织级治理：有角色、权限、审批、审计，能回答"谁批准了这个 AI 员工做的事"
•对接企业工具：Slack、Lark、钉钉、企微、Jira、GitHub 这类真实工作流
•可见与可控：能看见 AI 员工在做什么，能随时叫停、回滚
按这个口径，很多热门项目其实不算：OpenClaw 有 38 万 Star，但它是个人助理定位，单机运行，没有组织治理；MAF、OpenHands Enterprise、AnythingLLM、Letta 也都沾边但不严格同类。真正落在这个赛道里的，开源侧目前有这三家值得关注：Multica、QM、kagent。
MULTICA GitHub 是这个赛道目前星数最高的开源项目，47,169 Star（2026-08-22 实测），Go 语言，Apache-2.0 协议加附加条款：仅当你把 Multica 包装成 SaaS 对外提供服务时，才需要商业授权；企业内部部署自用完全免费。
Multica 最像"为组织打造的产品"的地方，是它把 AI 员工的管理做成了看板。你给 AI 员工建"工位"（Squads），像派任务一样给它开 issue、挂看板，它就在自己的看板上认领任务、更新状态、交付结果。这个设计把 AI 员工纳入了团队已有的工作流，人类同事看得见它在做什么、卡在哪。
它支持 23 种 Agent CLI，接 Slack、Lark、钉钉、企微等 IM，自带角色权限、审计日志和发布门禁。换句话说，它把"员工管理"那套流程也搬了进来。对已经有成熟项目制流程的团队，Multica 的上手曲线是最平滑的：不用重新发明流程，把 AI 员工当作又一个会领任务的成员即可。
QM（github.com/yc-software/qm）是 YC 的开源项目，14,075 Star（2026-08-22 实测），MIT 协议，主打 per-scope 隔离。它的核心思路是"频道"：像 IM 频道一样，为不同业务线、不同团队建立隔离的 Agent 工作区，每个 scope 内的 Agent、工具、数据互不可见。
QM 的亮点是治理。它把"一个 Agent 能碰什么、能调什么工具、能写哪些数据"做成了显式的 scope 边界，配合 Slack 和 Web 双端界面，人类管理者可以在里面审阅 AI 员工的产出、追踪任务、控制权限。对安全要求高的场景（比如金融、政务、客户数据敏感的企业），QM 的 per-scope 设计几乎是刚需。需要说明的是，QM 定位是 Agent 运行的 Harness（底座），聚焦权限隔离、上下文隔离和审计追踪，Agent 的业务任务逻辑由上层实现，本身不内置复杂的自主多 Agent 编排。
kagent（github.com/kagent-dev/kagent）由 Solo.io 贡献、已进入 CNCF Sandbox（沙箱项目），3,568 Star（2026-08-22 实测），Apache-2.0。它是三家里最"基础设施"的一个：用 Kubernetes CRD 定义 Agent，天然继承 K8s 的 RBAC、审计、可观测能力。
如果团队已经上了云原生，kagent 的吸引力在于"Agent 即资源"：像管理 Pod、Service 一样管理 AI 员工，弹性伸缩、故障恢复、审计都复用 K8s 那套成熟机制。代价是学习成本：你得懂 K8s，才能用好 kagent。它更适合平台工程师，而不是业务团队。
开源三派之外，闭源大厂的动作更快、更接近"开箱即用"。它们的产品形态高度一致：以聊天/会话为入口，AI 员工以"同事"身份出现在企业 IM 或办公套件里。
2026 年 6 月 24 日在 Slack 上推出，2026 年 8 月公开 Beta。Claude Tag 把 AI 员工直接放进了 Slack，共享频道、共享对话上下文，团队成员可以 @它、给它派活、看它和别人的对话。Anthropic 官方披露，在自家产品团队内部，内部版本 Claude Tag 参与了 65% 以上的产品代码改动。这个数字只代表 Anthropic 的内部场景，不代表外部企业能直接复现同样的产出比例。
2026 年 8 月 18 日公布，面向 ChatGPT Business、Enterprise、Edu、Teachers 用户的研究预览。它由 OpenAI 的代码智能体能力驱动（此前报道常提的 Codex 已整合进新一代模型体系），定位是"同事"，不只是"工具"：可以在 ChatGPT 内部使用，也可以在 Slack 里调用，通过话题（thread）管理 Agent 的并行工作。和 Claude Tag 抢的是同一批客户：已经有 Slack 重度的技术团队。
Salesforce 在 2026 年把 Agentforce 升级出 Coworker 形态，主打"和人类同事并肩作战"，深度绑定 Salesforce 生态的 CRM 数据。它的卖点不在通用能力，而在"你的业务数据就在我这"。销售、客服团队用起来零迁移成本。
Google 把原来的 Agentspace 整合进 Gemini Enterprise，主打"智能体编排 + 企业搜索 + 数据治理"。Google 的打法是靠 Workspace 全家桶的深度集成：Gmail、Docs、Calendar、Meet 里的数据天然可被 Agent 调用，配合 Agent Designer 拖拽编排。对已经重度用 Google Workspace 的组织，切换成本最低。
微软的布局是"业务侧 + 底座"双线：Copilot Studio 负责业务用户低代码搭 Agent，Azure AI Foundry 负责底下的大模型、知识库、监控。2026 年微软还加入了 A2A（Agent2Agent）协议互操作阵营，用 Purview 做数据治理。这一套组合拳的优势在 Azure 生态：企业本来就在微软云上，Agent 只是再叠一层。
Anthropic 还放出了一个偏"底座"的产品：Claude Managed Agents，按 $0.08/小时 + Token 计费托管运行 Agent。Notion、Rakuten、Asana、Sentry 等公司已经在用。它不算终端产品，但它是闭源阵营里"把 Agent 当成一种服务卖"的代表，值得关注。
把开源和闭源摆在一起，会发现一个很有意思的分野：
•开源看板派（Multica、QM）：把 AI 员工当成"任务执行者"，用看板、issue、scope 管理它。AI 员工领任务、干活、交付，人类只做审批和验收。适合工程文化强、讲究流程和可审计的团队。
•闭源聊天派（Claude Tag、Workspace Agents）：把 AI 员工当成"同事"，在 Slack 里对话、共享上下文、并肩协作。门槛低、体验自然，但治理和可迁移性弱，数据锁在平台里。
看板派的强项是治理和透明，代价是体验偏工程化；聊天派上手快、体验自然，但治理和可移植性弱。不存在谁碾压谁，取决于你的团队是"流程驱动"还是"对话驱动"。另外提醒一句：闭源聊天派的数据锁在平台里，Agent 迁移成本极高，而当前 A2A（Agent2Agent）互操作协议还在草案阶段，跨平台搬 Agent 并不现实。
不管选哪家，企业把 AI 员工真正用起来，都绕不开四件事：
1.身份与权限：AI 员工用什么身份干活？能碰什么数据、不能碰什么？这条决定安全底线
2.审批与门禁：AI 员工做关键操作（花钱、发消息、改代码）时，谁批准？有没有门禁？
3.审计与追溯：AI 员工做了啥，事后能不能查？出问题能不能回滚？
4.工具与数据接入：它能不能连上你们已有的 Slack、Jira、数据库？连不上就是空壳
这四件套哪家做得好，哪家就值得优先试。开源侧目前 QM 的 scope 隔离和 Multica 的权限/审计最完整；闭源侧微软和 Google 靠平台底座占便宜，Anthropic 和 OpenAI 靠对话体验抢市场。
几个容易踩的坑，写下来供参考：
•场景匹配优先：先想清楚要解决什么问题、团队是什么形态（有没有 K8s、重不重 Slack、治理要求多高），再去挑产品。技术栈和热度都是第二位，场景不对，再好的平台也白搭
•别拿 Star 数当唯一标准：Multica 47k 星不代表它适合你，kagent 3.5k 星也不代表它弱。先看你的团队有没有 K8s、有没有 Slack、治理要求有多高
•警惕"框架全能"陷阱：很多开源项目号称什么都能做，实际上手发现关键场景（比如企业 IM 集成、审计）要靠自己造轮子。试用时先测最痛的一个场景
•闭源平台先问清楚数据权：Agent 会用企业的真实数据，数据落谁家、能不能导出，合同里写清楚再上
•AI 员工也要考核：没有可观测性就没有管理。上线前先定义好"这个 AI 员工的 KPI 是什么"，不然它成了黑盒，出了事没人知道
企业 Agent 协作平台是智能体基建系列的又一块拼图。个人 Agent 解决"效率"，企业级平台解决"管理"，后者才刚刚开始：开源侧三派分立、各有拥趸，闭源侧大厂全部下场、正面交锋。对大多数团队，我的建议是：先明确自己是流程驱动还是对话驱动，再用职场四件套去逐个验证候选产品，最后小范围试点再铺开。
这个赛道变化极快，本文数据截至 2026-08-23。如果发现漏了重要玩家，欢迎留言补充。
如果非要给一个极简选型结论：金融政务等安全敏感行业优先 QM（per-scope 隔离是刚需）；研发团队优先 Multica（看板/issue 与研发流程天然契合）；云原生基建团队优先 kagent（Agent 即资源，复用 K8s 全家桶）；通用型企业没有强流程诉求，优先闭源大厂的开箱即用。