Andrew Ng ogłosił OpenWorker, open-source’owego agenta desktopowego zaprojektowanego do tworzenia gotowych rezultatów pracy zamiast odpowiedzi opartych na czacie. Ng jest założycielem DeepLearning.AI, wcześniej kierował badaniami nad AI w Google Brain i Baidu oraz współzałożył Coursera. Ogłoszenie zostało udostępnione na X pod adresem https://x.com/AndrewYNg/status/2080333504446108104.

OpenWorker opiera się na rezultatach, a nie na promptach. Użytkownik może poprosić o dopracowany dokument, odpowiedź na Slacku zawierającą rzeczywiste liczby, zaktualizowany kalendarz lub posegregowaną skrzynkę odbiorczą. System następnie rozbija żądany wynik na kroki, działa na lokalnych plikach i połączonych aplikacjach oraz konsultuje się z użytkownikiem przed podjęciem istotnych działań. Umieszcza to OpenWorker w rozwijającej się kategorii agentowych narzędzi AI, które wykonują wieloetapowe zadania w różnych aplikacjach, zamiast wyłącznie generować odpowiedzi tekstowe.

Czterowarstwowa architektura działająca na lokalnym komputerze

Architektura OpenWorker jest zorganizowana w cztery warstwy, z których wszystkie działają na komputerze użytkownika. Repozytorium zawiera 119 plików Python, łącznie około 32 400 linii, w katalogu coworker/; 149 plików TypeScript/TSX w surfaces/gui/; oraz 78 modułów testów backendu.

Powłoka desktopowa to natywne okno Tauri 2 obejmujące interfejs użytkownika React 18. Tauri jest open-source’owym frameworkiem do budowy lekkich aplikacji desktopowych z użyciem webowych frontendów i natywnego dostępu do systemu. Jej identyfikator pakietu to com.openworker.desktop, a sama powłoka nadzoruje serwer Python.

Lokalny serwer agenta wykorzystuje Python 3.10+ z FastAPI i uvicorn. Domyślnie nasłuchuje pod adresem 127.0.0.1:8765. Przykładowa konfiguracja ogranicza pojedynczą turę do 12 iteracji narzędzi modelu.

Warstwa możliwości i konektorów obejmuje zweryfikowane narzędzia lokalne do obsługi plików, git, wyszukiwania opartego na ripgrep, dostępu do powłoki oraz zarządzania zadaniami, a także integracje hostowane i MCP, czyli Model Context Protocol: MCP to otwarty standard wprowadzony przez Anthropic pod koniec 2024 roku, służący do łączenia asystentów AI z zewnętrznymi źródłami danych i narzędziami za pomocą wspólnego protokołu.

Router modeli zapewnia jeden interfejs dla dostawców natywnych, zgodnych z OpenAI, resellerów oraz dostawców lokalnych. Silnik jest zbudowany na aisuite, niezależnej od dostawcy bibliotece LLM Andrew Nga: https://github.com/andrewyng/aisuite. aisuite udostępnia ujednolicony interfejs do wywoływania modeli wielu dostawców bez zmiany kodu aplikacji.

Dostęp w modelu bring-your-own-model

OpenWorker nie udostępnia własnej usługi inferencyjnej. Użytkownicy wklejają klucz API do aplikacji albo wskazują jej lokalne środowisko uruchomieniowe, co oznacza, że płacą dostawcom bezpośrednio i zachowują kontrolę nad tym, które modele przetwarzają ich dane.

Wyselekcjonowana macierz modeli zawiera dokładnie 30 pozycji. Dostawcy natywni obejmują OpenAI, z GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna i GPT-5.5; Anthropic, z Claude Fable 5, Opus 4.8, Sonnet 4.6 i Haiku 4.5; oraz Google, z Gemini 3.1 Pro, 3.6 Flash, 2.5 Pro i 2.5 Flash.

Dostawcy zgodni z OpenAI dodają GLM-5.2, DeepSeek V4, Kimi K2.6, MiniMax M2.5, Qwen3 Max, Grok 4.3 i Mistral Large. Modele o otwartych wagach są dostępne przez Together AI, oraz Fireworks, W pełni lokalne modele są dostępne przez Ollama, które nie wymaga klucza API.

System uprawnień i klasy ryzyka

OpenWorker traktuje zatwierdzenia jako typowaną warstwę, a nie wyłącznie funkcję interfejsu użytkownika. Każde wywołanie narzędzia jest przypisywane do jednej z czterech klas ryzyka: read, dla działań bez skutków ubocznych; write_local, dla zmian w obszarze roboczym ograniczonych do ścieżek; exec, dla uruchamiania poleceń; oraz external, dla działań ze skutkami ubocznymi poza komputerem.

Pięć trybów uprawnień określa, jak te działania są obsługiwane. discuss i plan są trybami tylko do odczytu. interactive jest trybem domyślnym i wymaga zatwierdzenia przed zapisami, poleceniami oraz działaniami zewnętrznymi. auto zezwala na wszystkie działania, pozostając przy tym ograniczony do ścieżek. custom automatycznie zatwierdza zdefiniowaną przez użytkownika listę narzędzi.

Model zatwierdzania definiują dwie decyzje projektowe. Po pierwsze, tryb nienadzorowany nie zwiększa poziomu autonomii; zmienia jedynie miejsce kontaktu z użytkownikiem. Prompty, które normalnie pojawiłyby się w tekście, są kierowane do skrzynki Inbox, a sesja zostaje zawieszona do czasu odpowiedzi użytkownika.

Po drugie, stałe reguły ograniczone do zadania są ograniczone do ryzyka zewnętrznego. Polecenia powłoki nadal wymagają zatwierdzenia z założenia.

Wbudowana persona operacyjna instruuje również model, aby traktował treści z narzędzi, logów, internetu, plików i przychodzących wiadomości jako niezaufane dane, a nie instrukcje. Taka postawa wobec prompt injection jest wpisana w dostarczaną personę. Traktowanie zewnętrznych treści jako niezaufanych danych stanowi obronę przed pośrednim prompt injection, czyli wektorem ataku, w którym złośliwe instrukcje osadzone w źródłach danych próbują manipulować zachowaniem agenta.

Model prywatności local-first

Wywołania modeli są wysyłane bezpośrednio z komputera użytkownika do skonfigurowanego dostawcy. Rozmowy, tokeny konektorów i klucze modeli pozostają lokalnie. Magazyn sekretów został zaprojektowany tak, aby sekrety nie trafiały do kontekstu modelu, promptów ani śladów wykonania.

Jedynym komponentem chmurowym jest opcjonalny broker do obsługi uzgodnień OAuth używanych przez konektory jednym kliknięciem. Wykorzystuje Auth0 Authorization Code z PKCE. Tokeny konektorów są przekazywane bezpośrednio na komputer użytkownika i nie są przechowywane w chmurze. Aplikacja pozostaje w pełni funkcjonalna po wylogowaniu dzięki ręcznie wklejanym poświadczeniom.

OpenWorker jest objęty licencją MIT i pozycjonowany jako desktopowy współpracownik AI, który zwraca ukończone rezultaty zamiast odpowiedzi czatowych. Jego stos łączy powłokę Tauri 2 i React z lokalnym serwerem agenta Python FastAPI zbudowanym na aisuite. Dostęp do modeli odbywa się w formule bring-your-own-key dla 30 wyselekcjonowanych modeli wywołujących narzędzia, z w pełni lokalnym dostępem dostępnym przez Ollama. Typowany silnik ryzyka używający read, write_local, exec i external kontroluje działania w pięciu trybach uprawnień.

Repozytorium OpenWorker na GitHubie jest dostępne pod adresem https://github.com/andrewyng/openworker, a strona projektu pod adresem