Agent 操作系统，将 LLM 视为 CPU，MCP 协议作为设备驱动总线，系统级架构设计。

核心特性

操作系统级架构

• 将 LLM 视为 CPU
• MCP 协议作为设备驱动总线
• 内置任务抢占式调度器
• 多 Agent 共享底层资源

资源统一管理

• 算力统一分配
• 内存池管理
• 任务优先级调度
• 资源配额限制

高度可扩展

• 插件式 MCP 服务器
• 动态加载驱动
• 热插拔支持
• API 网关集成

企业级特性

• 多租户隔离
• 审计日志
• 监控告警
• 高可用部署

快速开始

安装

# 从源码构建
git clone https://github.com/RightNow-AI/openfang.git
cd openfang

# 使用 Cargo 构建
cargo build --release

# 安装
cargo install --path .

配置

创建 openfang.toml:

[system]
# 系统配置
max_agents = 10
scheduler = "preemptive"  # 或 "cooperative"
log_level = "info"

[llm]
# LLM 配置（CPU）
provider = "anthropic"
api_key = "${ANTHROPIC_API_KEY}"
model = "claude-3-5-sonnet-20241022"
max_tokens = 4096

[mcp]
# MCP 服务器配置（设备驱动）
[[mcp.servers]]
name = "filesystem"
command = "npx"
args = ["-y", "@modelcontextprotocol/server-filesystem", "/workspace"]

[[mcp.servers]]
name = "github"
command = "npx"
args = ["-y", "@modelcontextprotocol/server-github"]
env = { GITHUB_TOKEN = "${GITHUB_TOKEN}" }

[[mcp.servers]]
name = "database"
command = "npx"
args = ["-y", "@modelcontextprotocol/server-postgres"]
env = { DATABASE_URL = "${DATABASE_URL}" }

[scheduler]
# 调度器配置
time_slice = "100ms"
priority_levels = 5
preemption = true

[resources]
# 资源配额
cpu_quota = 1.0
memory_limit = "2GB"
disk_quota = "10GB"

启动

# 启动 OpenFang 系统
openfang start --config openfang.toml

# 查看系统状态
openfang status

# 查看运行中的 Agent
openfang ps

技术架构

系统架构

┌─────────────────────────────────────────────┐
│           OpenFang OS Kernel                │
│                                             │
│  ┌───────────────────────────────────────┐  │
│  │      Task Scheduler (调度器)          │  │
│  │  - Preemptive Scheduling              │  │
│  │  - Priority Queue                     │  │
│  │  - Resource Allocation                │  │
│  └───────────────────────────────────────┘  │
│                    ↓                        │
│  ┌───────────────────────────────────────┐  │
│  │      LLM Engine (CPU)                 │  │
│  │  - Claude / GPT / Gemini              │  │
│  │  - Token Management                   │  │
│  │  - Context Window                     │  │
│  └───────────────────────────────────────┘  │
│                    ↓                        │
│  ┌───────────────────────────────────────┐  │
│  │      MCP Bus (设备驱动总线)           │  │
│  │  - Protocol Handler                   │  │
│  │  - Message Router                     │  │
│  │  - Driver Manager                     │  │
│  └───────────────────────────────────────┘  │
│                    ↓                        │
│  ┌─────────┐  ┌─────────┐  ┌─────────┐    │
│  │FS Driver│  │DB Driver│  │API Driver│   │
│  └─────────┘  └─────────┘  └─────────┘    │
└─────────────────────────────────────────────┘

核心技术栈

• 语言: Rust
• 异步运行时: Tokio
• 协议: MCP (Model Context Protocol)
• 调度: 抢占式调度器

调度算法

OpenFang 实现了类似操作系统的任务调度：

1. 优先级调度: 5 个优先级级别
2. 时间片轮转: 每个任务 100ms 时间片
3. 抢占式调度: 高优先级任务可抢占低优先级
4. 公平调度: 防止任务饥饿

使用示例

创建 Agent

use openfang::{Agent, Priority};

// 创建高优先级 Agent
let agent = Agent::new("data-processor")
    .priority(Priority::High)
    .memory_limit("512MB")
    .timeout(Duration::from_secs(300))
    .build()?;

// 执行任务
let result = agent.execute("分析这个数据集并生成报告").await?;

多 Agent 协同

use openfang::{System, Agent};

// 初始化系统
let system = System::new("openfang.toml")?;

// 创建多个 Agent
let planner = system.spawn_agent("planner", Priority::High).await?;
let coder = system.spawn_agent("coder", Priority::Normal).await?;
let reviewer = system.spawn_agent("reviewer", Priority::Normal).await?;

// 协同工作
let plan = planner.execute("制定开发计划").await?;
let code = coder.execute(&format!("根据计划编写代码: {}", plan)).await?;
let review = reviewer.execute(&format!("审查代码: {}", code)).await?;

MCP 驱动管理

use openfang::mcp::{Driver, DriverManager};

// 动态加载驱动
let manager = DriverManager::new();
manager.load_driver("slack", SlackDriver::new(token)).await?;

// 使用驱动
let slack = manager.get_driver("slack")?;
slack.send_message("#general", "Hello from OpenFang!").await?;

// 卸载驱动
manager.unload_driver("slack").await?;

高级功能

资源配额管理

[resources.quotas]
# 为不同租户设置配额
[resources.quotas.tenant_a]
cpu = 0.5
memory = "1GB"
max_agents = 5

[resources.quotas.tenant_b]
cpu = 0.3
memory = "512MB"
max_agents = 3

监控和告警

# 查看系统资源使用
openfang monitor

# 输出示例：
# CPU Usage: 65%
# Memory: 1.2GB / 2GB
# Active Agents: 7 / 10
# MCP Drivers: 5 loaded
# Task Queue: 3 pending

审计日志

// 启用审计日志
let system = System::new("openfang.toml")?
    .enable_audit(true)
    .audit_path("/var/log/openfang/audit.log")
    .build()?;

// 日志包含：
// - Agent 创建/销毁
// - 任务执行记录
// - 资源使用情况
// - MCP 调用记录

性能指标

指标	数值
Agent 启动时间	< 50ms
调度延迟	< 10ms
内存开销	基础 50MB + 每 Agent 20MB
并发 Agent	100+
MCP 调用延迟	< 5ms

适用场景

推荐使用

• 需要对接大量外部 API 的重度自动化工作流
• 企业级 Agent 基础设施搭建
• 多 Agent 协同工作场景
• 需要精细资源控制的场景
• 高并发 Agent 托管平台

不推荐使用

• 简单的单 Agent 应用
• 对系统复杂度敏感的场景
• 资源非常受限的环境

与其他项目对比

特性	OpenFang	原版 OpenClaw	ZeroClaw
架构	OS 级	单进程	Actor 模型
多 Agent	原生支持	需自行实现	支持
资源管理	统一调度	独立进程	独立进程
MCP 支持	核心特性	插件	插件
适用场景	企业平台	个人使用	高性能

相关链接

• GitHub: RightNow-AI/openfang
• 文档: 使用文档
• MCP 协议: Model Context Protocol
• 问题反馈: Issues

贡献

欢迎贡献代码、报告问题或提出建议！

# 克隆仓库
git clone https://github.com/RightNow-AI/openfang.git

# 安装依赖
cd openfang
cargo build

# 运行测试
cargo test

# 运行示例
cargo run --example multi_agent

许可证

Apache License 2.0 - 详见 LICENSE

---

访问 GitHub 仓库 →

上一页OpenClaw Manager - 跨平台管理工具

下一页OpenLegion - Agent 舰队管理