Hoe lanceer je je eigen AI-bedrijf met OpenOPC

Meestal eindigen experimenten met multi-agent systemen in het stadium waarin drie LLM's in een lus elkaar eindeloos beleefd vragen beginnen te stellen en tokens verbranden. Je vraagt ze om een applicatie te schrijven, en je eindigt met vijf pagina's wederzijdse excuses en geen enkele regel werkende code.

Onlangs kwam ik OpenOPC tegen van onderzoekers van de Hong Kong University (HKUDS). Zij besloten om agent-orchestratie niet te benaderen als een abstract gesprek, maar als een echt bedrijf met organisatiestructuur, rollen, een Kanban-bord, kwaliteitscontroles en het aannemen van medewerkers voor specifieke taken.

Wat de ontwikkelaars hebben bedacht

De auteurs noemen het concept AI-Native Company. In plaats van één agent die probeert architectuur, tests schrijven en frontend-werk te combineren, stelt het project een team samen dat is afgestemd op de specifieke opdracht.

Het werk is gebouwd op drie mechanismen:

• Structuurassemblage. Het systeem analyseert de opdracht, bouwt de organisatiestructuur en selecteert agents. Het gebruikt kant-en-klare talenttemplates of maakt nieuwe profielen aan met een schone context.
• Taakuitvoering. Taken hopen zich niet op in één hoop—ze doorlopen een finite state machine. Elk werkitem heeft een eigenaar, een huidige kolom op het bord en een gereedheidsstatus voor uitvoering.
• Ervaringsoverdracht. Nadat een project is voltooid, evalueert het systeem de bijdrage van specifieke rollen, niet een abstract gesprek. Succesvolle technieken en oplossingen worden vastgelegd in het persoonlijke geheugen van de rol en de gedeelde instructies van het team.

Als leuke bonus hebben de auteurs een webinterface gekoppeld die is gebouwd met React en Phaser, waar agents in een pixel-virtueel kantoor aan bureaus zitten, taakkaarten aan elkaar doorgeven en videogesprekken voeren voor vergaderingen.

Hoe de samenwerking intern werkt

Het hoofdprobleem met complexe pipelines is dat taken zelden perfect vanaf het begin worden gepland. Onderweg zullen gegarandeerd blockers, ontbrekende context of mislukte tests opduiken.

OpenOPC lost dit op door een dependency graph (DAG) en managerrollen. De manager neemt de opdracht, decomposeert deze en verdeelt het werk over uitvoerders. Onafhankelijke taken draaien parallel, afhankelijke taken wachten hun beurt.

Teaminteractie volgt vijf basismodi:

1. Directe uitvoering van een taak door de toegewezen agent.
2. Een subtak delegeren naar een ondergeschikte met contextoverdracht.
3. Een afgerond resultaat reviewen voordat het naar de volgende fase wordt gestuurd.
4. Afgeronde modules integreren in het totale project.
5. Teruggestuurd voor revisie met specifieke feedback.

Als een agent vastloopt, crasht het niet met een fout. Eerst probeert het systeem het probleem intern op te lossen: het stuurt een blokkerend bericht naar de rol die verantwoordelijk is voor het relevante gebied. Als de autoriteit van de agents niet voldoende is (bijvoorbeeld als een gevaarlijke terminalopdracht bevestiging nodig heeft of een service moet worden betaald), escaleert de runtime het verzoek naar een mens.

Bevestigingsbeleid wordt geconfigureerd via de security config. Eenvoudige leesopdrachten worden direct uitgevoerd, middelrisico-opdrachten worden geëvalueerd door een aparte LLM, en destructieve operaties zoals rm -rf of force push wachten altijd op een druk op de knop van de gebruiker.

Launchmodi en interfaces

Het project ondersteunt twee hoofdwerk scenario's: Task Mode en Company Mode.

Task Mode lijkt op bekende workspaces zoals Cursor of OpenCode. Het is een single-agent modus waarin één geselecteerde agent een specifiek gericht probleem oplost: een module refactoren, een script schrijven of informatie verzamelen.

Company Mode lanceert een volledig team. Je kunt de ingebouwde OpenOPC Native engine aansluiten of externe CLI-agents zoals Claude Code, Cursor of Codex. Rollen kunnen verschillende backends gebruiken: de architect werkt op één model, de developer schrijft code via een externe terminal agent, en de reviewer controleert code via een derde combinatie.

Je kunt met dit alles werken via zowel de terminal als het browser dashboard.

In de webinterface vind je:

• Een Kanban-bord dat de echte taakstatussen van de runtime weerspiegelt.
• Een communicatiepaneel met logs van berichten tussen agents en verslagen van hun interne discussies.
• Een organisatiestructuur-editor waar je rapportagelijnen kunt wijzigen en nieuwe specialisten kunt aannemen.
• Een pixelkantoor waar je kunt zien wie momenteel aan welk type taak werkt.

Snelstart

Voor het deployen van het project raden de makers de package manager uv aan. Je hebt Python 3.10 of nieuwer nodig, en Node.js vanaf versie 18 als je de frontend opnieuw wilt bouwen.

Stel eerst een virtual environment in:

# 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

Initialiseer vervolgens lokale configs en memory folders:

uv run opc init

De opdracht maakt de .opc/config/ directory aan. Open .opc/config/llm_config.yaml en voeg je API key toe. De engine werkt met alle endpoints die compatibel zijn met LiteLLM en OpenRouter.

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

Nu kun je de webinterface starten:

uv run opc ui

Het paneel wordt geopend op http://localhost:8765.

Als je liever direct vanuit de console werkt, biedt de utility een handige interactieve chat en ondersteunt single task execution:

# 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"

Waar dit in de praktijk wordt toegepast

De repository heeft gebruiksvoorbeelden voor een breed scala aan richtingen: van investeringsrapporten tot video-scriptscenario's en game-prototypes.

In dagelijkse ontwikkeling blinkt OpenOPC uit in het dekken van end-to-end pipelines. Bijvoorbeeld wanneer je niet alleen een functie hoeft te schrijven, maar ook een third-party API moet onderzoeken, een architectuurdocument moet voorbereiden, code moet schrijven, tests moet draaien via Playwright en alles moet verpakken in een nette pull request met documentatie.

Een ander scenario betreft messenger-integratie. OpenOPC kan verbinden met Telegram, Discord, Slack, Feishu en andere zakelijke chatkanalen. Je kunt een bot instellen op een inkomende taakstroom, en het zal een team van agents starten op basis van berichten uit de chat.

Samenvatting

OpenOPC laat een prettige indruk achter met zijn gestructureerde aanpak. De auteurs proberen geen sprookje te verkopen over een almachtige single prompt—ze bouwen een voorspelbaar technisch systeem met duidelijke scheiding van verantwoordelijkheden, state-persistentie naar disk en controle over gevaarlijke acties.

Het project is de moeite waard om uit te proberen als:

• Je je krap voelt binnen één chat met Claude of Cursor wanneer een project verschillende competenties vereist.
• Je wilt experimenteren met multi-agent systemen die echt taakbeheer en DAG hebben, in plaats van chaotische berichtenuitwisselingen.
• Je een lokaal framework nodig hebt voor het automatiseren van routinematige onderzoeks- of technische processen met duidelijke visuele controle.

De beste manier om te beginnen is door de lokale UI te draaien via uv en eenvoudige taken te Tackelen in single-agent modus, geleidelijk over te schakelen naar het bouwen van je eigen teams in Company Mode. Het is ook nuttig om de .opc/config/ folder te controleren om auto-confirmation levels voor je machine te configureren.