Paperclip AI 评测：多智能体协作怎么管，部署前要看什么

核验日期：2026 年 11 月 7 日。 本文依据当时的在线文档和官方代码仓库展开评估，讨论已记录的产品行为，并以具体工作流说明用法；未进行实际部署或生产力测量。

Paperclip AI 是什么？

Paperclip 是开源服务器与浏览器管理面板，用来围绕共同任务组织 AI 智能体：任务归谁、服务于什么目标、允许花多少钱、由谁审核。它以 Node.js 后端和 React 界面管理实际执行工作的智能体运行时。官方应用仓库是 paperclipai/paperclip，项目官网和文档均链接至此。Paperclip 提供协调、权限、记录和调度；接入的智能体提供工具和模型访问能力。它本身既不是语言模型，也不是一门现成的生意；采用“公司”这一组织比喻，也不意味着公司可以无人运转。本文讨论的是 paperclip.ing 的智能体编排项目，与无关的 Paperclip Inc. 以及“回形针最大化”思想实验应作区分。

Paperclip AI 替代方案：不同需求该选谁？

Paperclip 适合已经用上可靠智能体、开始需要协调任务分配、支出和审核的创始人或技术运营者。如果底层智能体连边界清楚的任务都做不好，组织架构图只会再增加一套需要排查的系统。

选择取决于你要解决什么问题。下表按产品在工作中的角色进行比较，它们也可以搭配使用。

这里比较的是能力定位，并非声称某款产品在基准测试中胜过其他产品。评估标准是：交接是否清楚、权限边界是否明确、支出是否可见，以及任务停滞时能否恢复。只有改善了你的工作流，工具才有保留的价值。

以下情况值得给 Paperclip 一个周末： 你经常在不同智能体会话之间搬运指令和成果，弄不清阻塞任务由谁负责，或希望不同运行时采用统一审核流程。需要协调开发与文档的创始人，或持续开展研究与审核的运营者，都有具体问题可交给它解决。

以下情况建议先等等： 你希望给公司起个名字、任命一位 AI CEO，然后就撒手不管；或者根本没人维护主机、检查凭据、评估产出。如果只是一次编程任务，继续使用现有编程智能体，等协作问题反复出现再考虑增加管理层。

Paperclip 与 OpenClaw 怎么选？

如果眼前需要的是能从 Telegram、Slack 等地方发消息联系的助手，OpenClaw 更适合作为起点。其官方概览介绍了自托管网关、工具调用、定时自动化和多智能体路由。它的能力早已超出单次聊天，因此，仅凭智能体数量增加，不足以说明还需要另一个平台。

如果缺少的是跨运行时的共同工作系统，例如责任明确的任务队列、预算和审核阶段，就可以选择 Paperclip。OpenClaw 仍可作为下层执行智能体使用，但这会增加管理层和一条需要维护的连接，并不会免去 OpenClaw 自身的配置。关于助手层面的选择，可参阅我们的 OpenClaw 评测。

什么时候更适合先用 Hermes Agent？

如果你的问题是工作缺乏连续性，希望智能体能记住有用上下文，并在重复任务中复用操作流程，那么 Nous Research 开发的 Hermes Agent 更适合作为起点。其官方仓库介绍了持久记忆、可在使用中创建和改进的技能、调度，以及子智能体委派。

对于定期编写研究简报的运营者，这些能力可能已经足够。依赖它之前，先检查记住的上下文和保存的流程。当简报进入更大的业务流程，涉及不同负责人、审批和支出控制时，再引入 Paperclip。Paperclip 也提供了本地 Hermes 适配器，因此现在选择 Hermes，并不妨碍以后增加协调层。我们的 Hermes Agent 评测更详细地讨论了这一入门选择。

用角色和工单把交接过程留在记录里

Paperclip 最实用的日常能力，是让委派出去的工作始终对应明确负责人，并留下记录。创始人可以直接查看任务、讨论与产出，无须从分散的终端对话中还原经过。

以一家小型软件企业改进客户数据导出功能为例。创始人要的是可用的导出功能，而非若干代码改动。一份有效任务应说明哪些记录需要导出、权限如何生效、空结果如何处理，以及审核人需要看到哪些证据。

具体流程如下：

1. 向开发智能体分配任务，并关联产品目标和项目。
2. 要求它附上改动内容，以及相关检查的证据。
3. 将完成的工作交给审核人，沿用同一套验收条件。
4. 把具体不合格项退回执行者，讨论继续保留在任务内。
5. 发布之前，由责任人验收结果。

Paperclip 提供任务与交接机制。理解需求、完成修改、给出可信证据，仍是智能体的工作。任务看板再整齐，也不能证明导出的数据正确。

工单工作流文档说明，执行前需先签出任务；若已有其他运行实例占用，会返回冲突响应。这解决了同一任务被重复认领的问题，却不代表不同任务就能安全修改相同文件。执行工作区和代码仓库的协作规则仍需另行处理。

组织结构指南介绍了汇报树：除 CEO 外，每个智能体都有上级；任务沿树向下委派，阻塞问题可以向上升级。在导出功能示例中，管理者可以把开发与文档拆成不同任务。没有实际分工需求时，不必先虚构一套部门。

从能形成有效交接的最小团队开始。给每个智能体都冠上高级头衔，并不会增加专业能力。只有指令说清它负责什么、必须返回什么、何时需要升级处理，角色才有意义。

内容工作也可采用研究、写作、审核的分工。将来源材料保留在研究任务内，并把事实核验纳入验收。客服工作则先从分类和回复草稿开始；是否已经可以自动发送，应由负责客户沟通的人决定。

价值在于委派过程可检查。工作停滞时，你能判断缺的是执行人、凭据、清晰需求，还是一个决定。这些问题不同，解决方法也应不同。

能执行什么，取决于运行时选择与安装配置

Paperclip 通过适配器连接智能体运行时。适配器负责启动智能体、传入任务上下文并收集结果。运行时是让模型调用工具、完成工作的软件；模型则在其中提供推理和文本生成能力。

因此，即使 Paperclip 安装成功，智能体仍可能无法工作。所选运行时必须安装在执行环境中，身份认证必须有效，也必须能访问所需文件或服务。

支持哪些运行时和模型？

Paperclip 的适配器列表列出了可选择的本地适配器，包括 Anthropic Claude Code、OpenAI Codex、Google Gemini CLI、Cursor Agent CLI、OpenCode、Pi、Hermes Agent、Grok Build 和 Kimi Code。另外还有 Cursor Cloud 与 Hermes Gateway 的参考文档。自定义命令和 HTTP 服务也有通用接入方式。

OpenClaw Gateway、Process 和 HTTP 是常规配置流程中的重要例外：运行时支持可用，但智能体配置选择器仍标为 即将推出。可以通过 API 或导入接入，OpenClaw 另有邀请流程。因此，该标签既不表示界面已全面支持，也不意味着完全无法使用。

当前文档还介绍了 Paperclip Runner，一种实验性的原生执行方式。原有直接适配器与它相互独立，不会因为启用它就自动迁移。将 Paperclip 理解为控制平面仍然有帮助，但说它完全没有自身执行基础设施，就过于绝对了。

模型支持取决于所选接入方式和凭据：

• 通过 Claude Code 使用 Claude： Claude 适配器文档支持指定模型 ID，条件允许时从已配置 API 发现模型，否则回退到内置列表。运行时和账户都必须支持所选 Claude 模型。
• 通过 Codex 使用 OpenAI 模型： Codex 适配器文档说明，模型选择会传递给 CLI。不设置时由 CLI 使用默认值；手动填写 ID，并不能保证接入账户有权使用该模型。
• 多家提供商与本地端点： 模型连接器目录涵盖通过受支持执行框架接入 Anthropic、OpenAI、OpenRouter、xAI，以及兼容的自定义或本地端点。OpenCode 使用显式的 provider/model 选择方式；安装后的 opencode models 命令可列出可用选项。

Gemini、Grok 和 Kimi 同样通过各自运行时接入。Paperclip 并不提供一套所有模型都能互换的通用菜单。先选择熟悉的运行时，再通过适配器的环境测试检查所选模型。本地模型端点既要兼容所需 API，也要满足智能体行为要求；填好 URL 并不等于兼容。

在导出功能示例中，沿用熟悉的编程运行时，可以少引入一个变量。如果同时换用陌生模型、陌生执行主机和新的管理系统，运行失败时就更难定位问题。

如何配置 Paperclip AI 智能体？

周末试用，先从本地部署入手比较合理。安装符合要求的 Node.js 后，使用官方初始化命令：

npx paperclipai@latest onboard --yes

请用普通用户执行。安装指南提醒，不要使用 root 或管理员 shell，因为默认嵌入式 PostgreSQL 数据库拒绝这种运行模式。初始化会在 ~/.paperclip/ 下创建本地状态，并在 http://localhost:3100 启动浏览器界面。

按照首个智能体配置指引创建公司、配置第一个智能体，并检查初始战略审批。选择适配器，接入支持的凭据，选定工作模型，再运行测试智能体。这一步用于检查环境；连接成功并不说明业务工作流的产出质量合格。

分配正式工作前，确认工作目录、初始预算策略和审核负责人。使用权限范围与任务相符的仓库或账户。给智能体明确交付物，而不是宽泛的收入目标，这样第一份成果才有客观验收标准。

Paperclip 可以部署在哪里？

Paperclip 可以运行在自己的电脑、Docker 或自行维护的服务器上。部署参考区分了本地受信任模式、需要认证的私有网络部署，以及需要认证的公网部署。本地受信任模式仅监听回环地址，没有人类用户登录；如果要共享实例，应采用相应的认证配置。

数据库参考支持嵌入式 PostgreSQL、独立本地数据库和托管 PostgreSQL。Docker 的官方 Compose 用法见下方常见问题。务必保留数据卷：应用容器成功启动却没有原有状态，不等于组织已经恢复。

当定时任务需要在笔记本休眠后继续运行时，服务器就有了价值。但可用性、更新、备份和凭据维护也随之成为你的责任。第三方托管服务已经存在：Hostinger 托管部署指南分别介绍了其托管 Paperclip 服务和 VPS 选项。官方仓库目前展示的是 Paperclip Cloud 候补名单，这不能证明官方托管方案已普遍开放。

对于 OpenClaw，网关适配器指南介绍了 WebSocket 连接与设备配对。手动流程是先在公司设置中选择生成 OpenClaw 邀请提示词，再粘贴到 OpenClaw 的主聊天中。应按文档走这条路径，不要假定普通适配器选择器就能完成配置。

治理控制需要逐项配置

Paperclip 提供了有实际作用的治理能力，但每种控制只约束特定操作。批准新增智能体、验收已完成任务、授权外部工具调用，是不同的决定。

先看组织变更。审批指南介绍了新增智能体、CEO 战略和预算相关审批。审核新增智能体申请时，应打开完整请求；简短摘要不会展示全部运行时配置、支出额度和汇报细节。

以导出工作流为例，新增审核人应有明确职责，也要有检查实现所需的访问权限。不能只因为 CEO 提出了请求，就批准多加一个智能体。先明确这位审核人需要补充什么证据，以及出现分歧时由谁裁决。

接着，任务执行策略可以强制要求完成前先经审核或审批。配置后，智能体尝试标记完成时会被拦截，并转入规定阶段。审核要求修改时，工作会退回执行者。如果必须由人验收，就应选择人类参与者；审核智能体终究仍是智能体。

在导出示例中，应在执行前明确证据要求：示例文件、访问限制检查，以及空导出的行为。审核人应指出具体缺陷和预期行为。“请再完善一下”往往只会带来又一轮含糊修改。

外部操作需要单独配置。Paperclip 连接器为通过工具网关执行的操作提供允许、先询问和关闭设置。需要等待人工放行的发布操作可设为先询问，该智能体始终不应执行的操作则设为关闭。任务验收与发布改动的权限，应分别处理。

实际区别在于：审核阶段可以阻止任务被标为完成，却不能证明执行过程中使用的每个工具都需要先获许可。反过来，批准某项外部操作，也不代表结果符合最初要求。下文会解释默认设置与 shell 例外，说明为何这一区别会产生实际影响。

需要干预时，可暂停、重新分配或终止工作。配置回滚能恢复配置，却不能保证撤回邮件、找回已删除记录或撤销部署。工作流操作者仍需负责处理其外部影响。

用例行任务为重复工作留下可查记录

Paperclip 可以把周期性工作变成有负责人、有历史记录的任务，这比让一群智能体定时醒来询问有没有活干更有价值。当前心跳与例行任务指南建议普通任务采用事件驱动唤醒，间隔心跳默认关闭。

心跳是一次执行机会：智能体被唤醒、读取分配给它的上下文，再采取行动。分配任务、评论或例行任务都可以触发唤醒。确实需要轮询时才有必要设置定时器；保持智能体随时可用，并不要求不断定时唤醒。

对软件企业创始人而言，定期生成发布准备情况摘要是不错的起点。让智能体找出未完成工作、尚未解决的审核意见和缺失证据，再返回供人检查的报告。不要一开始就设置必须发布所有发现的改动才算成功的例行任务。

一笔示意计算就能说明为何要克制定时唤醒：5 个智能体每隔 5 分钟唤醒一次，每小时就可能产生 60 次定时唤醒，尚未考虑冷却或合并机制。这只是调度计算，不是 token 费用估算，也不是实测工作负载。没有新工作时，活跃记录可能变成你花钱检查的对象。

操作者需要决定什么事件应触发工作，以及停机后如何处理。每周报告跳过已经过时的时间窗口可能合理；记录处理任务则可能需要明确的补跑策略。对两者来说，“一直运行”都算不上充分的要求。

Paperclip 要花多少钱？

Paperclip 采用 MIT 许可证，软件费用为 $0；自托管无需向 Paperclip 支付许可费，但模型和托管账单由你承担。

Paperclip 的运行成本取决于模型接入方式、智能体执行量和部署位置。连接的服务也可能另行收费。不存在一个能真实代表所有创始人部署情况的统一月费，订阅 AI 服务也不会让主机和所有外部工具免费。

预算设置指南说明，默认在用量达到 80% 时警告，达到 100% 时硬性停止。公司和智能体预算按 UTC 自然月计算；项目预算默认采用累计上限。组织和单个智能体都应设置限额，避免某个执行者不受约束地耗尽全部额度。

限额执行依赖已记录的支出。仍在运行的工作、延迟上报的用量，都可能让实际账单超过配置金额。尚未定价的用量和待结算记录也可能阻止新工作启动；成本空白或未知，不能证明执行免费。

试用时，除了支出，还应记录通过验收的成果和你的审核时间。单次运行更便宜，却需要反复纠正，未必更划算。本文没有运行生产工作负载，因此不提供每份合格成果的成本测量；这正是你应通过小范围试用得出的数字。

哪些限制可能让周末试用受挫？

Paperclip 最关键的限制，出现在管理面板能控制什么、执行智能体实际能做什么的交界处。扩大工作流之前，应先解决这些配置和运维问题。

网关审批约束不到工作区 shell

Paperclip 的操作权限文档指出，普通新连接中已启用的操作默认设为允许，包括写入和破坏性操作。必须主动修改连接的权限设置，不要以为连接服务后就自动需要审批。

同一页面还说明了 shell 例外：逐项操作策略管的是工具网关，不是智能体工作区内执行的命令。尤其是使用绑定 GitHub 身份的 shell Git 和 gh，不受逐工具“先询问”控制。

在导出工作流中，把网关写入操作设为先询问，并不能证明编程智能体无法通过另一套 shell 凭据推送改动。除了网关策略，还要限定工作区和凭据的权限范围。任务里写一句“先问我”，只是指示，不能替代这些设置。

运行时设置同样重要。OpenCode 适配器参考说明，无人值守运行默认启用 dangerouslySkipPermissions，会在临时配置中将权限规则替换为允许行为。如果需要沿用运行时已有规则，首次执行前应检查此设置。

新建智能体可能没有预算策略

Paperclip 的详细费用指南说明，应用内的智能体创建流程不会创建预算策略。因此，看不到智能体预算卡片不只是显示缺失：需要先通过受支持的 CLI 或 API 设置上限，之后才能在审计 → 预算中编辑相应卡片。

另一个容易踩坑的值是 0：它表示关闭预算策略，而不是“禁止花钱”。应检查生成的策略和执行状态，不能仅凭数字判断保护是否有效。

对于还没有组织预算卡片的新公司，文档同样要求通过 API 设置初始上限。这会给原本顺畅的浏览器初始化流程增加一个实际步骤，应在提升智能体活跃度之前完成。

审核升级必须有明确的人类负责人

Paperclip 的执行策略参考说明，智能体连续要求修改，默认达到 3 轮后会升级给人处理。系统使用任务的 responsibleUserId，没有时回退到 createdByUserId。

如果这两个人类身份都不存在，工作就会不断退回执行者。 计数可以继续上涨，却不会出现你期待的人工接手。自动创建的任务和集成尤其需要注意：确认记录了具体责任人，不能只看审批角色是否安排了智能体。

创始人在试点中，应专门检查智能体创建的后续任务归谁负责。如果审核者与执行者因不可能满足的要求发生分歧，必须有人能缩小范围。增加审核者解决不了自相矛盾的验收条件。

不同适配器提供的证据质量不一

Paperclip 的执行记录能有多完整，取决于运行时返回的输出和用量元数据。通用 Process 与 HTTP 适配器提供纯文本输出；能力更丰富的适配器可以提供结构化工具事件和会话状态。适配器列表也指出，原生 Cursor 和 Grok 接入方式没有权威的单次运行成本总额。

所以，统一管理面板不代表每个执行者都提供同样完整的证据。试用时，要检查所选接入方式能否展示你需要的产物、错误、模型用量和会话连续性。如果无法检查实际成果，一句自信的“完成了”并不足够。

系统仍然需要你维护

Paperclip 带来了需要维护的服务器、数据库、适配器和凭据。本地运行方便，但笔记本休眠或前台进程停止后，定时工作就无法执行。远程托管要有人维护，才能改善可用性。

保持安装版本与文档一致，保留数据库和密钥状态，并弄清执行主机上的运行时可以使用哪些凭据。按公司划分的记录是有用的组织边界，却不能证明任意执行进程之间已经隔离。

当协调工作已经成为持续成本时，这份运维负担才值得承担。如果只是偶尔向一个可靠智能体提需求，它也正是暂缓采用的理由。

Paperclip AI 评测结论：是否值得试用？

如果你已有可用的智能体，希望更清楚地分配责任、控制交接，并统一查看支出，Paperclip 值得进行边界明确的小范围试用。如果还在努力让底层智能体派上用场，或期待平台替你做业务判断，现在采用则为时过早。

判断标准是： 同一项周期性工作是否变得更容易分配、检查和恢复，产出是否合格，是否有明确的人类负责人。如果维护智能体角色和审批队列比原来完成工作还费劲，就停止试用。

到了周一，可以用客户导出功能改进，或自己业务中边界同样清楚的任务开展试点。从熟悉的运行时、狭窄的工作区和明确的验收条件开始。设置大于零的支出上限，限制写入权限，并在允许委派之前记录人类责任人。

接着，把注意力放在交接效果上：

• 无须逐个询问智能体，能否找到下一步行动的负责人？
• 审核者是否拿到了足以接受或拒绝成果的证据？
• 必需的审批设置，是否覆盖了实际执行路径？
• 能否通过任务历史和支出记录解释暂停或失败原因？
• 合格成果是否值得投入这些模型用量、审核精力和维护成本？

成功的演示能让智能体动起来；有用的部署则能提供充分证据，让你判断这些动作能否算作已完成的工作。在扩大使用范围之前，Paperclip 应达到这个标准。

常见问题

使用 AI 业务工作流审计清单，选出最值得先委派的工作流。