Open Executive：一个人搞定整个高管团队

想象这样一个早晨

你是一家新能源创业公司的 CEO。昨晚睡前你没来得及处理那封关于竞对降价的邮件。今早七点，你打开 Open Executive，它已经自动完成了一轮分析：竞对价格变动对毛利的影响、应该同步告知哪些部门、下周董事会需要准备的数据——全部整理好，放在你打开应用的第一屏。

这不是科幻。这是 Open Executive，一个由 Sente Labs 开发的开源 AI 高管团队，正在 GitHub 上被越来越多的创业者和决策者关注。

从"被 AI 取代"到"让 AI 当高管"

Open Executive 的故事本身就值得一说。它的创始团队来自 Sente Labs，在 2024-2025 年间遭遇了一轮大规模裁员——理由正是"AI 已经可以完成这些工作"。被裁之后，他们选择把这个逻辑往上一级推：与其让 AI 做执行层的工作，不如让 AI 做管理层的工作。

于是有了 Open Executive。

这家公司给它的定位非常直接：一个人，配一个 AI 高管团队，就能覆盖从战略规划、财务建模，到人力资源、市场策略、董事会沟通的全部职能。

架构设计：九大 Agent，一个声音

Open Executive 的核心架构是一个编排器（Orchestrator） + 八个专业 Agent 的多 Agent 系统。用户只看到一个"Executive"界面，但实际上背后有九个专业角色在协作：

• 首席战略官（CSO）：竞争分析、M&A、市场定位、OKR 定制
• 首席财务官（CFO）：财务建模、融资、单元经济学、现金流分析
• 首席人力官（CHRO）：招聘、薪酬、绩效考核、文化建设
• 总法律顾问（GC）：合同、知识产权、雇工法基础、合规
• 首席运营官（COO）：流程设计、供应商管理、运营规模化
• 首席营销官（CMO）：GTM 策略、品牌、公关传播
• 首席产品官（CPO）：产品路线图、优先级排序、产品策略
• 董事会沟通总监（Board）：董事会演示、投资人关系、公司治理

所有 Agent 的输出经过编排器整合后，以单一一致的高管声音呈现给用户——用户完全感知不到背后有多个 Agent 在协作。这种"单一声音"设计在 Multi-Agent 系统中并不常见，体现了团队对产品体验的思考。

技术栈：不追新，只追稳

Open Executive 的技术选型非常务实：

值得注意的是，这个项目没有使用 LangGraph 或 CrewAI——团队认为直接调用 Anthropic SDK 更干净、更可控。RAG 上下文在用户 turn 中注入，而不是缓存在 system prompt 中，这也是一个经过权衡的设计选择。

知识管理：内置 MBA 知识 + 企业私有文档双层 RAG

Open Executive 的知识系统分为两层：

1. 内置 MBA 级 Markdown 知识库：在系统启动时灌入 ChromaDB，覆盖战略、财务、法律、营销等领域的分析框架
2. 企业私有文档：用户上传的公司文档经过分块后存储在独立的 company_docs 集合中

两层 RAG 各自检索上下文，合并后注入用户查询。值得注意的是，RAG 上下文注入的是用户 turn，而不是 system prompt——这样可以避免昂贵的上下文重复加载。

场景记忆：让 AI 高管"记住"决策历史

除了知识检索，Open Executive 还维护一个场景记忆（Episodic Memory） 系统：每次响应后，系统会用 Claude Haiku 4.5 在后台提取关键决策、行动项和建议，存入 SQLite。下一轮对话时，打开 <past_decisions> 上下文块，AI 高管就能"记得"上个月推荐了什么、决策了什么。

此外还有主动调度器（Scheduler）：一个内建的定时任务引擎，在指定时间推送提醒和后续行动。调度器使用 UPDATE ... RETURNING 语法claiming 待执行任务，防止重复触发。

多渠道集成：Slack、Telegram、Email、Google Workspace

Open Executive 不是又一个需要专门登录的 Web 应用。它主动接入你已经在用的工具：

• Slack / Discord / Telegram / Google Chat
• Email（ Gmail + Microsoft 365）
• Google Workspace + Microsoft 365（Drive / OneDrive / Calendar）
• Notion / Confluence
• 任何 MCP 兼容的 AI 工具

这种集成策略符合 Sente Labs 的核心产品哲学：在人们已经工作的地方遇见他们，而不是要求他们改变工作流程。

上手指南：本地运行

git clone https://github.com/SenteLabsAI/OpenExecutive
cd OpenExecutive
cp .env.example .env
# 填写 .env 中的 ANTHROPIC_API_KEY 等配置
make docker
# 访问 http://localhost:3000

首次启动需要完成引导问卷：系统会通过对话式访谈了解你的公司规模、行业、目标，然后构建你的公司画像（Company Profile）。这个过程模拟了真实的上任流程——新高管入职后需要了解公司情况。

局限与挑战

必须诚实地说，Open Executive 也面临一些挑战：

1. 单实例限制：API 必须以单一副本运行，调度器不支持水平扩展。这意味着生产环境部署需要额外的负载均衡配置。
2. API Key 依赖：需要自备 Anthropic API Key，成本取决于调用量。小型团队需要评估 token 消耗。
3. 冷启动门槛：引导流程虽然产品化程度高，但完整配置仍然需要一定时间和理解成本。
4. 场景局限性：对于需要实时数据（实时股价、即时新闻流）的决策场景，RAG 的静态知识库可能存在滞后。

行业意义：管理层 AI 化的先声

Open Executive 代表了一个有趣的趋势：从 AI 替代执行层，到 AI 替代管理层。在 GitHub 上 Star 增长迅速，且已有 LinkedIn 科技博主撰写了详细评测。

它最值得关注的地方在于：它不只是一个技术 demo，而是一个完整的、可部署的产品思维——单一声音、多 Agent 编排、主动记忆、场景集成——这些设计在企业内部 AI 助手领域都有参考价值。

Sente Labs 官网