AgentOffice：用像素艺术可视化你的 AI 团队协作

想象一下：你打开浏览器，一个像素风格的虚拟办公室跃入眼帘——Alice 工程师正走向自己的工位，Bob 产品经理在白板前踱步思考，偶尔有新的实习生 agent 被团队雇佣进来。这是 AgentOffice 带来的独特体验：让你亲眼目睹 AI agent 之间如何分配任务、协作沟通、自主成长。

从游戏引擎到 AI 实验场：项目的诞生背景

AgentOffice 诞生于 2026 年 2 月，由独立开发者 harishkotra 创建。项目的灵感来源于 pixel-agents 项目——一个用像素艺术呈现 AI agent 行为的实验性尝试。与前辈不同，AgentOffice 不满足于简单的走路动画，而是将多智能体协作系统的核心能力全部搬进了这个像素办公室。

在传统 AI Agent 开发中，开发者面临的最大痛点是无法直观理解 agent 在做什么、为什么做出某个决策。AgentOffice 用游戏引擎（Phaser.js）实时渲染每一个 agent 的状态变化：走路、思考、对话、雇佣新人——所有行为都以像素动画的形式实时呈现，等于给黑箱 AI 加了一个透明的玻璃窗。

核心架构：5 个包组成的协作机器

项目采用 monorepo 架构，通过 npm workspaces 组织 5 个子包：

包	职责
@agent-office/core	Agent 生命周期管理（感知→思考→行动），Office 网格地图，任务系统，基于重要性评分的记忆模块
@agent-office/adapters	推理适配器接口，包含 OllamaAdapter 和 OpenAICompatibleAdapter，支持任意 OpenAI 兼容 API
@agent-office/server	Colyseus 房间，游戏主循环，ToolExecutor（代码执行/网页搜索/笔记），SQLite + Ollama 向量嵌入的记忆存储
@agent-office/ui	Phaser.js 游戏渲染层 + React 管理界面（聊天、任务面板、检查器、系统日志、布局编辑器）
@agent-office/cli	create-agent-office 脚手架工具

数据流清晰：Ollama（本地 LLM）→ OllamaAdapter → Agent.think() → Colyseus 状态同步 → Phaser + React UI，同时 MemoryStore（SQLite）和 ToolExecutor 与 agent 逻辑并行运作，形成完整的多智能体运行时。

让 AI 有记忆：持久化语义检索系统

AgentOffice 的记忆系统是其技术亮点之一。与普通 agent 的对话即遗忘不同，这里的每个 agent 都配备了基于 SQLite 的持久化记忆，并支持 Ollama 向量嵌入 + 余弦相似度语义检索。

具体来说，当 agent 需要回忆某件事时，系统会先用 Ollama 生成查询的向量表示，然后在 SQLite 存储的历史记忆中做语义相似度搜索，找到最相关的记忆片段。这意味着即使服务器重启，agent 依然能记得之前的对话内容和工作进展，而非每次重启都是从零开始。

记忆系统还引入了重要性评分机制——agent 会判断哪些信息值得长期保留，哪些可以快速遗忘，从而避免记忆膨胀导致的性能下降。这个设计思路借鉴了人类认知中的注意力过滤机制，非常实用。

工具生态：agent 不只是聊天，还能干活

AgentOffice 的 ToolExecutor 模块为 agent 提供了真实的工具调用能力：

沙箱 JavaScript 执行：agent 可以运行代码来验证想法或完成计算任务，执行环境隔离保证了宿主服务器的安全。

网页搜索：通过 Tavily API（或 DuckDuckGo 后备）让 agent 获取实时网络信息。这意味着 agent 不仅能做内部协作，还能主动搜索外部知识来解决问题。

任务管理与笔记：agent 可以创建、指派、完成任务，记录工作笔记，形成完整的协作工作流。

这些工具的组合使得 AgentOffice 不只是看 agent 走路的模拟器，而是一个真正能执行复杂任务的 multi-agent 系统。比如 agent 可以分配任务给另一个 agent，后者搜索资料、执行代码、汇报结果，形成闭环协作。

动态成长：agent 自己招聘新人

最令人惊叹的功能是动态招聘机制——agent 可以根据工作需要自主决定是否雇佣新的团队成员（实习生、工程师、设计师），新 agent 会自动加入协作网络，无需人工干预。

这不仅仅是创建新角色那么简单。新 agent 的行为模式、能力配置、甚至人格特质（五大人格维度的参数）都会影响其工作表现。整个系统呈现出一种涌现式协作：没有中央调度者，每个 agent 根据自己的 LLM 决策来决定行动，团队规模和构成随着任务需求动态演化。

对于 AI 研究者来说，这个特性让 AgentOffice 成为一个研究 multi-agent 涌现行为的绝佳实验平台——你可以观察不同性格配置的 agent 如何协作，遇到冲突时如何决策，团队规模如何影响任务效率。

部署体验：本地优先，门槛友好

AgentOffice 支持两种部署方式：

本地开发：需要 Node.js ≥18、npm ≥9 和 Ollama，通过 npm install 安装依赖，npm run build 编译，终端分别启动 server（端口 3000）和 UI（端口 5173）。Ollama 需要手动 ollama pull llama3.2 拉取模型。

Docker 一键部署：项目根目录提供 docker-compose.yml，一行 docker compose up --build 即可启动完整套件（server + UI + Redis + Ollama）。docker-compose 中内置了 NVIDIA GPU 支持配置，移除 deploy.resources 节即可切换为纯 CPU 模式，对没有 GPU 的用户也很友好。

Web UI 界面包含：聊天面板（agent 间对话历史）、任务面板（TaskBoard）、检查器（查看单个 agent 状态）、系统日志（实时事件流）、以及布局编辑器（拖拽调整办公室家具布局，保存到数据库）。

争议与局限

AgentOffice 目前仍处于快速发展阶段，有几个值得注意的局限：

对 Ollama 的强依赖：项目的核心推理能力完全依赖 Ollama 在本地的 LLM 运行。虽然支持 OpenAI Compatible API 作为替代，但本地运行的模型质量直接影响 agent 行为的上限。使用较小的开源模型（如 llama3.2）时，agent 的决策质量可能不如 GPT-4 等大模型。

缺乏生产级扩展性：当前架构使用 Colyseus 进行状态同步，docker-compose 中配置了 Redis 用于水平扩展支持，但文档中对大规模部署（大量 agent 同时在线）的性能和稳定性缺乏充分说明。对于想用于生产环境的团队，需要自行评估。

路线图未完成：语音模式（Voice Mode）、GitHub PR 集成、Slack/Discord 桥接等规划中的功能尚未实现，这些功能对构建真正的 AI 团队助手至关重要。

行业意义：让 AI Agent 可视化理解

AgentOffice 的出现填补了一个有趣的空白：在此之前，大多数 AI Agent 框架（如 LangChain Agents、AutoGPT）都是纯文本交互，开发者只能通过日志推断 agent 的内部状态。AgentOffice 用像素艺术让 agent 的思考过程变得可见——你看到 agent 走向白板，知道它在想方案；看到两个 agent 靠近说话，知道他们在讨论；看到 emote 气泡弹出来，知道某件事触发了情绪反应。

这种可视化对于教学、演示、调试和 AI 行为研究都有独特价值。随着多智能体 AI 系统逐渐成为行业趋势，能够直观理解 agent 行为的工具会变得越来越重要。AgentOffice 的开源实现也为社区提供了一个可定制的基础平台——fork 一份，改改 agent 的人格参数，看看会发生什么。

README 中的截图展示了多张真实运行界面，读者可以通过 GitHub 仓库查看：

图1：像素办公室实时运行界面

项目采用 MIT 许可证，允许自由修改和商业使用。如果你对 AI Agent 协作机制感兴趣，或者想为自己的 agent 项目添加可视化层，AgentOffice 是一个值得深入研究的上佳起点。