返回列表
2026年8月4日 下午08:46

🚀YC开源内部自用下一代Agent：qm智能体！彻底颠覆小龙虾和Hermes！真正企业级Agent OS！用户隔离、权限审批、安全沙箱与完整操作审计全都有！支持Pi、Codex和Claude Code

原始影片

學習筆記：🚀 YC 開源企業級 Agent OS —— QM 智能體深度解析

TL;DR

QM 是一款由 YC 開源的企業級 Agent 操作系統，透過權限隔離、安全沙箱與審計機制，解決了現有個人 AI 代理（如 OpenDevin、Hermes）在安全性、團隊協作與隱私管理上的缺陷。

快速結論

QM 的核心價值在於將 AI 代理從「個人工具」提升到「企業資產」。它解決了企業在部署 AI 代理時最擔心的安全與管理問題：透過用戶隔離與權限審核，防止員工間的隱私洩漏，並確保所有高風險的操作都在安全沙箱中執行，且具備完整的審計記錄。

技術架構上，QM 並非重新開發 AI 內核，而是作為一個「Agent OS」，支援調用如 Pi Agent、Codex 或 Claude Code 等成熟的外部 Agent 工具。這種設計讓企業能保留自定義與擴展能力，同時降低了維護成本，並解決了大規模運維中的配置衝突與資源共享問題。

對於個人使用者而言，QM 提供了一個更穩定、具備持久化記憶（K-Chain）且支持多平台（Web、Slack）的環境，避免了傳統開源專案版本更新頻繁導致的崩潰問題。

這支影片在說什麼

本影片介紹了 YC (Y Combinator) 內部自用的開源 AI 代理專案 —— QM。影片旨在探討如何解決個人 AI 代理（如 OpenDevin）難以進入企業環境的問題，包括安全性不足、缺乏權限管理與團隊協作困難等痛點。內容適合對 AI 自動化、企業 AI 治理以及 Agent 部署感興趣的開發者與管理者。

最重要的 4 個重點

  1. 企業級權限與安全架構： QM 提供獨立的工作空間、用戶隔離與權限審批機制，確保敏感操作有跡可循，並限制高風險命令。
  2. 作為 Agent 的「作業系統」： QM 定位為管理層，可切換並調用不同的 Agent 內核（如 Pi Agent, OpenDevin Codex, Claude Code），實現任務的分工與專業化。
  3. 完善的記憶與知識庫管理： 透過 K-Chain 系統與 Skills 插件，QM 能持久化記錄用戶習慣、技術棧偏好，並支援團隊共享文件分析。
  4. 解決「二次開發」的痛點： QM 採用核心代碼與業務邏輯分離的設計，讓團隊在自定義功能時，不會因上游專案更新而陷入無法升級的困境。

知識架構

  • QM Agent OS
    • 接入層： Web UI、Slack 整合。
    • 核心管理層 (QM Core)：
      • 身份識別與作用域判斷（個人 vs. 專案）。
      • 權限審核與任務分配。
      • 操作審計與持久化記錄。
    • 執行內核層 (Agent Kernels)：
      • 支援 Pi Agent、Codex、Claude Code 等。
    • 資源與安全層：
      • K-Chain 持久化記憶。
      • Skills 技能插件。
      • 安全沙箱 (Sandbox) 執行環境。

關鍵概念

  • K-Chain： QM 的持久化記憶系統，用於保存用戶習慣、事實數據，並支持手動修改與更新。
  • Sandbox（安全沙箱）： 用於執行 Agent 建議的命令，防止對本地設備造成破壞。
  • User Isolation（用戶隔離）： 確保不同用戶之間的私有對話、記憶與 API Key 互不干涉。
  • Skills（技能）： 內建或第三方的功能模組（如文件分析、代碼 Review），可動態加載。

重要例子與細節

  • YC 的開發背景： YC 內部曾運行超過 50 個 Hermes Agent，但遇到配置混亂、數據管理困難與無法大規模運維的問題，因而開發 QM。
  • 記憶功能演示： 使用者告訴 QM 習慣用 Claude Code 寫程式、用 Codex 進行 Review，QM 會自動將此習慣記錄在記憶中，並在後續對話中自動調用相關工具。
  • 團隊協作演示： 管理員可創建專案（如「AI 研究專案」）

並邀請成員。成員可共享對話內容、文件（如分析 PDF），但成員無法看到管理員個人的私有專案。

  • 執行流程：
    1. 用戶發起請求。
    2. QM 核心判斷權限與作用域。
    3. 調用指定的 Agent 內核（如 Pi）生成操作建議。
    4. 在沙箱執行工具命令。
    5. 返回結果並進行持久化審計，讓 Agent 具備自我疊代能力。

可學習的洞察

  1. 從「工具」到「系統」的思維轉變： AI 應用的瓶頸往往不在模型能力，而在於如何安全、有序地管理多用戶與多任務的協作。
  2. 解耦的優勢： 將「執行內核」與「管理平台」解耦，可以快速吸收不同開源專案（如 Claude Code）的長處，而不必從頭造輪子。
  3. 記憶的重要性： 具備可手動編輯與持久化的記憶系統，是 AI 代理能真正理解用戶工作習慣並提升效率的關鍵。

可行動的整理

  1. 部署實踐： 前往 QM GitHub 倉庫查看 README，或利用 AI 工具輔助讀取筆記進行自動化部署。
  2. 企業應用評估： 測試 QM 的後台管理功能，評估其對於公司內部分級權限控管的適用性。
  3. 技能擴充： 嘗試開發或安裝符合團隊需求的第三方 Skills（技能插件）。
  4. 環境隔離： 建立個人私有專案與團隊專案，測試數據隔離與權限同步的效果。

複習問題

  1. QM 與 OpenDevin (影片稱 Open Colour) 或 Hermes Agent 最大的差異是什麼？
  2. 在 QM 的架構中，如果 Agent 需要執行高風險命令，它是如何確保安全的？
  3. 什麼是 K-Chain？它在用戶對話中扮演什麼角色？
  4. 當多個用戶在同一個 QM 專案協作時，如何區分「私有隱私」與「團隊共享」？
  5. 為什麼影片建議使用 AI 工具（如 Codex）來安裝 QM，而不是手動配置？

待確認資訊

  • 逐字稿中的「Open Colour」推測應為「OpenDevin」，需回看影片確認。
  • 「Pi Agent」的具體來源與技術規格在逐字稿中未詳細說明，需進一步查證其與 QM 的整合深度。
  • 關於「安全沙箱」的具體實現技術（如是否使用 Docker 或其他技術）[資訊不足]。

觀看原始影片