人大 NLPIR 等团队的通用长任务智能体外壳，核心是把“策略”和“执行管理”分开：模型决定做什么、委派给谁、是否验收，运行时负责保存状态和反馈。三层结构是主智能体（定计划、委派、评估）、协调运行时（派发子任务、跟踪生命周期）和可选子智能体（执行限定范围的任务），可同步也可异步。共享应用层把 CLI、搜索、文件、MCP 和文档编辑器、演示文稿、CAD、Blender 接在一起，人可以通过对话、也可以直接改同一份文档或场景来参与；分层工作区和持久语义记忆让文件、关键决策和长时间 Job 日志在中断后能接着跑。
点赞 88 · 代码星数 78
理由
- 作者称在 12 个基准和 6 类真实应用上与 Codex、DeepSeek Harness 等前沿智能体应用相当。
- 长期自动化案例：用 GLM-5.3 当主干，让 CoworkOS 对 Qwen3.6-35B-A3B 做 5 轮自动后训练（分析失败、改数据、训练、验证），作者称 8 个基准平均分从 33.19 升到 42.95（+9.76）。
- 装起来简单：MIT 许可，npm 包 coworkos-app，有 macOS 桌面版和 macOS / Linux 命令行版，模型服务自己配置，工作区和执行记录留在本机；抱脸当日点赞第四（只代表关注度）。
用法
- 桌面版（Apple 芯片、macOS 14 以上，Node.js ≥22.19.0）：npx coworkos-app@latest desktop install。
- 命令行版：npm install -g coworkos-app，进项目目录后 coworkos init 填模型服务地址、模型 ID 和 API Key，coworkos doctor --test-connection 检查连通（会消耗一次额度），再运行 coworkos 描述要做的事。
- 退出后在同一目录 coworkos --continue 接着上次会话；在线演示见项目页 showcase。
风险
- 只有外壳，不带模型，效果取决于你接的模型服务和额度；与 Codex 等的对比和后训练案例的分数都是作者报告。
- 桌面版目前只支持 Apple 芯片的 macOS；智能体能执行命令、改文件，README 写了第三方组件另有许可例外，需自行核对。
- 自动后训练案例需要训练算力，README 没有给出复现脚本。