你团队里用 Claude in Slack 吗？每月 $25/人、对话不能持久化、MCP 工具不支持、想改行为还要写 Support Ticket？CopilotKit 刚开源的 OpenTag，就是冲这个痛点的——它让你在自己的基础设施上跑一个和 Claude in Slack 一模一样的 AI Agent，还能接自己的模型、挂自己的 MCP 工具、渲染图表和卡片。

更让我兴奋的是它的架构设计。OpenTag 不是又一个「把 LLM 接入 Slack」的玩具，它背后有一套清晰的四层协议栈和一个可替换的双运行时设计，和之前拆解过的 Nanobot 和 Pi Agent 走的是完全不同的技术路线。这篇文章从源码出发，拆解 OpenTag 的每一层。

700+ Star 的 Slack Agent 开源替代

先给个全景感：OpenTag 是 CopilotKit 基于其 @copilotkit/channels SDK 构建的参考实现，MIT 协议开源，GitHub 上不到两周就攒了 700+ Star。

它的定位非常明确——一个可以自托管的 Claude in Slack 替代品：

• 在 Slack 频道里 @mention 机器人，它就能读对话、回答问题、调用 MCP 工具
• 生成的响应不是纯文本，而是原生 UI 组件（Slack Block Kit、Discord Components V2、Telegram HTML）
• 所有写操作（创建 Linear Issue、写 Notion 文档）都经过人工确认门（Human-in-the-Loop）
• 支持四种聊天平台：Slack、Discord、Telegram、WhatsApp——同一套代码，一个 createBot 启动全部

听起来和 Nanobot 有点像？确实，都是「把 Agent 放进聊天工具」的路子。但 OpenTag 在架构上走了完全不同的方向——它用了一套叫 AG-UI 的协议把 Bot 层和 Agent 层解耦，而不是像 Nanobot 那样用 asyncio.Queue 内部耦合。

四层架构：从聊天界面到 Agent 大脑

OpenTag 的架构可以拆成四层，每层职责单一、通过协议通信：

用户聊天界面 (Slack/Discord/Telegram/WhatsApp)
       │
       ▼  @mention  /command
┌─────────────────────────────┐
│   Bot 层 (app/)             │   ← createBot({ adapters, tools, components })
│   平台适配器 · 工具转发      │
│   UI 组件渲染 · HITL 门     │
│   Read Thread · Slash 命令  │
└──────────┬──────────────────┘
           │ AG-UI 协议 (POST /api/copilotkit/agent/triage/run)
           ▼
┌─────────────────────────────┐
│   Agent 运行时              │   ← 可替换：runtime.ts 或 agent/
│   BuiltInAgent (TS)         │
│   或 Deep Agent (Python)    │
│   LLM + MCP 工具            │
└──────────┬──────────────────┘
           │ MCP (Streamable HTTP)
           ▼
┌─────────────────────────────┐
│   数据层                    │
│   Linear MCP · Notion MCP   │
│   Web Search (OpenAI)       │
└─────────────────────────────┘

这个分层和 Pi Agent 的「Provider → Steering → Follow-up」三层有点像，但 OpenTag 用的是一个公开协议 (AG-UI) 来连接 Bot 和 Agent，而不是内部函数调用。这意味着你可以把 Bot 层换成任意客户端，只要它实现了 AG-UI 协议。

AG-UI 协议：Bot 和 Agent 之间的「通用语」

AG-UI 是 CopilotKit 定义的一套 Agent-to-UI 协议，本质上是一个 HTTP SSE 流。Bot 层把用户消息、上下文、前端工具声明打包成 AG-UI 请求发给 Agent，Agent 返回一个事件流——LLM 的 tokens、工具调用请求、UI 组件渲染指令都在这个流里传输。

在 runtime.ts 里，Agent 端只有几十行代码：

const runtime = new CopilotSseRuntime({
  agents: { triage: agent },
});
const listener = createCopilotNodeListener({ runtime, basePath: "/api/copilotkit" });
createServer(listener).listen(8200);

Bot 端用 AGENT_URL 指向这个地址，两边就通了。这意味着你有一个 Agent 运行在 GPU 集群上，Bot 运行在 Slack 旁边——只要网络可达，它们就能通信。这和 Grok Build 的 ACP 协议（参考四大协议详解）思路一致：把 Agent 的「大脑」和「嘴巴」拆开，通过标准协议连接。

双运行时设计：简单场景 vs 深度研究

OpenTag 最让我感兴趣的设计决策是提供了两个完全不同的 Agent 后端：

① TypeScript BuiltInAgent (runtime.ts)

一个单 LLM 调用 + MCP 工具的轻量运行时，适合大多数日常对话场景。核心代码不到 100 行 TypeScript：

const agent = new BuiltInAgent({
  type: "tanstack",
  factory: async (ctx) => {
    return chat({
      adapter: openaiText(model),
      messages,
      systemPrompts: [SYSTEM_PROMPT],
      tools: [webSearchTool({ type: "web_search" }), ...clientTools],
      ...(mcpClients.length > 0 ? { mcp: { clients: mcpClients } } : {}),
    });
  },
});

它用 TanStack AI 的 chat() 做多轮工具循环，MCP 客户端在每次 turn 开始时创建、结束时关闭——临时连接模式，避免长时间持有 MCP 连接。

② Python Deep Agent (agent/)

一个基于 LangGraph + Deep Agents 的深度研究 Agent，用了 write_todos 做任务规划、虚拟文件系统做中间持久化、可选的 Tavily 做网络搜索。它不是简单的一轮 LLM 调用，而是：

1. 用 write_todos 制定研究计划
2. 逐个执行研究步骤（通过 research() 工具调用内部子 Agent）
3. 把发现写入虚拟文件系统
4. 合成最终报告

切换：改 .env 里的 AGENT_URL 就行——http://localhost:8200 用 TS，http://localhost:8123 用 Python。Bot 层完全不知道背后换了个大脑。

这比 Nanobot 的「单 Agent Loop」更灵活。Nanobot 的 TurnState 只有一套 8 状态机（RESTORE→COMPACT→COMMAND→BUILD→RUN→SAVE→RESPOND→DONE），而 OpenTag 让你在不同 Agent 实现之间切换，甚至可以在生产环境用 TS 运行时做日常对话、用 Python Deep Agent 做深度研究，通过路由层分发。

跨平台 UI 渲染：JSX 编译成原生组件

这是 OpenTag 最亮眼的技术点。@copilotkit/channels-ui 定义了一套跨平台 JSX 组件，编译时自动映射到各平台的原生 UI：

这个设计的巧妙之处在于：Agent 只需要调用 render_chart、render_table、issue_card 等工具，Bot 层负责把工具调用翻译成对应平台的 UI 渲染。Agent 不关心用户用的是 Slack 还是 Telegram。

对比来看，Nanobot 的 15+ 平台支持也是类似的思路（Channel 接口抽象），但 Nanobot 的输出是纯文本 + Markdown，没有原生 UI 组件渲染。OpenTag 的 JSX 编译方案更接近「一次编写，到处原生渲染」的理想。

MCP 集成与容错设计

OpenTag 的 MCP 集成有两个值得关注的设计：

1. 独立的 MCP 连接超时容错

在 runtime.ts 里，每个 MCP 服务器独立连接，失败不影响其他服务器：

const settled = await Promise.allSettled(
  transports.map((t) => connectMcp(t.transport)),
);

失败的 MCP 服务器被记录到 unavailable[]，系统提示词自动追加一条「数据源状态」说明，告诉模型哪些源当前不可用。模型只在用户明确需要那个源时才告知不可用——不会自己主动说，避免打断对话。

2. 热度超时 + 泄漏防护

connectMcp() 有一个 8 秒超时机制。如果超时先到达，它会确保后续返回的 MCP 客户端被立即关闭：

connecting.then(
  (client) => { if (timedOut) void client.close().catch(() => {}); },
  () => {}, // 延迟拒绝不能 crash 进程
);

这是个教科书级的异步容错模式——我觉得 MCPZERO 的 MCP 连接池也可以借鉴这个思路。

Human-in-the-Loop：写操作必须先确认

所有写操作（创建 Linear Issue、写 Notion 文档）都经过一个 confirm_write 阻塞门。Agent 在写操作前必须调用 confirm_write 工具，等待用户在聊天界面点击 Create 或 Cancel。

这个门在 app/human-in-the-loop/confirm-write.tsx 里实现为阻塞 UI 组件——Agent 无法继续，直到用户做出决定。不像某些 Agent 框架的「先写再确认」，OpenTag 是「确认了才能写」，避免了误操作。

三方横向对比

OpenTag、Nanobot 和 Pi Agent 都算是「让 Agent 接入聊天工具」的方向，但技术路线差异很大：

核心差异点：OpenTag 走的是协议驱动架构（AG-UI 解耦 Bot 和 Agent），Nanobot 走的是事件驱动架构（MessageBus 解耦模块），Pi Agent 走的是队列驱动架构（Steering + Follow-up 流水线）。三个方案都能把 Agent 放进聊天工具，但弹性和复杂度取舍不同。

安全隐患

OpenTag 的自托管模式要求 Bot 进程持有平台 Token（Slack Bot Token、Discord Bot Token 等），这意味着如果 Bot 进程被攻破，攻击者可以用这个 Token 冒充机器人在聊天工具里做任何事。

CopilotKit 对此的解决方案是 Intelligence Gateway 模式：Bot 进程不持有任何平台 Token，Token 由 CopilotKit Intelligence 平台保管，Bot 通过 WebSocket 连接到 Intelligence 的 Realtime Gateway。但这个模式目前还是 CopilotKit 的托管服务，不是开源方案——自托管的用户只能用 self-hosted 模式，把 Token 暴露在进程环境变量里。

另外，OpenTag 的 MCP 连接使用了 Bearer Token 认证（Authorization: Bearer），但通信没有端到端加密。如果 MCP 服务器和 Bot 进程之间的网络被嗅探，Token 和数据都可能泄露。这对 Notion MCP 侧车尤其关键——Notion 的 Integration Token 对所有 workspace 内容有读写权限。

相比之下，Nanobot 的 15+ 平台支持同样面临 Token 管理问题，但 Nanobot 的 Token 是每个 channel 实例化的，影响范围更小。Pi Agent 不直接处理聊天平台 Token，风险面更窄。

写在最后

OpenTag 的出现让我看到 Agent 聊天工具这个赛道正在快速成熟。CopilotKit 用 @copilotkit/channels SDK 把「把 Agent 放进聊天工具」这件事从手动工程变成了框架级能力，而 AG-UI 协议的设计让 Bot 和 Agent 可以独立演化——这是正确的方向。

当然，OpenTag 还远不是 Claude in Slack 的平替。它目前只支持 OpenAI 模型，没有持久化记忆，没有多租户隔离，安全模型也还在早期。但作为一个架构参考实现，它的设计思路——AG-UI 协议、双运行时、跨平台 JSX 渲染、MCP 容错——值得每一个做 Agent 基础设施的人认真看看。

GitHub: https://github.com/CopilotKit/OpenTag

延伸阅读：

• Nanobot 源码深度拆解：Python 异步消息总线构建的轻量级 AI Agent 框架
• Pi Agent 深度拆解：TypeScript 多包架构下的 Steering + Follow-up 双队列设计
• Agents 互联！A2A/MCP/ANP/ACP 四大协议详解