Enterprise Agent Execution

Beaver：企业 Agent 的执行与治理平台

Beaver 面向需要私有部署、过程留痕、结果验收和经验复用的团队。它不是一个普通聊天框，而是一套把对话、任务、工具、文件、技能、记忆、连接器和治理串起来的 Agent 执行平台。

看战略画布看目标用户看竞品分析

产品主线执行不是聊天

商业切口团队知识工作

核心壁垒复用技能与记忆

试点指标验收真实任务

Positioning

产品定位与核心闭环

先把 Beaver 讲成一个完整的企业 Agent 工作操作系统，再拆分功能模块。

Beaver 的定位：为企业团队提供一个可私有部署、可追踪、可验收、可复用的 Agent 执行与治理平台。

识别

判断用户是在普通对话，还是交办一个需要持续完成的任务。

执行

按任务选择模型、技能、工具、文件和外部连接器。

追踪

记录工具调用、运行过程、子任务、产物和证据。

验收

用户明确选择接受、修改或放弃，结果不再默认正确。

沉淀

满意任务进入技能候选、草稿、审核、发布和长期记忆。

复用

类似任务自动获得更好的方法、上下文和执行路径。

Architecture

产品架构

产品战略分析之前，先明确 Beaver 的系统边界：入口统一、实例隔离、运行可治理。

入口与控制面

用户、身份、实例

auth-portal：登录、注册、模型配置引导
authz-service：账号和 backend 身份编排
deploy-control：创建、配置、移除 app-instance
router-proxy：按实例域名转发流量

→

用户实例

独立 App Sandbox

Nginx 承接前端、API、WebSocket
Next.js 前端承载工作台页面
Beaver Backend 承载 Agent 运行时
beaver-home 挂载配置、workspace、skills、runtime data

→

Agent 内核

执行、证据、复用

engine：主 Agent 和子 Agent 统一运行内核
coordinator：sequence / parallel / DAG 多智能体协作
tools：内置工具与 MCP 工具
skills + memory：技能学习与长期经验沉淀

Product Strategy Canvas

产品战略画布

基于产品战略画布，把 Beaver 的愿景、目标市场、价值主张、取舍、增长和护城河放在同一张图里。

1. Vision

让企业拥有可控的 Agent 工作系统

从“个人问答工具”升级为“团队可交付的 AI 工作流”。价值观是可控、透明、可复用、可私有部署。

2. Market Segments

先服务重复知识工作团队

第一细分：项目交付、运营报告、技术支持、研究分析等高频、跨工具、需要留痕和验收的团队。

3. Relative Costs

不打最低价，强调可控价值

Beaver 应走“私有部署 + 执行治理 + 复用资产”的高价值路线，而不是和通用 SaaS 聊天工具比低价。

4. Value Proposition

从回答到交付

Before：AI 输出散落在聊天里；How：任务化执行、工具证据、用户验收；After：产物可交付，经验可沉淀。

5. Trade-offs

明确不做什么

不先做大众聊天 SaaS；不先铺满所有连接器；不默认自动发布技能；不在无控制台前大规模启用敏感长期记忆。

6. Metrics

北极星是“已验收工作”

核心指标不是消息数，而是每个试点团队每周完成并被接受的 Agent 工作数。季度 OMTM：首批试点的已验收任务数。

7. Growth

销售驱动 + 试点转扩展

先通过高价值工作流试点进入客户，再从一个团队扩展到部门，最后以技能、模板、连接器和治理能力形成扩张。

8. Capabilities

需要补强的能力

工作流模板、证据叙事、Memory Control Center、Admin Health Console、连接器安全策略、技能评估门禁。

9. Can't / Won't

护城河来自运行闭环

单个聊天 UI 容易复制；难复制的是私有实例、任务证据、验收反馈、技能记忆沉淀和客户真实工作流数据。

Market Segments

市场细分：先找“任务足够痛”的团队

细分不是按行业硬切，而是按工作频率、工具复杂度、审核强度、私有部署要求和复用价值来切。

细分市场	典型组织与决策人	JTBD	痛点与障碍	Beaver 产品适配	优先级
项目交付与咨询团队中高客单价、多人协作、强交付节奏	项目负责人、交付总监、PMO、解决方案负责人	快速生成方案、周报、风险摘要、客户交付物，并持续修改到可交付。	材料分散、版本反复、过程难复盘，成功模板依赖个人经验。	任务闭环、文件、证据、验收、技能沉淀都直接命中。	第一优先级
企业运营与管理支持周期性报告、跨系统信息整理	运营负责人、部门助理、业务分析负责人	把周期性信息整理成管理层能看的摘要、提醒和行动项。	重复工作多、信息源多、人工催办多，输出质量依赖熟练员工。	定时任务、通知、文件、连接器和验收反馈很适配。	第一优先级
研发与技术支持团队日志、代码、文件、命令和排障	研发负责人、支持负责人、DevOps、技术 PM	让 AI 帮忙分析问题、执行工具、整理证据和生成处理结论。	通用聊天无法安全执行工具，也缺少可审计的过程证据。	工具调用、任务时间线、多智能体协作和文件系统能力强匹配。	第二优先级
内部 AI 平台 / IT 团队负责企业 AI 能力落地	CIO、AI 平台负责人、信息安全、架构师	给业务团队提供可控、可私有部署、可治理的 AI 工作台。	担心数据、权限、工具、模型成本和外部系统副作用。	多实例、控制面、工具治理、技能审核和日志是购买理由。	关键买方，不一定是首个日活用户
销售 / 客成 / 增长运营客户资料、跟进、邮件日历	销售运营、客户成功负责人、增长负责人	沉淀客户上下文，自动准备沟通材料、跟进提醒和邮件/日程动作。	需要连接外部系统，且外部写入风险更高。	连接器价值高，但必须先解决外部写入策略和安全沙盒。	第三优先级，适合连接器成熟后进入

User Personas

核心用户画像

当前画像基于项目资料与产品判断，尚缺真实访谈数据；后续需要用试点访谈校准。

交

Persona 1

林澈 · 项目交付负责人

画像：32-42 岁，管理 5-20 人项目团队，关注交付质量、客户反馈和团队复用。

JTBD：把客户需求、会议材料、风险和进度整理成可交付内容，并快速响应修改。

痛点：重复写方案；版本追踪困难；新人难复用资深顾问方法。

期望收益：更快产出交付物；每次修改可追踪；成功案例沉淀成模板/技能。

意外洞察：他不怕 AI 先给 70 分草稿，怕的是无法说明这 70 分从哪里来、后面如何改。

管

Persona 2

周予 · 企业 AI 平台负责人

画像：35-50 岁，负责内部 AI 工具、模型接入、合规和推广。

JTBD：给业务团队提供可控 AI 工作台，避免工具碎片化和不受控数据外流。

痛点：业务想快用，安全想慢审；通用 SaaS 难私有化；自研 Agent 工程成本高。

期望收益：私有部署、实例边界、工具审计、模型可配置、可逐步扩展。

意外洞察：他买的不是“模型能力”，而是可解释、可限制、可恢复的运行边界。

审

Persona 3

陈岚 · 技能与流程维护者

画像：28-45 岁，可能是 PM、运营专家、解决方案架构师或内部工具管理员。

JTBD：把成功工作方法变成团队可复用的技能，并确保不会引入风险。

痛点：优秀提示词散在聊天里；方法靠口口相传；自动化一旦错会被反复放大。

期望收益：候选、草稿、安全报告、评估报告、人工审核、版本回滚。

意外洞察：她不是追求“全自动学习”，而是追求“可控地把好方法发布出去”。

User Segmentation

行为分群：按使用深度和治理需求切分

同一个客户组织里会同时存在不同用户群。产品设计要把他们的任务和权限分清楚。

Segment A · 任务交付型用户

每天用 Beaver 产出内容和产物

行为：从聊天进入任务，上传文件，查看输出，要求修改，最终验收。

最看重：速度、上下文连续、产物质量、修改效率。

产品机会：工作流模板、任务卡、任务详情、文件预览、验收按钮、交付物导出。

优先级：Invest。没有这群人的已验收任务，Beaver 没有北极星。

Segment B · 治理运营型用户

负责部署、配置和风险控制

行为：配置模型、管理实例、看状态、查日志、限制工具、处理连接器故障。

最看重：稳定、边界、可恢复、可解释、成本可控。

产品机会：Admin Health Console、部署检查、连接器状态、工具策略、备份恢复。

优先级：Invest。企业试点能否扩展取决于这群人的信任。

Segment C · 复用建设型用户

把成功任务变成团队能力

行为：查看满意任务，生成技能候选，审核草稿，发布技能，观察复用效果。

最看重：质量门禁、版本管理、安全评估、是否真的减少重复工作。

产品机会：技能学习链路、Replay Eval、技能市场、复用指标、版本回滚。

优先级：Maintain → Invest。先跑出 accepted tasks，再强化复用建设。

Segment D · 外部系统自动化用户

希望 AI 直接进入邮件、日历和业务系统

行为：配置 Outlook/IM/CRM 等连接器，让 Agent 处理提醒、回复、日程和跟进。

最看重：少切换系统、主动触达、外部动作准确。

产品机会：连接器、定时任务、通知、外部写入确认、side-effect journal。

优先级：Defer for broad rollout。连接器成熟前只做受控试点。

Competitor Analysis

竞品分析：先看 Claw 类本地 Agent，再看通用平台

以下分析基于 2026-06-10 可查官方页面、公开仓库和本地架构对比资料。新增重点放在 QClaw、OpenClaw、Hermes Agent、Marvis 这类“常驻设备、跨渠道、有工具执行能力”的 Agent。

竞品	定位与入口	核心能力	相对 Beaver 的强项	弱点 / 空白	Beaver 应吸收什么
OpenClaw 本地优先、多渠道个人 AI 助手	官方定位是运行在自有设备上的 personal AI assistant；入口覆盖 WhatsApp、Telegram、Slack、Discord、WeChat、QQ、WebChat 等多渠道。	Gateway 常驻、渠道接入、设备节点、技能生态、桌面/移动 companion app、Canvas、daemon/onboard 安装体验。	产品触点极强，用户不需要先进入 Web 工作台；“从消息渠道直接让 Agent 做事”的心智清晰。	更偏个人助手和本地设备自动化；企业任务验收、证据链、PRD/运营类交付管理、技能审核发布流程不是主叙事。	借鉴 channel adapter、daemon/onboard、DM pairing、安全默认值、Canvas 产物预览；但 Beaver 主线仍应是可审核任务工作台。
QClaw / QuantumClaw OpenClaw 产品化与信任身份路线	QClaw 相关项目把 OpenClaw 能力包装成更易用的本地 Agent；QuantumClaw 明确强调 self-hosted runtime、AGEX agent identity/trust、多消息渠道和 dashboard。	本地运行、Telegram/Discord/WhatsApp/Slack/Email 等渠道、持久记忆、多 Agent、内置工具、ClawHub 技能、Trust Kernel、成本路由。	把“个人 Agent 常驻 + 多渠道 + 低成本 + 技能生态”讲得非常完整，且身份/信任协议是有差异化的技术叙事。	仍偏个人/开发者运行时；企业团队协作、任务验收、实例治理、审计报告和技能审批链路需要额外设计。	借鉴 agent identity、pairing flow、memory dashboard、skills/search/install CLI；Beaver 应补上企业侧的角色、审批、证据和验收。
Hermes Agent 自学习、长期记忆的常驻 Agent	Nous Research 官方定位为“Grows With You”的开源 Agent；不是 IDE copilot，也不是单 API wrapper，而是住在服务器上的自主 Agent。	跨 Telegram/Discord/Slack/WhatsApp/Signal/Email/CLI，持久记忆，自动生成技能，自然语言 cron，隔离 subagents，Docker/SSH/Singularity/Modal sandbox。	自学习叙事最强，能把“越用越懂你、越用越会做事”讲成闭环；sandbox 和 subagent 体系也更像工程基础设施。	系统面广、入口多，商业团队理解成本较高；学习出来的技能如何被团队审核、发布、回滚，仍可被 Beaver 拉开差距。	借鉴 session search、user model、auto skill generation、cron、isolated subagents；Beaver 要坚持“学习候选 -> 草稿 -> 评测 -> 人审 -> 发布”。
Tencent Marvis / Mavis OS 级个人 AI 助手	腾讯官网将 Marvis 描述为 24 小时在线的 AI 助手，覆盖 Windows、macOS、Android，并强调手机操控电脑、本地模式文件 0 上传。	本地/端云协同模式、文件搜索与整理、图片和文档理解、电脑设置修改、手机远程接管、办公/游戏/情报监控等预置场景。	OS 级入口和大众用户心智最强，直接嵌入“文件、应用、系统设置、手机远控”的日常电脑使用路径。	更像 C 端/个人效率助手；企业私有实例、审计、任务验收、跨团队知识复用和工程可扩展性不是当前公开表达重点。	借鉴 OS 文件/应用理解、手机接管电脑、隐私模式、预置任务场景；Beaver 可把这些能力企业化为“受控执行 + 审计回放”。
OpenHarness Agent harness 基础设施	更偏研究者、框架开发者和 Agent runtime builder；本地已有对比材料将其归为“基础设施路线”。	Agent loop、工具、技能、memory、permissions、sandbox、swarm、gateway/channel 等基础模块。	工程概念完整，适合解释“LLM 如何变成可执行 Agent”；对 Beaver 的底层设计有直接参考价值。	产品体验和业务闭环不如 OpenClaw/Marvis 直观；如果客户要开箱即用工作台，需要二次产品化。	借鉴 harness、permission checker、tool ecosystem 和 sandbox 表达；Beaver 应把这些能力封装到任务工作流里。

Claw 类核心变量

入口不是 Web，而是消息、系统和设备

OpenClaw/QClaw/Hermes/Marvis 的共同点，是让 Agent 常驻在用户已经工作的地方：IM、电脑、文件系统、手机远程入口。Beaver 如果只停在 Web chat，会显得入口较重。

Beaver 可赢点

把个人助手能力企业化

这些产品强在“帮个人做事”，但企业更需要任务状态、证据、验收、权限、审计、复盘和技能发布。Beaver 的机会是把本地 Agent 的执行力变成团队可管理的工作系统。

战略边界

不直接复制万能助手

短期不应追求覆盖所有消息渠道和 OS 操作。先把 Web 工作台、任务验收、技能学习、人审发布和私有实例做深，再选择性接入高价值渠道。

通用 Agent Builder / 企业自动化平台组

竞品	定位与 GTM	核心优势	弱点 / 空白	对 Beaver 的威胁	Beaver 差异化机会
Microsoft Copilot Studio 企业 Agent 构建与 M365/Power Platform 生态	面向已有 Microsoft 生态客户；按 Copilot Credits 或 PAYG 计费，官方显示 25,000 credits 容量包 $200/月。	生态入口强、企业采购路径成熟、身份和权限体系完整、M365 数据和工作流集成天然强。	强依赖 Microsoft 生态；对非微软环境、私有轻量部署和高度定制的本地 Agent 沙盒不一定友好。	大企业标准化采购时会成为默认选项，尤其是 M365 已深度部署客户。	强调轻量私有部署、实例级沙盒、开放模型/工具、任务证据与技能学习，而不是绑定单一办公生态。
Dify 开源 LLM 应用与 Agentic Workflow Builder	面向开发者、小团队和企业；官方强调 agentic workflows、RAG pipelines、integrations、observability；支持云和企业版。	开源心智强、上手快、RAG/Workflow/Agent 能力完整、开发者生态活跃。	更像 LLM 应用构建平台；对“企业任务验收、过程证据、用户工作台、多实例业务闭环”的产品表达不够垂直。	开发团队会用 Dify 快速搭原型，形成替代 Beaver 的内部平台。	避开“构建应用”定位，主打“执行工作”：任务生命周期、验收、证据、技能复用和运营治理。
Dust 多人协作式企业 AI 助手工作区	面向团队协作，官方定位为 people and agents 共同协作的多人 AI workspace；Pro 为 29€/用户/月，Enterprise 面向 100+ 成员。	协作体验和知识连接强，强调多人 AI 工作空间、常见 SaaS 集成和企业安全。	更偏“团队 AI 助手与知识协作”；对私有实例部署、任务验收、工具执行证据和技能学习治理未必是主线。	如果客户首要需求是内部知识问答和团队 AI 助手，Dust 会更易理解和采购。	Beaver 应强调“从协作问答到可验收任务交付”，并把任务证据、文件产物和技能沉淀做得更重。
Relevance AI AI Workforce / Agent Teams	面向 GTM 和高增长团队，官方强调企业级 AI agents、workforces、2,000+ integrations、SSO/RBAC/Audit Logs。	“AI Workforce”叙事清晰，agent teams、playbook、集成和企业销售话术强。	更偏销售/GTM 自动化和 AI workforce 概念；通用知识工作交付、私有轻量部署和任务验收闭环不一定突出。	在销售、增长、客户跟进等外部系统自动化场景对 Beaver 有直接威胁。	Beaver 可以先避开 GTM 红海，专注项目交付、运营报告、技术支持等内部知识工作，再逐步扩展连接器。
Stack AI 企业 no-code AI Agent / Workflow Automation	官方定位“From process to AI agent, in minutes”；AWS Marketplace 页面强调可在客户 VPC 或本地基础设施部署。	no-code 构建体验、企业安全叙事、私有基础设施部署选项、业务流程自动化定位清楚。	偏构建器和自动化平台；对日常用户工作台、任务验收、技能学习闭环和长期记忆控制的产品深度需要验证。	如果客户想“快速把流程搭成 AI agent”，Stack AI 的 no-code 体验会很有吸引力。	Beaver 应强调不是只搭流程，而是提供完整工作台：用户提交任务、Agent 执行、证据验收、经验复用。

相邻竞品

n8n / Gumloop / CrewAI

n8n 和 Gumloop 更偏 AI workflow automation；CrewAI 更偏多智能体框架与企业平台。它们会在开发者和自动化团队里形成替代路径。

市场空白

任务交付 + 验收 + 复用

通用平台强调构建 Agent、协作助手或自动化流程；Claw 类产品强调个人常驻执行。两边都没有把“企业用户任务、证据、验收、技能学习”作为完整产品闭环来讲。

推荐打法

先做工作台，不做泛平台

Beaver 不应正面卷通用 Agent Builder；应从项目交付、运营报告、技术支持等可衡量工作流切入，再扩展为企业 Agent 平台。

Strategic Recommendation

阶段性战略建议

先把商业画布、目标用户和竞品定位讲透，路线图和上线计划可以后续继续展开。

应该强调

“企业 Agent 执行与治理平台”，而不是聊天工具。
“任务可验收、过程可审计、经验可复用”。
“私有实例 + 开放工具 + 技能记忆沉淀”。
从项目交付、运营报告、技术支持等真实工作流切入。

暂时不要强调

不要先做所有人的通用 AI 助手。
不要和 Dify/Stack AI 正面比“谁更会搭 Agent”。
不要过早承诺所有连接器和完全自治。
不要把验收指标、路线图和上线计划放在前面抢主线。

Acceptance Metrics

验收指标放在最后

这些指标只作为后续试点验收的出口，不在当前页面前半段展开路线图和上线维护。

北极星已验收任务每周/每团队

30 天目标30+真实验收任务

复用目标5技能，其中 3 个复用

安全目标0关键事故

Sources

竞品资料来源

以下为本页竞品分析使用的公开资料入口，优先采用官方页面。