「AIエージェントを1体だけ使うのはもう古い」――2026年に入り、複数の専門エージェントを協調させるマルチエージェントシステムが急速に普及しています。しかし多くのフレームワークは「エージェントをどうオーケストレーションするか」というエンジニア向けの課題に注力しており、「AIチームをどうマネジメントするか」という意思決定者の課題には十分に応えていません。
OpenCrew は、まさにこの後者の課題を解決するために生まれたオープンソースプロジェクトです。OpenClaw（Clawbot）上に構築され、Slack・Discord・Feishu といった既存のチャットツールをそのまま「AIチームのオフィス」に変えることができます。
OpenCrewとは何か
OpenCrew は GitHub（AlexAnys/opencrew）で MIT ライセンスのもと公開されているマルチエージェント OS です。単一の OpenClaw エージェントを、役割分担された複数エージェントのチームへと拡張します。
最大の特徴は 「Channel = Role, Thread = Task」 という設計思想です。Slack のチャネルがそのまま各エージェントの「役職」になり、スレッドが個別の「タスク」として機能します。未読メッセージは「未処理の業務」を意味し、チャット内検索がそのままナレッジ検索になります。エージェント間の接続には MCP（Model Context Protocol） が活用されており、ツール連携の標準化が進んでいます。
つまり、新たな UI を構築する必要がなく、すでにチームが使っている Slack をそのままマルチエージェント管理画面として活用できるのです。
他のフレームワークとの違い
| 項目 | CrewAI / LangGraph など | OpenCrew |
|---|---|---|
| 主な対象 | 開発者 | 意思決定者（経営者・マネージャー） |
| 解決する課題 | エージェントのオーケストレーション | AIチームのマネジメント |
| UIの必要性 | カスタムUI or CLI | Slack / Discord をそのまま利用 |
| コーディング | Python / TypeScript が必要 | コード不要 |
| 基盤 | 独自ランタイム | OpenClaw（Clawbot） |
3層アーキテクチャ
OpenCrew のエージェントチームは、現実の組織構造を模した3つのレイヤーで構成されます。
Layer 1: Intent Alignment（方向づけ）
人間（あなた）と Chief of Staff（CoS） エージェントがペアで方向性を設定し、成果をレビューします。CoS はチーム全体の司令塔として、タスクの割り振りや進捗管理を担当します。
Layer 2: Execution（実行）
専門エージェントがそれぞれの領域で実務を担います。
| エージェント | 役割 |
|---|---|
| CTO | 技術的な方向性の決定、アーキテクチャ設計 |
| Builder | 実装・コーディング・テスト |
| CIO | ドメイン知識の提供、業界分析 |
| Research | 調査・情報収集・ファクトチェック |
Layer 3: System Maintenance（システム保守）
チーム全体の品質と一貫性を維持するメタレイヤーです。
- Knowledge Officer: 会話やタスク結果を構造化ナレッジに蒸留
- Operations Officer: エージェントのドリフト（方針からの逸脱）を検知・修正
この3層構造により、「何をやるか」の意思決定、「どうやるか」の実行、「学びをどう残すか」の知識管理がきれいに分離されます。
自律性のコントロール ― Autonomy Ladder
AIエージェントに仕事を任せるうえで最も重要なのは、「どこまで自律的に動かすか」の線引きです。OpenCrew はこれを Autonomy Ladder（自律性レベル） として L0〜L3 の4段階で定義しています。
| レベル | 名称 | 動作 | 例 |
|---|---|---|---|
| L0 | Manual | 人間の承認なしには何もしない | 契約書の送付 |
| L1 | Suggest | 提案はするが実行は人間が判断 | マーケティング施策の提案 |
| L2 | Act & Report | 実行後に報告（可逆操作に限定） | コードのリファクタリング |
| L3 | Full Auto | 完全自律（可逆かつ低リスクな操作） | ログの整理・定型レポート生成 |
重要なポイントは、可逆的な操作は自動化し、不可逆な操作は必ず人間を介す という原則です。これにより、エージェントの自律性と人間のコントロールを両立させています。
タスク分類 QAPS
OpenCrew では、エージェントに投げられるすべての入力を QAPS の4カテゴリに分類して処理します。
- Q（Question）: 質問 → 情報を返すだけ。実行アクションなし
- A（Assignment）: 単発タスク → 1エージェントが完結させる
- P（Project）: 複数ステップの複合タスク → CoS が分解して複数エージェントに割り振り
- S（System）: システム設定の変更 → 必ず人間の承認を要求
この分類により、簡単な質問に対してプロジェクト並みのオーバーヘッドをかけることがなくなり、逆に重要な変更が勝手に実行されるリスクも排除されます。
知識蒸留 ― 組織の記憶をどう残すか
マルチエージェントシステムの実運用で見落とされがちなのが、エージェントが学んだことをどう保存するか という課題です。生のチャット履歴は膨大すぎて再利用できず、かといって何も残さなければ同じ失敗を繰り返します。
OpenCrew は3層の知識圧縮アプローチでこの問題を解決しています。
| レイヤー | 内容 | 圧縮率 |
|---|---|---|
| Layer 0: Raw | 生の会話ログ（監査用） | 1x |
| Layer 1: Closeout | 構造化されたタスク完了サマリ（10〜15行） | 約25x |
| Layer 2: Abstract | 抽象化された原則・パターン・教訓 | 約100x |
すべてのタスク完了時に 10〜15 行の Closeout（構造化サマリ）を強制的に生成させることで、「使える組織の記憶」が自然に蓄積されていきます。さらにそこから抽象的な原則やパターンを抽出する Layer 2 により、新しいタスクにも過去の学びを適用できるようになります。
始め方 ― 最小構成で試す
OpenCrew は大規模な構成から始める必要はありません。Minimum Viable Setup（最小構成） として、以下の3エージェントだけでスタートできます。
- Chief of Staff（CoS） ― タスクの受付と振り分け
- CTO ― 技術判断
- Builder ― 実装
セットアップの流れ
1. OpenClaw（Clawbot）をインストール
2. Slack ワークスペースに Bot を追加
3. 3つのチャネルを作成（#cos, #cto, #builder）
4. 各チャネルに対応するエージェント設定を配置
5. CoS チャネルにタスクを投げて動作確認チームの成長に合わせて Research、CIO、Knowledge Officer などのエージェントを追加していく段階的なスケーリングが可能です。
プラットフォーム対応状況
| プラットフォーム | スレッド対応 | ステータス |
|---|---|---|
| Slack | 完全対応 | 推奨 |
| Discord | 完全対応 | 安定 |
| Feishu（飛書） | 制限あり | 実験的 |
まとめ
OpenCrew は、マルチエージェント AI の恩恵を「コードを書かない人」にも届けるプロジェクトです。
- Channel = Role, Thread = Task の直感的な設計で、Slack がそのままAIチームの管理画面になる
- Autonomy Ladder により、エージェントの自律性と人間のコントロールを段階的に調整できる
- QAPS 分類と知識蒸留で、タスクの適切なハンドリングと組織的な学習が自動化される
- 3エージェントの最小構成から始められ、必要に応じてスケール可能
AIエージェントを「ツール」としてではなく「チームメンバー」として組織し、マネジメントするという発想は、2026年のAI活用において重要なパラダイムシフトといえるでしょう。AIエージェントを業務に組み込むハーネスエンジニアリングや、AI駆動の開発ワークフロー構築といったアプローチと組み合わせることで、さらに強力な自動化基盤を構築できます。自社のAI活用を次のステージに進めたい方は、まず最小構成で試してみてはいかがでしょうか。
AIエージェントの組織的な活用にご興味がある方は、ぜひお問い合わせください。グリームハブでは、マルチエージェントシステムの導入支援も行っています。
