一个人能不能同时指挥好几个AI Agent干活最近Manolo Remiddi展示了一套自己搭建的AI工作台。录音笔插进电脑随手记录的想法就能进入任务系统AI负责分析、规划和执行人只需要在关键节点做审批。更有意思的是这套系统背后同时接入了多种Agent工具。Codex可以负责复杂任务其他Agent处理规划和文件操作本地模型也能随时接管部分工作。甚至连NAS上的文件复制、备份都已经交给了AI Agent处理。整个系统的交互界面由他自己设计底层则大量复用了现成的开源工具。在OpenAI等科技公司不断降低AI助手使用门槛的当下这位开发者选择亲手搭建一套能够随意更换模型、调整工作流程的个人AI系统。录音笔一插AI开始自己干活Remiddi遇到的问题很常见每天冒出大量想法却没有足够的时间逐一整理更不用说把它们变成真正的产品。他想让AI接手其中的大部分工作为此他开发了一套类似Kanban看板的任务管理系统将想法收集、AI分析、人工审批、任务执行和结果反馈串联起来。具体的流程是这样的。首先他通过录音设备记录自己的想法。设备连接电脑后录制的内容可以被系统捕获进一步整理成潜在的待办事项。随后AI分析这些内容判断哪些想法值得推进并形成对应的任务计划。到了这里人类需要介入。只有经过他的确认后续任务才会进入执行阶段。接下来不同Agent开始分工。有的负责规划有的负责写代码部分任务还可以交给其他工具完成。执行结果进入反馈环节由人和AI共同检查、调整。除此之外他还展示了另一个正在工作的Agent。这个名为Augmentor的助手正在他的NAS上执行文件复制和备份任务。另一个本地助手则可以通过快捷方式唤醒用户直接提问后台便会连接模型处理请求。为了让交互更直观他甚至给这个助手设计了一个小蝴蝶形象。目前这些功能还在不断完善。他计划进一步把项目管理系统部署到个人云环境让它能够全天候运行持续处理任务。自己只做UI底层Agent随便换整套系统最值得关注的地方在于它的技术架构。Remiddi并没有重新开发一套完整的Agent框架相反他把已有的Harness作为执行底座自己主要负责设计界面以及不同组件之间如何交互。Harness可以理解为驱动Agent完成任务的一套执行框架负责组织上下文、调用工具、协调任务和管理执行过程。有了现成的Harness他可以把开发精力集中在实际需求上。比如同一张任务看板里规划工作可以交给规划Agent编程任务可以调用Codex。需要的时候还能接入OpenCode、Paperclip等其他工具。他展示的系统甚至可以切换背后的执行技术根据需要选择不同的Harness。编辑器同样可以自由选择。他提到了VSCodium和Cursor其中VSCodium提供了不包含微软遥测组件的VS Code开源构建版本。这一设计让系统具备了很大的调整空间。假设某个Agent更擅长代码分析就让它处理复杂开发任务另一个工具更适合执行本地命令就把文件操作分配给它。如果以后出现新的模型或者Agent框架也可以继续接入原有的工作界面。随着Agent工具越来越丰富开发者可以根据自己的工作习惯组织它们甚至让AI帮助开发新的交互界面。视频作者已经开始尝试这种方式。他正在开发一个新的UI设计方法十分直接先在纸上画出界面草图再把图纸交给AI让AI帮助完成后续开发。本地Harness云端模型他想把AI控制权握在自己手里展示完自己的系统Remiddi谈到了一个更大的问题。他认为大型科技公司正在加速推出面向普通用户的个人AI助手产品越来越简单使用门槛越来越低。用户只需要打开现有的订阅服务就能获得一个具备记忆、工具调用和任务执行能力的Agent。但随着AI助手逐渐了解用户的工作习惯积累长期记忆甚至参与日常工作的大部分环节更换平台可能变得越来越困难。他担心未来用户会像依赖电子邮件、即时通信平台一样逐渐依赖某一家公司的AI助手。本地AI提供了另一种可能但硬件投入和部署复杂度仍然限制着普通用户。因此他提出了一套更现实的技术方案把Harness部署在自己控制的设备上再根据任务需求灵活调用本地和云端模型。在这套架构里Harness和模型是两个可以独立选择的部分。Harness负责具体的Agent执行流程模型则提供推理、分析和生成能力。一些简单任务可以交给现有硬件上运行的小模型。碰到复杂的代码开发或推理任务再调用Codex等云端服务。GLM、DeepSeek等模型同样可以成为备选方案通过不同服务的API接入系统。他展示的工作台已经可以选择多个本地和云端模型并让不同Agent分别处理不同类型的工作。这种设计也考虑到了实际成本。大型模型在本地运行往往需要高性能硬件购买设备的投入并不低。相比之下一些云端订阅服务能够以相对较低的使用成本提供强大的模型能力。本地和云端混合使用可以让开发者依据任务复杂度、硬件条件和预算进行配置。当然本地运行Harness也不代表所有数据都留在本地。涉及云端模型调用时相关任务上下文仍可能发送至服务商。数据保留范围和隐私边界还需要结合具体架构来判断。最后Remiddi建议用户先想清楚自己希望AI怎样工作再利用已有的开源项目和AI编程工具搭建系统。他的个人AI工作台仍在持续开发目前展示的主要是原型功能和实际操作尚未提供完整的性能测试、运行成本及长期稳定性数据。但这套实践已经呈现出一种值得关注的Agent应用方式用户自己设计工作入口复用不同的Harness按任务调用不同模型让多个AI Agent在同一个系统中协同工作。当模型、Harness和交互界面能够自由组合个人AI助手也就拥有了更多按需定制的可能。 
长河君 · 2026/10/14 2:44:40 · 阅读 1.2k 一个界面调度多个AI Agent！把Codex、本地模型和NAS全接起来
一个人能不能同时指挥好几个AI Agent干活最近Manolo Remiddi展示了一套自己搭建的AI工作台。录音笔插进电脑随手记录的想法就能进入任务系统AI负责分析、规划和执行人只需要在关键节点做审批。更有意思的是这套系统背后同时接入了多种Agent工具。Codex可以负责复杂任务其他Agent处理规划和文件操作本地模型也能随时接管部分工作。甚至连NAS上的文件复制、备份都已经交给了AI Agent处理。整个系统的交互界面由他自己设计底层则大量复用了现成的开源工具。在OpenAI等科技公司不断降低AI助手使用门槛的当下这位开发者选择亲手搭建一套能够随意更换模型、调整工作流程的个人AI系统。录音笔一插AI开始自己干活Remiddi遇到的问题很常见每天冒出大量想法却没有足够的时间逐一整理更不用说把它们变成真正的产品。他想让AI接手其中的大部分工作为此他开发了一套类似Kanban看板的任务管理系统将想法收集、AI分析、人工审批、任务执行和结果反馈串联起来。具体的流程是这样的。首先他通过录音设备记录自己的想法。设备连接电脑后录制的内容可以被系统捕获进一步整理成潜在的待办事项。随后AI分析这些内容判断哪些想法值得推进并形成对应的任务计划。到了这里人类需要介入。只有经过他的确认后续任务才会进入执行阶段。接下来不同Agent开始分工。有的负责规划有的负责写代码部分任务还可以交给其他工具完成。执行结果进入反馈环节由人和AI共同检查、调整。除此之外他还展示了另一个正在工作的Agent。这个名为Augmentor的助手正在他的NAS上执行文件复制和备份任务。另一个本地助手则可以通过快捷方式唤醒用户直接提问后台便会连接模型处理请求。为了让交互更直观他甚至给这个助手设计了一个小蝴蝶形象。目前这些功能还在不断完善。他计划进一步把项目管理系统部署到个人云环境让它能够全天候运行持续处理任务。自己只做UI底层Agent随便换整套系统最值得关注的地方在于它的技术架构。Remiddi并没有重新开发一套完整的Agent框架相反他把已有的Harness作为执行底座自己主要负责设计界面以及不同组件之间如何交互。Harness可以理解为驱动Agent完成任务的一套执行框架负责组织上下文、调用工具、协调任务和管理执行过程。有了现成的Harness他可以把开发精力集中在实际需求上。比如同一张任务看板里规划工作可以交给规划Agent编程任务可以调用Codex。需要的时候还能接入OpenCode、Paperclip等其他工具。他展示的系统甚至可以切换背后的执行技术根据需要选择不同的Harness。编辑器同样可以自由选择。他提到了VSCodium和Cursor其中VSCodium提供了不包含微软遥测组件的VS Code开源构建版本。这一设计让系统具备了很大的调整空间。假设某个Agent更擅长代码分析就让它处理复杂开发任务另一个工具更适合执行本地命令就把文件操作分配给它。如果以后出现新的模型或者Agent框架也可以继续接入原有的工作界面。随着Agent工具越来越丰富开发者可以根据自己的工作习惯组织它们甚至让AI帮助开发新的交互界面。视频作者已经开始尝试这种方式。他正在开发一个新的UI设计方法十分直接先在纸上画出界面草图再把图纸交给AI让AI帮助完成后续开发。本地Harness云端模型他想把AI控制权握在自己手里展示完自己的系统Remiddi谈到了一个更大的问题。他认为大型科技公司正在加速推出面向普通用户的个人AI助手产品越来越简单使用门槛越来越低。用户只需要打开现有的订阅服务就能获得一个具备记忆、工具调用和任务执行能力的Agent。但随着AI助手逐渐了解用户的工作习惯积累长期记忆甚至参与日常工作的大部分环节更换平台可能变得越来越困难。他担心未来用户会像依赖电子邮件、即时通信平台一样逐渐依赖某一家公司的AI助手。本地AI提供了另一种可能但硬件投入和部署复杂度仍然限制着普通用户。因此他提出了一套更现实的技术方案把Harness部署在自己控制的设备上再根据任务需求灵活调用本地和云端模型。在这套架构里Harness和模型是两个可以独立选择的部分。Harness负责具体的Agent执行流程模型则提供推理、分析和生成能力。一些简单任务可以交给现有硬件上运行的小模型。碰到复杂的代码开发或推理任务再调用Codex等云端服务。GLM、DeepSeek等模型同样可以成为备选方案通过不同服务的API接入系统。他展示的工作台已经可以选择多个本地和云端模型并让不同Agent分别处理不同类型的工作。这种设计也考虑到了实际成本。大型模型在本地运行往往需要高性能硬件购买设备的投入并不低。相比之下一些云端订阅服务能够以相对较低的使用成本提供强大的模型能力。本地和云端混合使用可以让开发者依据任务复杂度、硬件条件和预算进行配置。当然本地运行Harness也不代表所有数据都留在本地。涉及云端模型调用时相关任务上下文仍可能发送至服务商。数据保留范围和隐私边界还需要结合具体架构来判断。最后Remiddi建议用户先想清楚自己希望AI怎样工作再利用已有的开源项目和AI编程工具搭建系统。他的个人AI工作台仍在持续开发目前展示的主要是原型功能和实际操作尚未提供完整的性能测试、运行成本及长期稳定性数据。但这套实践已经呈现出一种值得关注的Agent应用方式用户自己设计工作入口复用不同的Harness按任务调用不同模型让多个AI Agent在同一个系统中协同工作。当模型、Harness和交互界面能够自由组合个人AI助手也就拥有了更多按需定制的可能。