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。