北京
写代码这件事，确实变简单了。你可以让模型提实现方案、生成代码、审查改动、帮忙定位挂掉的测试。但用着用着，另一个问题冒出来了：协调这些活，一点没变简单。
一个功能可能拆成好几个互相依赖的任务。一个模型负责设计实现，另一个负责写代码，再来一个负责审查结果。可你依然得回答这些问题：哪个任务先跑？哪个模型有资格接这个任务？谁对结果负责？它能改哪些文件？测试挂了怎么办？怎么知道实现真的完成了？执行历史又存在哪？
有人干脆动手做了一个叫 Accension 的东西——开源、本地优先的 AI 模型路由与工程编排平台，用 Python 写的。它想解决的就是上面这堆协调问题，而且不想再塞给你一个必须联网的云服务。
从模型路由到工程工作台
Accension 最早的版本只做一件事：根据能力、质量证据、隐私策略和预算上限来挑模型。逻辑很直白——不同任务适合不同模型，路由该由明确的约束条件说了算，而不是一句随手的推荐。
到了 1.1.0 版本，它加上了 Workbench。这个工作台引入了持久化项目、结构化的产品需求文档（PRD）、工作项、依赖关系、智能体分配、执行尝试和完成审查。一个关键的架构决定是：复用已有的执行引擎，而不是另起炉灶再造一个任务执行器。
需求先行，依赖显式，授权归人
它不鼓励你甩一个大 prompt 出去，而是先把需求写成结构化的 PRD，定义目标、范围、功能需求和验收标准。审查完 PRD，再把活拆成更小的工作项，比如实现问候函数、补上覆盖命名和空输入的测试、写使用文档。这些任务之间可以有依赖——代码执行不该按屏幕上卡片的排列顺序来调度。
工作项代表一种能扛过重启、扛过多次执行尝试的工程义务，执行计划则代表引擎能完成的有限工作。工作台存状态和关系，执行基础设施干被批准的那部分活，避免看板变成第二个执行引擎。
另一个被刻意分开的东西是推荐和授权。模型可以提议怎么拆功能、工人该具备什么能力，但推荐不等于授权。资格、隐私、预算、仓库权限和执行策略检查，这些概念在工作台里各管各的：智能体是配置好的工人，模型是推理后端，路由器决定哪些模型有资格，执行批准则是人做出的决定。目的是让分配可解释，防止 AI 生成的计划悄悄给自己扩权。
还有一点：模型最后那句“搞定了”不算数。AI 可能在代码编译不过、测试失败、需求只实现了一半的时候照样报成功。所以 Accension 记录真实的执行尝试和独立的主机侧验证，保留产物和执行回执。需要人工完成审查时，检查通过只是必要证据，不能单独授权完成。PRD 批准、任务导入、执行批准、完成审查，这是四个不同的决定。
本地优先，但别误会隐私
技术栈是 Python 后端、FastAPI、SQLite 加 WAL 存储。CLI、工作台界面和 MCP 接口共享本地应用状态，装起来相对轻，不需要单独的托管数据库或消息代理。它可以用本地模型，包括通过 Ollama 这类兼容的本地运行时，也可以接配置好的云厂商。
这里有个重要的隐私区分：本地存项目，不等于所有推理都在本地。被授权的云请求可以把允许的上下文发到电脑外面。它还支持可选的局域网安全访问，通过 HTTPS、配对和工作区授权实现——这些都是显式的配置选择，不是强制的托管服务。
仓库里带了一个确定性的演示，不需要付费推理。跑 python scripts/demo_workbench.py --feature，它会建一个隔离的仓库和配置，构造有依赖的问候任务，用模拟的模型输出，跑真实的本地检查，并验证持久化的回执。演示里的截图和指标只是说明流程，不是生产模型的基准测试。
作者总结了几条：任务板该反映真实执行状态，而不是把卡片挪来挪去；模型选择和智能体分配是两回事；权限和批准边界必须由应用逻辑强制，不能靠 LLM 的指令自觉；执行历史和回执只有在代表真实观察结果时才有用；开发者工具得在外部 AI 提供商全都不可用时也能用——所以工作台支持不接模型、手动管理项目和任务。
项目用 Apache 2.0 许可开源，作者说后续想改进本地模型工作流、智能体适配器、工作台易用性、执行验证和文档上手。最后他抛了个问题：如果你来设计一个本地 AI 工程工作台，你觉得最该补上的是什么？
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
