标题写着400美元，他先查这笔钱到底在不在

一个GitHub issue标题里挂着“$400”，看起来就是机会。但真正决定要不要搭进去一个周末的问题，标题不会回答：这活现在还能接吗？验收标准是什么？我的技能够不够？谁有权把钱放出来？

BountyPilot就是冲着这段空白做的——从“发现一条线索”到“判断它值不值得我花时间”，中间那一步没人管。它会搜索真实的公开GitHub issue，抓取来源，把奖励证据和技术任务摆在一起看。

本地运行的Gemma负责补上分析层：范围摘要、相关技能、难度估计、建议、风险，以及还没被回答的问题。用户可以点开被引用的原始来源核对，把机会存下来，回到一个持久化的本地流水线继续处理。

作者反复强调的一条界线是：奖励声明不等于已核实资金。一个金额、一个标签、一条维护者相关的评论，都不能证明钱真的在那儿，也不能证明你的贡献符合领取条件。BountyPilot的做法是把这种不确定性直接暴露出来，而不是甩给你一张“承诺收入”清单。

目标用户是独立开发者或自由职业者——那种会反复评估付费编码线索的人。实际价值在于少花时间拼凑散落在各处的讨论串，少做几个只看标题就下的决定。

围绕这套工作流，作者列出了几种可能的生意：托管式安装与支持、选择性通知、付费托管。他明确说这些是未来可能性，不是已实现的服务，也没有现有收入。托管运营需要认证、隐私边界和运营成本方面的投入。目前没有任何外部用户证据，也没有付费意愿证据。

演示视频88秒，公开播放器免登录。画面里走了一遍真实流程：发现issue、打开oll4com/spaceapp#60、查看来源与付款证据、选择本地Gemma 3 4B、生成分析、检查难度与引用、保存、重新加载流水线。

那次录制的请求执行了新推理，应用测得耗时14.537秒。作者剪掉了8.4秒等待时间并加入阅读停顿，剪辑中对此有说明。这是录制画面，不是实时回放，不是缓存响应，也不构成通用延迟承诺。浏览器刷新只证明已保存数据能留住，不是拍下来的进程重启。

技术栈是一套Next.js/TypeScript应用，前端在本地浏览器，接GitHub REST API，本地SQLite存快照，本地Ollama跑Gemma 3 4B。作者一开始考虑过单独做一个Python API，后来判断对这个负载来说，多一个后端主要是把HTTP转发给Ollama、顺便复制一遍契约，不如把界面、校验和服务端集成放在一个应用里。

搜索不会对每条结果都跑一次模型。一个确定性评分把证据信号、明确的技能匹配、时效性、可用性和范围信号合在一起，评分拆解可查看，只作用于当前抓取的那一页，既不是付款概率，也不是预期收益。Gemma改不了这个分数，也改不了付款证据的状态。

分析环节，应用把有边界的摘录和技能发给Gemma 3 4B，Ollama是加载和提供该模型的推理运行时，BountyPilot负责编排来源、校验、呈现和存储。这套集成没有用Gemini API。

模型必须返回结构化JSON。应用会检查schema、来源标识、引用标识唯一性、引文是否逐字属于来源、风险项是否指向引用。被省略或缩短的上下文会被记录。实质性输入必须带有效引用，格式错误的输出在总时限内最多重试一次校验。

作者说，他学到的是给“有据可依”划一条精确的边界：一段引文可以确实存在于来源里，却支撑不了一个结论。这些检查确立的是引用保真度，不是真理性，不是语义蕴含，更不是付款。人工核对来源仍然是流程的一部分。

失败恢复和提示词一样重要。分析失败时保留上一次成功结果；写入是事务性的，来源刷新与分析并发时，不会把旧答案悄悄挂到已经变化的证据上；缓存结果保留原始生成时间；超时和取消都给用户留了恢复路径。

GitHub配额还带来一个具体教训：详情配额耗尽原本会连搜索一起堵死，哪怕搜索预算还有剩。把两种冷却分开之后，没必要的等待消失了，并加了一个回归测试守住这个区分。

已发布的CI在Linux、macOS、Windows上跑了六个任务，覆盖Node 24.14.0和24.21.0；每个当前Node任务还通过了七项浏览器检查。作者同时说明，这些自动化运行环境不能证明Gemma在那些操作系统上的表现。另外一组12例的4B提示词v4评测产出了12个有效输出，人工评估认为其中11个有用。这个小结果并没有阻止后来的线上失败。作者选择把拒绝当作产品行为，而不是为了让演示更干净去放松校验。

Codex在规划、实现和检查上帮了忙，Ponytail FULL指导了小改动和关联代码的评审。两者都没有替代真实的模型运行、数据库检查和界面核对。

开源这件事，作者给出的最强理由是：对决策过程有控制权。开发者可以查看排序权重，看到哪些摘录进了模型，质疑某条证据启发式规则，改校验逻辑，而不用等托管厂商开放内部功能。

本地Gemma也让核心分析不必依赖付费LLM API或商业AI订阅。用本地Ollama时，选中的技能和摘录进入的是用户自己机器上的进程，个人快照和流水线默认留在本地SQLite。作者提醒，那个数据库是明文，靠操作系统权限保护，不构成对同用户下其他软件的隔离承诺。

实时发现和刷新GitHub需要联网。依赖、权重和快照就位之后，对留存内容的推理可以本地跑，已保存的流水线不需要GitHub就能回答下一次请求。用户也可以显式配置一个受保护的远程Ollama端点，但那会把分析输入发给该端点的运营方，隐私假设随之改变，它不是自动回退方案。

1B模型的实验让“可检查”的价值变得具体：更小的下载量能返回响应，却没能通过全部十二项接地检查。作者得以保留这份证据，把该选项标为实验性，让4B保持主力。光看本地安装成功，这个质量问题就被藏起来了。

代价也摆在那儿。作者的测试机有48 GiB内存，更低内存的下限他没有测出来。装Node、Ollama和模型权重需要工夫和存储空间，推理要等，模型可能复述你给的技能、漏掉重要上下文或校验失败，schema合法的结果照样需要人来判断。本地运行即使没有API账单，也要付电费和硬件。

作者留了一个小的provider接口给未来用，把Gemini、OpenAI等云端适配器推迟到提交之后。这样保留了扩展空间，又不把专有服务变成前提。AGPL源码访问让贡献者能复现失败、提出更好的证据规则，改进他们自己跑着的同一个本地工具。

这些自由适用于BountyPilot的软件。Gemma仍是Google单独条款下的开放权重模型，不是AGPL授权，也不是OSI认可的模型。作者认为，把这条区分摆明，才算一个诚实的开源项目。