返回资讯中心
外部精选
软件工程
#开发者实时流

SoduWork 发布开源工作台,要求 AI 智能体交付成果须经人工签核

来源标题:SoduWork – Open-source workbench where agents must prove their work

开源项目 SoduWork 上线,这是一个面向团队及其 AI 智能体的自托管工作台,任务需由提出者签核才算完成。它支持多套 harness 与多智能体协作,可由一个模型执行、另一个模型按验收标准复核,复核不通过则退回并附原因。团队还能把与 AI 打磨好的任务流程保存为插件,经审核后供全员复用。

Hacker News 最新WavyPeng2026/11/19 · 今天30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

面向团队及其 agent 的 AI 原生引擎 聊天以一段回答结束。SoduWork 的请求,则以提出者签字确认才告结束。 多 harness · 多 agent · 自托管 支持 Pi · OpenCode · DeepSeek Harness · Qwen Code · Kimi Code · Codex Harness · Codex git clone https://github.com/mdiri-ai/SoduWork cd SoduWork 平台 启动命令 macOS / Linux sh start.sh --desktop Windows PowerShell .\start.cmd --desktop Windows 命令提示符 start.cmd --desktop 网站 | 在线演示 | 文档 | 文档站点 | 版本发布 | Discord 一个 harness 干活,另一个 harness 审查 选 Pi 来做这项工作。由 OpenCode 使用另一个模型,对照验收标准进行审查。如果审查不通过,工作会被退回,并附上原因。 把请求交给同事的 agent 人与 AI 协同工作:你提交请求,AI 撰写验收标准,然后你把请求分配给自己或同事。被分配者的 agent 完成工作并审查,最后由人签字确认。请求上的每个人都能看到谁做了什么。 把一个人的经验转化为团队资产 当你和 AI 把一项任务做对了,就把这段对话保存为插件。经过审查后,团队中的任何人都可以使用它并贡献改进,权限按需授予。 核心理念 🔀 智能调度 你的组织决定由哪个 AI 做什么,以及在哪里做。 先定标准。完成意味着提出者已签字确认。 SoduWork 处于公开测试阶段。欢迎试用并告诉我们你的想法,在生产环境使用前请先进行评估。 你需要 Python 3.12+、Node.js 22.19+ 和 Git。 在克隆下来的仓库中,macOS/Linux 上运行 sh start.sh --desktop,Windows PowerShell 中运行 .\start.cmd --desktop,命令提示符中运行 start.cmd --desktop。 首次运行会安装依赖,然后在这台计算机上启动 Hub、管理控制台和桌面客户端。系统提示时,为管理员账户设置密码(12–128 个字符)。然后在管理控制台的 Model catalog 下添加模型提供商,在客户端中开启对话并尝试一个小任务。Pi 是内置的。 还要添加一个聊天模型。在 Capabilities → Model catalog 下,找到你连接的服务,选择 Add model,输入提供商的确切模型 ID,选择 Chat model,然后保存。仅保存服务凭据并不会创建一个可选的模型。 打开桌面客户端并登录同一个 Hub。从源码启动时使用 --desktop。浏览器管理控制台负责配置服务;请确认桌面登录界面上的 Connection 指向同一个 Hub。 选择 New conversation、Pi,以及你添加的模型。Pi 使用 SoduWork 的模型目录。Codex 使用它自己的账户,需要单独登录;它不会自动使用这个 API key。 尝试一个小任务。例如:“把这些虚构的会议记录整理成一张行动表,包含负责人和截止日期。将缺失的信息标记为待确认:Alex 将在周五前整理需求;Sam 将核对报价。”对照会议记录检查返回的表格。 当你需要分配和验收时,创建一个需求。描述目标、输入和验收标准,打开 Arrange execution,选择一个 Agent 和模型,并在接受交付物之前先进行检查。普通对话不需要先有项目、插件或自动化。 第一条消息请使用兼容 OpenAI 的聊天模型配合 Pi。连接探测成功并不保证推理成功:余额、模型权限和协议支持仍然会影响结果。如果 Agent 列表为空,检查 Agent management 和 Runner 连接。如果模型列表为空,检查该模型是否存在、是否已启用,以及两个界面是否使用同一个 Hub。 逐字段的设置和故障排查请参阅 Run from source: send your first AI message。 该演示仅供评估使用。不要上传真实的业务数据或任何敏感信息。 请按照图文版桌面安装与首次对话指南操作。 从 Releases 下载。首次启动时,在 Connection 下输入你的 Hub 地址,然后登录。在 macOS 上,如果看到“无法验证开发者”,请打开系统设置 → 隐私与安全性,选择“仍要打开”。 在 Docker 已安装并运行的情况下,从仓库根目录执行: python3 ops/self-host/deploy.py up python3 ops/self-host/deploy.py credentials # show the initial admin password 这会在同一台服务器上启动 Hub、管理控制台和 PostgreSQL。在其前方部署 HTTPS 反向代理,即可向你的团队开放。参见 Deploy with Docker 和 Deploy for a team。 端口、数据文件夹和故障排查见 Run from source 和 FAQ。 AI agent 让每个人都能快速产出。但没有人能免费获得对这份产出的信任——也没有现成办法把行之有效的做法保留下来。个人和团队都卡在这里: 请求、执行、审查和复用都发生在同一个共享问题池中: flowchart LR A[Raise a request] --> B[AI refines it<br/>adds acceptance criteria] B --> C[Assign<br/>yourself · a colleague · an agent] C --> D[Agent runs it<br/>with a team plugin] D --> E[AI review<br/>assignee confirms] E --> F[Requester signs off] F --> G[Save as a plugin] G -.reused by the team.-> D Loading 角色 参与方式 独立开发者 把请求放入池中,让 agent 逐项处理,自己只负责签字确认 领域专家 与 AI 一起把一项任务做对,把方法保存为插件,并发布给团队 管理者 丢入一个请求;AI 补全标准并把它转交给某个人或某个 agent;最后由自己签字确认 新团队成员 使用组织积累的插件,按团队标准完成工作,并在发现缺口时改进它们 是谁提出的、谁完成的、运行了哪个插件、谁批准的,始终都有记录。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →