很多 AI coding 工具先解决“模型能不能写代码”，但真正麻烦的是：
- 模型、API 、工具和项目上下文分散；
- 长任务做到一半，换 Agent 或换会话就丢状态；
- 结果停在聊天窗口，很难知道改了什么、为什么改、能不能继续；
- 代码和数据不希望交给一个额外的云端服务。
我们做 OwlCoda 的核心取舍是：让模型在真实项目里工作，同时把模型、工具、会话和项目上下文放进一个本地控制面。
https://github.com/yeemio/owlcoda
它的价值不只是“有多少工具”，而是：
- 本地优先：会话默认保存在本机，没有 OwlCoda 账号和云端服务；
- 模型不绑定：本地模型、云端模型和兼容 API 可以统一接入和管理；
- 可持续工作：会话可以保存，复杂任务可以继续，不必每次从聊天记录重新猜上下文；
- 可复查执行：动作经过工具边界，留下 artifact 和记录，不把模型一句“完成了”当成事实；
- 可积累：重复工作可以沉淀成 learned skills ，而不是每次重新教模型。
安装：
npm install -g owlcoda@latest
另外，我们把项目连续性单独做成了公开 npm 包 OwlRunKit：
https://www.npmjs.com/package/owlrunkit
RunKit 不是另一个 Agent ，而是 Project Driver 。它把跨 Agent / session 的 assignment 、checkpoint 、handoff 、decision 、verification 、integration 和 status 变成可以检查、交接和恢复的项目流程。
也就是说，OwlCoda 负责把 AI 带进真实工作，RunKit 负责让这项工作不会因为换 Agent 、换会话或中途失败而失去连续性。
它目前是一个有界的 0.18.1 版本，定位是新项目和受控 dogfood ，不包装成通用企业控制平面。
安装：
npm install --save-exact [email protected]
两者都按 GPL-3.0-or-later 发布。欢迎试用和提 issue ，尤其想听听大家在本地模型、长任务和多 Agent 协作中，哪些地方真正有价值，哪些地方仍然太重。
Select Language