AI 工作流和AI Agent构建指南

一、关于AI 工作流和AI Agent如今随着AI应用的逐步深化应用和融合发展一个新的工具应用而生那就是工作流Agentic Workflow智能体工作流\代理工作流或AI agent它们的结合正在重塑现代企业的运营模式通过自动化、智能决策和效率优化推动数字化转型。AI通过分析数据、预测结果和执行重复任务嵌入工作流的关键环节实现从传统流程驱动到数据驱动的转变。该技术已广泛应用于各行业比如制造业中西门子通过AI预测性维护减少30%设备停机时间麦肯锡2022报告。零售业中亚马逊的仓储机器人Kiva将订单处理效率提升3倍Statista 2023数据。 据Gartner 2023年调查67%的企业已将AI集成到核心工作流其中45%通过低代码平台实现。德勤研究显示AI自动化使业务流程效率平均提升40%错误率降低50%。 AI与工作流的结合不仅降低成本还释放人力资源投入高价值任务。例如摩根大通利用AI合同分析工具COiN将每年36万小时的文档审查缩短至秒级哈佛商业评论2021案例。✿ 常见关键技术工具AI工具如OpenAI的GPT系列文本生成、UiPathRPA自动化、TensorFlow预测分析。低代码平台如Microsoft Power Platform流程自动化、Zapier跨应用集成降低技术门槛加速部署。AI Agent自主执行复杂任务的智能体如AutoGPT适用于动态环境下的实时决策。关联资源Building effective agents、Prominent Paradigms for LLM-Based Agents、通过claud使计算机完成特定任务、google agent白皮书二、相关概念1、workflows是人来定义明确的规则和流程然后中间步骤由LLM来执行工作流Workflow 是一系列相互关联的步骤旨在完成特定任务或目标。最简单的工作流是确定性的Deterministic即它们遵循预定义的步骤序列但这也就造成它无法适应新信息或变化的环境。而 AIagents 是为了更加灵活地处理某些任务且决策是由模型决定的而不是预定义的规则。当需要更多复杂性时工作流可以为明确定义的任务提供可预测性和一致性而当需要大规模灵活性和模型驱动的决策时Agent是更好的选择。2、AI agent是一种结合了大型语言模型LLMs的推理与决策能力以及现实世界交互工具的系统使其能够在有限的人类干预下完成复杂任务。AI agent被赋予特定的角色并拥有不同程度的自主性来实现最终目标。它们还具备记忆能力能够从过去的经验中学习并随着时间的推移提升性能。AI agent的组成示意如下3、Agentic WorkflowAgent核心是一个系统其中多个AI Agent通过利用自然语言处理 NLP 和大型语言模型 LLM 协作完成任务。这些智能体能够自主感知、推理和行动以追求特定目标形成强大的集体智慧可以打破孤岛集成不同的数据源并提供无缝的端到端自动化。当一些工作流利用大型语言模型LLMs或其他机器学习模型来增强其能力可独立处理复杂任务这些通常被称为 AI 工作流可分为**代理型Agentic和非代理型Non-Agentic**两种。其中代理型由一个或多个AI 代理Agents动态执行一系列步骤以完成特定任务。代理在用户授予的权限范围内具备一定程度的自主性可以收集数据、执行任务并做出实际决策。此外代理型工作流利用 AI 代理的推理能力、工具使用能力和持久记忆能力使传统工作流更具响应性、适应性和自我进化能力。Agentic Workflow旨在提高业务流程的效率和有效性。它使用AI Agent与业务设置无缝集成部署在Agentic Workflow中的AI Agent能够高精度地协作和执行复杂任务。AI Agents、提示工程技术Prompt Engineering Techniques和生成式AI网络Generative AI NetworksGAIN 是Agentic Workflow的三大支柱。Agentic workflow架构示意如下4、A2A 协议Agent-to-Agent用于定义智能体之间的通信标准解决智能体之间如何互相交互水平集成A2A中包含三个核心者User存在于协议中主要的作用是用于认证授权Client Agent任务发起者Server Agent任务的执行者。Client和Server之间通信是以任务的粒度进行每个Agent既可以是Client也可以是Server。注意目前更多出现的是多Agent系统Multi-Agent System, MASMAS是Agent系统的发展趋势因为它更适用于解决复杂问题求解、分布式任务、模拟社会系统等问题在多Agent系统中每个Agent 专注单一领域工具少于10个更多参见官网5、MCP 协议Model Context Protocol模型上下文协议由Claude母公司Anthropic于24年11月开源发布它定义了大模型与外部工具的通信标准解决智能体与外部工具如何交互垂直集成OpenAI、谷歌Gemin都已经拥抱MCP简单理解MCP 就像给 AI 装上了一个万能接口让 AI 能够与各种外部系统和数据源实现标准化的双向通信被称为“AI 领域的 USB 接口”。注意MCP主要通过Function Calling实现支持 MCP的模型通常需要支持 Function Calling但Function Calling不是唯一实现方式。理论上只要模型能理解和生成结构化的调用协议比如 JSON-RPC、gRPC、RESTful API等就可以实现 MCP能力。Function Calling是最主流、最推荐的实现 MCP 的方式。MCP 让Agent中对外部世界的工具“即插即用”大量减少重复造轮子的工作AI应用开发者可以使用开源的MCP Server或者定义自己的MCP Server提高接入工具的效率比如有mcp.so 和 smithery.ai。另推荐Agentic applications needs both A2A and MCP. We recommend MCP for tools and A2A for agents。相关引用MCP 架构示例图、MCP中文站、官网、Github、ClaudeMcp 社区、MCP Inspector调试工具6、Agent框架的三个主流协议包括MCP协议——解决AI Agent和外部工具交互问题A2A协议——解决Agent间通信问题AG-UI协议Agent-User Interaction Protocol智能体用户交互协议——解决AI Agent与前端应用之间的交互标准化问题。其中AG-UI协议是2025年5月由 CopilotKit 团队发起并开源的协议旨在解决AI Agent与前端应用之间的交互标准化问题提供一个轻量级、事件驱动的开放协议实现AI Agent与用户界面的实时双向通信。AG-UI 协议的出现主要是为了解决智能体与前端应用之间的交互以下标准化问题AG-UI 协议的事件类型定义体现了 AI Agent 系统的核心需求流式处理、状态管理、工具集成、错误处理、可扩展性。协议的设计既考虑了技术实现的效率也兼顾了用户体验的流畅性是现代 AI 应用系统设计的重要参考。更多参看ag-ui、copilotkit三、典型 workflows1无论是 workflows 还是 agents基础组件都是增强版的LLM都包含基础的能力推理Reasoning/解析、Tools工具调用、记忆Memory2Prompt-Chaining: 任务可以被清晰地划分成多个steps。一般用于用更高的延迟来换取更高的准确率。3Routing当需要考虑针对不同场景要采用不同模型时可使用这种导航的workflow。4Parallelization并行处理当需要同时得到多个结果最后集成在一起时使用。5Orchestrator-workers使用一个模型来判断任务要怎么划分针对事先可能没有一个明确的子任务划分的模糊任务。6Evaluator-optimizer迭代优化工作流。让LLM的结果不断自我优化。使用这种工作流一般需要满足两点LLM的输出确实可能有很大的提升空间LLM有能力对输出提供有价值的评价/评估以上也可参看Building effective agents四、AI agent及工作流1一个典型的agent示例coding agent4.1、Agent工作流模式AI代理核心组件在代理工作流模式中起着关键作用推理能力Reasoning 促进规划模式Planning Pattern 和反思模式Reflection Pattern 的实现工具使用能力Tool Use 是工具使用模式Tool Use Pattern 的基础。1规划模式Planning Pattern规划模式使代理能够自主地将复杂任务拆解为一系列更小、更简单的子任务这一过程又称为任务分解。任务分解能够提高工作流的质量具体来说它可以降低 LLM 的认知负荷减少其计算压力提升推理能力增强问题解决能力减少幻觉Hallucination和其他不准确性提高输出的可靠性。规划模式在目标达成路径不明确且需要灵活适应问题解决过程的情况下尤其有效。例如当 AI agent被指示修复软件 bug 时它可能会按照如下方式分解任务阅读 bug 报告、识别相关代码片段、生成可能的错误原因列表、选择合适的调试策略、运行修复代码并观察错误信息若失败则调整方案。虽然规划模式有助于agent更好地解决复杂任务但它可能导致比确定性工作流更不可预测的结果。因此规划模式适用于需要深入推理和多步推理的任务。2 工具使用模式Tool Use Pattern因生成式 LLM 具有一个显著的局限性它们只能基于已有的训练数据进行回答无法实时检索信息或验证事实。因此LLM 可能会生成错误信息“幻觉”并且在遇到不确定问题时**“猜测”答案。针对这个问题我们可以通过RAG检索增强生成来解决即通过提供相关的、实时的外部数据来增强 LLM 的响应准确性**但它仅限于数据检索而非与外部环境的动态交互。这时通过外部工具调用则进一步拓展了agent的能力使其能够与外部系统动态交互而不仅仅是被动地检索数据。工具使用模式适用于需要实时数据支持或依赖外部资源的任务例如在网页上搜索最新新闻从数据库中获取用户历史记录自动发送电子邮件。3反思模式Reflection Pattern反思模式 是一种自我反馈机制agent在采取最终行动前会迭代评估自己的输出质量或决策并据此优化自身的推理过程。这个过程可以帮助代理纠正错误减少不准确性持续改进提高决策质量增强适应性更好地满足用户需求。反思模式对于那些一次执行难以成功的任务特别有用例如代码生成agent首先生成代码片段然后在沙盒或执行环境中运行代码再然后获取错误信息并将其反馈给 LLM让 LLM 迭代优化代码直到成功执行。反思的能力在于agent能够批评自己的输出并将这些见解动态地整合到工作流程中从而实现持续改进而无需直接人工反馈。这些反思可以编码在代理的内存中从而允许在当前用户会话期间更有效地解决问题并通过适应用户偏好实现个性化并改善未来的交互。4.2、Agent工作流应用场景1Agentic RAG工作流在 RAG 流程中引入一个或多个 AI 代理使其更加智能和动态。在规划阶段Planning Phase代理可以将复杂查询拆解为更小的子查询查询分解Query Decomposition并判断是否需要向用户请求额外信息以更精准地完成任务。在数据检索和评估阶段代理可以评估检索到的数据的相关性和准确性避免提供无用或错误的信息。当查询结果不满意代理可以重新调整查询回到查询分解阶段甚至制定新的查询方案。2Agentic Research Assistants也称为深度研究Deep Research它基于代理 RAG但不仅仅是检索信息还能分析和综合数据提供更有深度的结果代理研究助手通常使用专门针对网页浏览、任务分解和动态规划微调过的 LLM并能够主动请求用户提供额外信息以更清晰地理解任务目标结合根据检索到的信息调整研究方向探索新的角度确保获取完整的数据。代理研究助手不仅检索信息还能识别趋势形成系统化见解除此之外它还能够跨时间段分析数据编写详细的研究报告提高研究人员的效率减少人工查找和分析的时间。当前OpenAI、Perplexity 和 Google 都已推出各自的深度研究产品。3Agentic Coding Assistants编码助手它可以在最少的人为干预下完成代码生成、重构、优化和调试支持创建 PR 和提交代码提升团队协作效率。相比之下非代理型编码助手如 GitHub Copilot 的早期版本仅限于代码生成缺乏环境交互和自适应能力。它不仅能生成代码还可以执行代码并基于错误信息迭代优化如Anthropic Claude Codeagent可在执行前征求用户确认确保人类掌控关键决策如Cursor 的 Agent4.3、AI agent构建AI Agent系统主要由五个关键组件构成大语言模型LLM、提示词Prompt、工作流Workflow、知识库RAG和工具Tools。一个通用的agent构建步骤大致如下明确目标任务选择一个具体且可行的任务提出5-10个示例验证任务范围明确并作为后续性能衡量的基准23。设计操作流程编写详细的标准操作规程SOP分步说明人类如何执行任务确认问题范围合理揭示关键步骤和工具3。编写核心Prompt针对任务编写核心Prompt并使用示例数据进行测试确保模型能正确执行任务4。连接数据源与流程编排将Prompt连接到真实数据和用户输入规划如何访问所需数据如通过API、数据库或文件系统编写流程编排逻辑4。优化提示词使用提示词优化工具生成初版再进行后续优化明确Agent的角色、上下文、例子和输出规范1。发布与部署在平台完成功能配置后生成Web链接或API接口支持嵌入企业官网、小程序等渠道并设置访问权限与使用额度。五、AI办公助手5.1、腾讯 WorkBuddy2026 年的 AI 行业焦点已经从“模型参数大战”切换到“Agent 落地战”而个人电脑终端的agent是实现自动化交互的重要战场。WorkBuddy是腾讯出品的全场景 AI 办公工作台它是一个运行在沙箱环境中的自主通用 AI Agent。我们只要说出要求、它就能执行任务、交付完整成果。可以简单理解为会思考、能动手、可调外部工具的助手。上手容易对新手友好你不需要学任何命令或语法用自然语言描述需求即可比如帮我把这份 CSV 做成折线图或写一份关于 X 的调研报告。如想获得高质量结果关键是把需求说清楚目标、格式、范围、参考材料。越具体输出越贴合预期。当你需要处理本地文件、调用特定工具或反复协作时了解上传文件→描述任务→检查结果→迭代反馈的节奏会显著提升效率。适合几乎零门槛——学生、职场人、研究者、开发者都能直接用不需要编程基础如果你懂一点 Python 或命令行就能做更复杂的事。能力维度具体说明信息检索与整合联网搜索、抓取网页、阅读 PDF/文档能基于事实产出综述、报告和研究材料数据处理与分析用 Pythonpandas/matplotlib/seaborn/plotly做清洗、统计、可视化输出图表或电子表格文档与内容创作撰写长文、研究报告、多章节内容支持导出 Markdown、HTML、DOCX、PDF、PPTX 等代码与软件构建编写、调试代码搭建网页应用、交互式程序安装依赖并完成端到端实现文件与系统操作读/写/编辑文件运行 Shell 命令操作沙箱内的完整 Linux 环境任务编排拆解复杂目标为可执行的子任务自主迭代推进必要时调用子 Agent 并行处理适用场景场景类别典型任务举例研究与调研行业分析、竞品对比、技术选型、文献综述办公与文档周报/月报、方案 PPT、合同草案、数据报表数据分析销售数据透视、用户行为分析、可视化看板开发辅助写脚本、搭原型、调试 Bug、自动化重复工作内容创作文章、教程、营销文案、社交媒体内容自动化流程批量处理文件、定时任务、接口调用编排5.2、开源 Everywhere不同于查找工具everythings它是一款具备情境感知能力的开源交互式 AI 桌面助手由 Sylinko 公司开发项目地址参见Everywhere Github项目代码自公开起即采用 Business Source License 1.1 协议开放版权归属 Sylinko Inc.用户可免费获取并使用 。Everywhere可通过快捷键可修改默认快捷键Ctrl Shift E 或 Cmd Shift E来呼出 Everywhere即时唤出与传统 AI 工具不同Everywhere 能即时感知并理解您屏幕上的任何内容自动获取并理解当前屏幕上的内容无需手动截图、复制或切换应用即可原地完成故障排查、即时翻译、网页摘要、邮件润色等任务实现无缝的智能辅助。Windows 版本支持 Windows 10 (19041) 及更高版本Everywhere 的用户数据如设置、聊天历史等都会存储在用户的应用数据目录中通常位于C:\Users用户名\AppData\Roaming\Everywhere。5.3、开源AI桌面助手ClawdbotClawdbot通过将AI能力深度嵌入操作系统层实现了从”对话工具”到”智能中枢”的范式转变。其技术架构包含三大核心模块跨进程通信引擎通过系统级API钩子技术实现与任意软件的实时数据交互技能调度中枢采用微内核架构设计支持动态加载/卸载技能模块本地化推理引擎集成轻量化模型推理框架确保低延迟响应相较于依赖云端服务的AI解决方案Clawdbot的本地化部署带来三大显著优势数据隐私保护所有处理均在本地完成敏感信息无需上传离线可用性在无网络环境下仍可执行预加载技能响应速度优化实测数据显示本地推理延迟较云端服务降低60-80%gitclone https://anonymous-repo/clawbot.gitcdclawbotdockerbuild-tclawbot-env.dockerrun-d-v/host/path:/data clawbot-env5.4、QoderWork国内相比WorkBuddy则更侧重快速出结果在简单任务如聊天记录分析、基础数据汇总上响应迅速但面对需多轮逻辑推理的深度分析时常需用户反复引导。QoderWork自主规划与多步任务编排上表现突出能自动拆解“整理发票并生成Excel”这类复合指令全程无需人工干预。另外还有一个阶跃AI下面是三者的比对维度QoderWorkWorkBuddy阶跃AI桌面伙伴任务自主性高自动拆解执行中需部分引导中低步骤确认频繁文件处理 支持Word/Excel/PPT/PDF原生读写支持基础文档操作支持常见格式依赖插件扩展PPT生成杂志级排版支持品牌模板沉淀基础模板排版较简模板较少需手动调整数据分析可调用专业库如semopy自动修复报错快速汇总深度有限依赖用户指定分析方法IM集成钉钉、飞书、微信全支持微信、企业微信为主支持飞书、企业微信、钉钉等主流平台安全性方面QoderWork采用本地优先架构所有文件处理在用户设备完成不上传云端并通过沙盒环境隔离操作仅访问授权目录权限可设为只读。WorkBuddy虽也强调本地执行但其一次性获取全目录权限的设计引发部分用户对过度授权的担忧权限限制过于宽泛。阶跃AI桌面伙伴的安全机制披露较少中间文件存储于沙箱且登出即消失用户无法追溯操作日志透明度不足。对企业或处理敏感数据的用户而言QoderWork的可审查性更具优势。但QoderWork的定价策略被吐槽优点高适合对任务完成率、安全性要求高的用户如企业职员、研究人员愿为稳定性和隐私支付溢价。QoderWork的自主规划能力更可靠若仅为简单文件整理或数据汇总WorkBuddy已足够。其次应重视评估数据敏感性涉及商业机密或个人隐私时优先选择本地执行透明、权限可控的产品。对于成本应控制成本预期避免因初期免费额度产生依赖应模拟真实任务量测试积分消耗。5.5、腾讯 Marvis马维斯它也是腾讯出品和chatbot不一样。Marvis定位是“AI中间层:操作系统层级 AI 助手”——不是陪聊的对话框而是常驻在系统层的 Agent 调度中枢它能读懂屏幕、调用系统操作的那一层Marvis能直接操作系统、跨应用抓取汇总支持归类、解析文档智能分类识别、处理图片能修电脑操作系统等功能。Marvis安装对硬件有所要求因为它预装了很多本地模型马维斯可以利用路由机制自动分配不同重量级的任务给不同的模型一部分分给本地模型。它目前免费、零配置、开机即用不用配API Key、不用装Docker对非技术党友好。官方架构叫1 个主管 Agent 5 个专家 Agent主管负责理解你的意图5 个专家 Agent 分别处理文件、系统、应用、内容、数据等任务。Marvis 需要系统级权限才能工作安装后建议去设置里再检查一下是否给了不必要的屏幕录制权限是否索引了包含密钥、密码、个人证件的文件夹另外应把敏感目录如 .ssh、.aws、密码管理器目录排除在索引范围之外。用户自然语言指令 ↓ PM Agent主 Agent / 主管 ├─ 意图理解 ├─ 任务拆解 └─ 并行调度 ├─ File Agent — 文件搜索/阅读/生成/格式转换 ├─ Computer Agent — 系统设置/硬件检测/清理优化 ├─ App Agent — GUI 操控桌面应用和安卓 App ├─ Browser Agent — 网页交互/数据抓取/表单填写 └─ Search Agent — 网络搜索/信息聚合Marvis提供2种模式效率模式可体验端云协同又快又准本地模式可使用端侧大模型文件0上传最大程度保护你的隐私2种模式可根据电脑硬件配置按需切换本地模式适合处理公司代码、敏感配置、私有项目、审查合同或密钥文件效率模式则可完成日常代码生成、对文档润色、信息检索、处理非敏感项目。本地端侧模型虽然安全但在复杂推理、长上下文理解上不如云端大模型。场景一Marvis按内容自动分类归档它通过调用OS控制智能分类自动识别文件类型一句话就把截图、文档、压缩包分别归到对应文件夹。根据文件类型、内容、日期等多维度自动分类;分类规则示例技术文档类.pdf, .docx, .md, .txt 且内容涉及编程/技术财务报表类.xlsx, .csv 且包含金额/收支/报表等关键词设计素材类.psd, .ai, .sketch, .fig照片视频类.jpg, .png, .mp4, .mov 且拍摄日期在近3个月场景二本地知识库当你把全量文件索引进去后搜一份三年前的方案文档而文件名只记得大概是“Q3”3秒即可定位到原文段落连上下文都给出来了。Marvis 的本地知识库可以索引代码文件(索引 .js、.ts、.py、.md、.json 等文本文件忽略 node_modules、.git、dist)让搜索变成语义搜索。场景三周报Marvis能做OS级跨应用串联把微信、飞书、Excel、浏览器、邮件、笔记里的素材一键汇总到一个文档。场景4环境配置和 Bug 排查的自动化Marvis 能直接读取系统信息、调用命令比如与powershell交互、修改设置适合做一些初级排查。注意复杂的系统级问题比如网络配置、注册表、驱动问题建议还是人工复核不要让它盲目执行高危命令。场景5任务编排/工作流可以把多个步骤串成一个任务让它自动执行。把写脚本 运行脚本 检查结果三件事合并成下指令 等结果。场景6跨端远程开发和监控Marvis 支持手机连接电脑远程查看任务执行画面。vibing coding使用它搭建一个包含前后端分离、JWT 认证、RBACRole-Based Access Control 权限模型、动态路由、文件管理、数据统计等真实业务场景的生产级项目但最终提交前必须人工 review必须过一遍安全审查特别是认证和权限相关代码Vibing Coding 的核心不是让 AI 写代码而是让 AI 在正确的上下文中写代码。就跟手工写README.md一样可先写 AGENTS.md把项目的技术选型、目录结构、编码规范、数据库配置全部写进去。分模块推进不是一次性让 AI 生成整个项目而是按模块逐步推进——先认证再内容管理再系统管理场景7文件格式转化支持几乎所有常见文件格式之间的转换PDF ↔ Word、Excel ↔ CSV、图片格式互转、Markdown → PDF等。场景8微信/社交应用操作Marvis支持在Android模拟器环境中运行微信等社交应用实现自动化消息发送、文件传输等操作。AI Coding 场景下的最佳实践给指令加边界不要只说帮我优化代码要说清楚 - 优化哪个文件或哪个目录 - 优化目标是什么性能、可读性、减少依赖、兼容性 - 不能破坏什么比如不要修改 API 签名、“保持对旧版本 Node 的兼容”重要操作让它先汇报再执行比如对于删除、修改配置、执行脚本等操作可以加上遇到这类操作等待我确认的指令。把高频指令存成工作流如果你经常让 Marvis 做某几件事去任务中心创建自定义工作流。结合 AI IDE 使用Marvis 和 Cursor / Windsurf / GitHub Copilot 不是替代关系。可让AI IDE负责在编辑器内实时补全、重构、解释当前文件代码而用Marvis负责跨文件、跨应用、跨系统的任务调度比如整理项目、调用浏览器查资料、生成报告一个管微观代码一个管宏观流程。安装硬件要求内存8GB RAM 以上隐私模式建议16GB存储至少20GB可用空间用于模型文件和应用数据处理器Intel i5 第8代或AMD Ryzen 5 3000系列以上5.6、DeepSeek Harness 对标 Claude CodeHarness 目标是开发一款针对代码智能体的产品直接对标 Anthropic 旗下的 Claude Code。DeepSeek 提出了一个核心公式:“Model Harness Agent”。DeepSeek Harness 是模型官方的 Agent 执行系统、开发底座模型是大脑Harness 是身体;想要「开箱即用、把一整段活直接交给 AI 自动跑到底」走 Harness 路线想要「一个产品里同时调用 DeepSeek 等多家模型、还能接着连办公软件」走 WorkBuddy 路线。DeepSeek Harness 需 Node 环境、命令行安装安装较复杂Harness 主要面向开发者、技术团队且 只认 DeepSeekV4-Flash 等5.7、Hermes Agent赫尔墨斯/养马)5.8、Chatbox AIChatbox 是一款开源的人工智能桌面客户端完全免费支持社区版和官方版两种选择。选择Chatbox AI服务无需任何API密钥开箱即用 专业用户选择输入OpenAI、Claude等服务的API密钥解锁更多高级功能 本地运行连接Ollama服务在本地运行AI模型数据完全离线。Chatbox可以成为你的编程伙伴。它支持20编程语言的代码生成和调试对于内容创作者比如写博客、社交媒体内容还是营销文案Chatbox能提供创意支持Chatbox集成了DALL-E 3图像生成功能完成创意工作5.9、TraeWorkTraeWork国内版所有功能面向全部用户免费开放——三大模式、内置的多模型、生图生视频、120插件技能、自动化任务等通通不收费。没有Token限制不用担心用着用着突然收费。 免费下载直接开用。5.10、AiPy Pro 2.0全本地化执行数据不出域是AiPy Pro 2.0最根本的安全屏障。相比WorkBuddy、Marvis等产品的云端端侧混合架构AiPy Pro 2.0支持全内网本地化部署企业核心数据在内网闭环中流转物理隔绝外网风险。对于金融、政务、医疗等对数据出境有严格管控的行业这是一个“能不能用”的分水岭。AiPy Pro 2.0安全中心提供了路径级别的文件权限划分——“只读区域”和“完全访问区域”分开设置。你可以让AI读取系统盘的数据进行分析但不允许它修改任何系统文件。在网络安全层面支持域名/IP/端口的黑白名单控制甚至可以完全关闭网络访问让智能体工作在完全离线状态。命令安全层面支持程序执行的白名单机制从系统层面锁死风险命令。这套沙盒机制解决了“AI能碰什么”这个桌面助手最让人头疼的边界问题。每个项目、每个部门的数据和权限完全隔离。A项目的数据不会被B项目的任务误访问不同安全级别的业务可以在同一套系统上各自独立运行边界清晰互不干扰。所有操作行为加密记录支持事后追溯。对企业来说这意味着“出了问题能找到谁、能还原当时发生了什么”满足合规审计的硬性要求。重要的是Aipy兼容国产操作系统、国产大模型与国产算力环境。对于政策性银行、央国企等有信创硬性要求的客户这是“能用”的前提。六、 vibe coding6.1、TabbyTabby 是一款基于 TypeScript 构建的高性能、跨平台终端模拟器支持深度主题定制、快捷键映射与多配色方案。内置原生 SFTP 文件传输功能无需额外插件界面采用现代化 UI 设计响应迅速GitHub 星标超 30k广受开发者青睐。6.2、Continue‌开源 IDE 插件框架可对接任意本地/远程模型如 Ollama 运行的 Llama 3、DeepSeek-Coder支持上下文感知、代码编辑、Agent 模式完全可控。6.3、Aider‌开源命令行 AI 编程工具基于 Git 工作流支持多文件编辑、测试驱动开发适合终端重度用户和自动化脚本场景。七、实战案例7.1、文件是否涉敏的扫描工具