我的本地模型已经能聊天写代码了，但离”替我把事做完”还隔着一层。每次想让它整理一份文档､查一下项目进度､或者汇总本周的邮件，最后还是得自己复制粘贴、切窗口、手动执行。Agent 这个概念喊了一年，真正落到我桌面上能动手干活的，之前几乎没有。
前几天看到吴恩达在 GitHub 上丢了一个新项目，叫 OpenWorker。两周冲到 12.2k star，MIT 协议，本地优先。不是又一个聊天工具，而是直接交付成品——文档、表格、报告、Slack 回复、日历安排。这定位一下子让我来了兴趣。
先安装
macOS 可以直接下载签名过的 DMG，支持 Apple Silicon 和 Intel。Windows 版也有，但还没代码签名，SmartScreen 会弹警告。我直接选了源码跑，因为想顺便看看它怎么接本地模型。
要求不算苛刻：Python 3.10+、Node.js 20+、Rust 工具链。git clone 之后跑一个 setup_dev_env.sh，它会自动建 .venv 并装好依赖。我机器上 Python 3.12 和 Node 22 都有，Rust 也装过，整个引导过程大概两分钟，没遇到依赖冲突。
启动分两步：先起 Python 后端（openworker-server），再起前端 GUI（npm run tauri dev）。后端默认跑在 8765 端口，前端是个 Tauri 桌面壳。前后端分离的设计挺干净，UI 只负责呈现，所有 Agent 逻辑､工具调用､记忆､权限判定都在 Python 层。
模型配置：我的偏好是本地优先
OpenWorker 不绑定任何模型。它内置了一个策展列表，覆盖 OpenAI、Anthropic、Gemini、DeepSeek、Kimi、Qwen、Mistral、Grok 等，也支持 Together､Fireworks 上的开源权重模型。最关键的是它接 Ollama——这意味着我可以在完全离线的环境下跑。
我在 Ollama 里拉了一个 Qwen3-4B 的量化版，设置好本地端点，测试了一个简单的任务：”把下载文件夹里过去七天的 PDF 按文件名归类到三个子目录”。Agent 识别了文件列表、创建了目录、执行了移动。全程没走任何云端 API。
不过本地模型在复杂任务上确实慢。让它”查一下我 Slack 里 #dev 频道本周提到的所有 bug，汇总成 Markdown”，Qwen3-4B 在规划阶段犹豫了很久，中间还调用了一次错误的连接器。换成 DeepSeek 的 API 后，整个链路顺了很多。结论是：简单文件操作本地跑没问题，跨工具协作目前还是云端模型更稳。
审批机制是一把双刃剑
OpenWorker 的权限设计是它最让我安心的部分。任何写入操作、发消息、改日历、执行 shell 命令，都会弹窗让我点”批准”。不是装饰性的提示，而是真的阻塞——你不点，它就不继续。
它把工具调用分了四级风险：只读、本地写入、执行命令、外部副作用。每种模式可以配置审批规则。我试了一下，即使是无人值守的定时任务，也不会绕过审批，而是把请求暂存到一个 inbox 里等我回来处理。
这带来的代价是效率。一个简单的”发一条 Slack 消息”，中间要弹两次审批：一次确认读取 Slack 频道，一次确认发送消息。如果你指望它像脚本一样批量执行，这个节奏会很急人。但对于”Agent 第一次碰我的真实工作数据”这个阶段，我觉得这个谨慎是对的。
实际让它干了一件事
我给了它一个真实的任务：”整理一下我桌面上那个叫 old-reports 的文件夹，把所有 2025 年的文件按月份归档，生成一份清单”。
它执行了以下步骤：扫描目录 → 按文件名中的日期提取月份 → 创建 01-12 子目录 → 移动文件 → 生成一份 Markdown 清单存到同一目录。全程大概用了 40 秒，中间弹了两次审批（读取目录和写入文件）。结果是对的，清单格式也干净。
这个任务如果我自己写脚本，大概 10 分钟。用 OpenWorker，从描述需求到拿到结果，大概 3 分钟。省下来的不是写代码的时间，而是”我懒得为一锤子买卖写脚本”的心理门槛。
几个还没解决的坑
一是 Windows 版还没代码签名，安装时会红屏警告，对非技术用户不友好。二是本地模型的 tool-calling 稳定性参差不齐，Qwen3-4B 偶尔会生成格式不对的调用，导致任务中断。三是连接器配置目前偏技术导向，Slack､GitHub 的 OAuth 流程需要手动填 token，不像商业产品那样一键授权。
还有一个隐忧：它现在支持 25 多个连接器，能碰我的文件、终端、邮件、日历。虽然审批机制挡了一层，但理论上如果本地模型被 prompt 注入欺骗，点了”批准”，它确实能执行危险操作。目前的防御主要是”人做最后把关”，不是系统层面的沙箱隔离。
它适合谁
OpenWorker 不是 Claude Code 的竞品，也不是 Copilot 的替代。它填补的是一个中间地带：比云端 Agent 更私密，比命令行脚本更友好，比纯聊天工具更能交付结果。如果你已经习惯用本地模型，又想让它从”回答问题”升级到”动手干活”，这个项目值得搭起来试两天。
我现在的用法是：简单文件整理和本地查询走 Ollama 离线链路，跨工具协作走 DeepSeek API，所有写入操作都开审批。Beta 阶段确实还有粗糙的边缘，但核心方向是对的——Agent 的 Runtime 应该在我电脑上，而不是在别人的服务器里。