Skip to content

README.zh-CN.md

Latest commit

 

History

History
121 lines (73 loc) · 6.48 KB

README.zh-CN.md

File metadata and controls

121 lines (73 loc) · 6.48 KB
Raw

Orkas

English · 简体中文

用对话，指挥你的 AI 团队 —— 做给那些想要一支团队、而不是一个聊天框的人。

多智能体协作 · 智能体自我演进 · 本地存储 · 桌面应用

🌐 想要团队协作、专家 Agent 等更多功能？→ 专业版

四个核心点

👥 多智能体协作

一个对话框里坐着一支团队——指挥官负责调度，智能体各做专长，你说话就行。

  • 智能调度——指挥官掌握整个对话的上下文，根据你的需求和团队成员的能力，自行决定该召集谁、什么时候召集
  • 编排协作——多个智能体在同一对话里串联或并行工作；任务拆解、智能体之间的衔接、结果汇总，全由指挥官来编排
  • 快速创建智能体——根据你的描述，或者直接从过往对话记录里提炼，指挥官会快速生成一个可复用的智能体，下次直接召唤
  • 随时介入——你可以 @ 任何成员追加要求、重定向，或者把谁拉进来 / 踢出去

🌱 智能体自我演进

让智能体越用越懂你的活——每次任务跑完，智能体会自动复盘做得怎样、下次怎么做更好，把经验沉淀下来。

  • 复盘进化——智能体自我反思后会更新自己的工作方式：擅长 / 不擅长什么、什么场景下用什么方法
  • 沉淀技能——这次解决问题用对了的招式，智能体会把它固化成一个可复用的技能，下次同类任务直接拿来用
  • 专属知识——每个智能体有自己的私有技能库与记忆，不会被其它智能体串扰

💾 本地存储

对话、文件、API key、知识库、自定义智能体 / 技能、记忆——全部留在你的机器上。

  • 离线可用——除了调模型 API 那一刻必须联网，其它时候关掉网都能跑
  • 配置即文件——所有数据都是普通文件，可读、可备份、可接你自己的网盘做同步，迁移机器只是拷贝目录

🖥️ 桌面应用

作为桌面应用，本地文件处理顺手，图形界面比命令行友好。

  • 本地文件直通——拖拽文件进对话即附件；智能体能直接在你的工作区里读写文件、跑脚本、生成 PDF / 图片 / 代码；产出的文件在对话里以卡片呈现，一键在 Finder / 资源管理器中打开
  • 可视化操作——智能体、技能、知识库全部图形化管理；对话里直接看图片、视频、生成的文档，不用切命令行
  • 用自己的会员或 API key 接模型——OAuth 登录会员账号或填 API key，接入 DeepSeek · Kimi · GLM · MiniMax · 豆包 · Qwen · Claude · OpenAI · Gemini 等；请求 Orkas 不经手、不存档
  • 跨平台——macOS（Apple Silicon + Intel）、 Windows、Linux

产品截图

指挥官智能调度
指挥官智能调度		 智能体并行协作
智能体并行协作
智能体串行协作
智能体串行协作		 智能体管理
智能体管理
技能库
技能库

核心设计

完整设计与硬约束 → CLAUDE.md

群聊：可见性切片 + 单一调度原语

一个对话里同时坐着指挥官、N 个智能体、用户，但每个智能体看到的对话不是同一份。

  • 可见性切片——主对话写一份全量 jsonl；每个智能体在自己的 visibility/<aid>.jsonl 里只拿到一个切片：from==自己 ∨ to∋自己 ∨ mentions∋自己。worker 只读自己的切片，不读全量主对话——既省 token，也防止私有上下文跨智能体泄漏
  • 单一调度原语——所有派活（指挥官的 dispatch_to、用户文本里的 @、计划拆分出的步骤）都汇到同一个 enqueue 原语，没有并行调度路径。新增派活方式必须经过它，避免散出"谁能唤醒谁"的混乱
  • 共享 plan——多智能体协作的进度由指挥官写在一份 plan.md 里，所有成员都看得到当前推进到哪一步

智能体调度：结构化通道，不靠消息里的 @

LLM 容易把 @ 当 markdown 装饰打出来——在消息里识别 @ 派活会反复误触发。所以：

  • 结构化派活——指挥官与智能体之间的派活必须走 dispatch_to({to, message}) 工具调用，是个结构化通道；散文里的 @ 系统不识别为派活信号（用户的 @ 仍走文本识别，UX 不变）
  • 延迟唤醒——一次 dispatch_to 调用只 stage，收件人 worker 在指挥官当前 turn 完整收尾后才被唤醒，防止抢跑
  • 轮次维度兜底——死循环防护按轮次（MAX_WORKER_TURNS=100）而不是按时间。LLM 慢但有产出 ≠ 死循环

元认知自演进：meta/ + 自管技能

每个智能体在自己的目录里维护两类"自我认知"，由智能体自己写：

  • meta/COMPETENCE.md——我擅长 / 不擅长什么
  • meta/LEARNING_STRATEGIES.md——我用过哪些有效的方法

任务跑完后，由智能体自我反思并更新这两份文件；下次接到任务时，meta 会作为 system prompt 的一部分喂给它，让经验真正影响下一次的行为。

另一条进化路径是 skill_manage 工具：智能体可以把"这次解决 X 的招式"固化成一个只属于自己的技能（私有 SkillStore，独立于全局技能库）。下次同类任务直接调用，不用每次重推。

快速开始

要求：Node 20+ · Python 3 · macOS / Windows 10+ / 较新 Linux

git clone https://github.com/Orkas-AI/Orkas.git
cd Orkas
npm install        # postinstall 拉取嵌入模型 + 按 Electron ABI 重建 sqlite
./run.sh           # macOS / Linux
run.cmd            # Windows

首次启动会在 ~/.orkas/（macOS / Linux）或 <字母最小的非系统盘>:\.orkas\（Windows）创建工作目录，然后设置 → AI 模型供应商配置 API key 或 OAuth。

打包安装包稳定后会发布到 GitHub Releases。

致谢

项目中部分核心模块参考了以下开源项目，特别感谢：

License

MIT