CorvinOS
自托管的 AI 工作流操作系统,自动路由模型、学习反馈并生成可审计记录。
- Star 数
- ★ 11
- 最近更新
- 今天
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 67/100 · 存在缺口
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Codex · Claude Code
- 费用
- 软件免费,模型调用费用自付
- 上手难度
- 低 · 几分钟可跑通
- 开始前需要
- 典型场景
- 使用 Claude Code、Codex 或 Hermes Agent 的开发团队,希望从 Discord、Telegram、WhatsApp、Slack 或电子邮件接入自托管工作流。
- 不适合
- 需要经过独立验证的合规认证或成本保证的团队
- 不愿运行本地服务和持久化审计数据的用户
- 只需要简单、无学习循环聊天机器人的团队
- 源码审查
- 67/100 · 存在缺口
这个 Agent 能做什么,适合哪些场景?
CorvinOS 是面向 AI 工作流的自托管系统,可连接 Claude Code、Codex 或 Hermes Agent,并通过本地 Web 控制台运行。其四层控制平面由 DataHub、Creator 2.0、Learning Daemon 和 Dashboard 组成,负责数据摄取、技能生成、反馈学习与运营可视化。请求由智能路由器分配给 Haiku、Sonnet 或 Opus,执行结果再进入六维损失评估和权重更新流程。系统以版本化 Python 技能作为执行单元,可选调用 LLM,并生成质量指标、路由映射和哈希链审计事件。安装程序在 macOS、Linux、Windows 或 WSL 上创建独立 Python 环境,安装离线语音模型并启动位于 127.0.0.1 的控制台。仓库宣称其架构支持 GDPR 与欧盟《人工智能法案》合规,但提供的材料没有独立审计或认证证据。
DataHub 从内存、文件、RAG 和 MCP 摄取信息,对来源进行质量评分与安全扫描,并产出经过评分的数据清单。Creator 2.0 按 12 个阶段生成技能并跟踪各阶段损失;技能以 Python 确定性执行,也可以调用 LLM,并通过经过 DAG 校验的导入方式组合。请求进入 Smart Router 后被分配到 Claude Haiku、Sonnet 或 Opus;执行过程产生数据质量、生成质量、用户满意度、效率、学习循环健康度和系统健康度六项损失分量。Learning Daemon 处理反馈、把结果归因到数据来源,并以 0.01 学习率更新权重和路由映射。Dashboard 展示技能生命周期、学习指标、Token 去向和审计链,并导出面向 GDPR 的报告。系统仅把元数据写入哈希链审计记录,材料称其不保存提示词,并提供同意门、PII 标记、秘密信息脱敏及带证明日志的级联删除。
- 使用 Claude Code、Codex 或 Hermes Agent 的开发团队,希望从 Discord、Telegram、WhatsApp、Slack 或电子邮件接入自托管工作流。
- 大量调用不同 Claude 模型的团队,希望根据任务复杂度学习 Haiku、Sonnet 与 Opus 的分配比例。
- 受监管组织需要记录模型选择、数据来源归因、同意状态及删除操作,以便准备审计材料。
- 平台工程团队希望用可版本化、可组合且经过 DAG 校验的 Python 技能管理重复 AI 流程。
- 需要本地语音交互的团队,可为所列语言下载 Piper 离线语音,并使用无需逐语言下载的语音识别。
- 维护者需要在推送 main 前执行拉取、控制台构建、关键端到端测试和推送组成的失败即停止流程。
如何安装或部署这个 Agent?
快速安装会创建独立 Python 环境,因此材料明确说明无需系统 Python。安装过程需要联网下载仓库、软件包和语音模型;未列出首次启动所需的 API 密钥或其他凭据。macOS、Linux 或 WSL 使用:
curl -fsSL https://raw.githubusercontent.com/CorvinLabs/CorvinOS/main/install.sh | shWindows PowerShell 使用:
irm https://raw.githubusercontent.com/CorvinLabs/CorvinOS/main/install.ps1 | iex也可以从本地检出安装:
git clone https://github.com/CorvinLabs/CorvinOS.git
cd CorvinOS
./install.shWindows 本地检出:
install.ps1 -Editable .\如不希望自动安装 Claude Code,可运行:
bash install.sh --no-claude-code轻量安装可使用:
bash install.sh --preset minimal如何使用这个 Agent?
安装程序会启动本地服务、验证应用外壳返回 HTTP 200,并确认本地登录能够签发会话 Cookie,随后在浏览器打开:
http://127.0.0.1:8765/console/若需要允许局域网配对,可在安装时运行:
bash install.sh --lan更新现有安装并重新构建、重启和验证:
sh update.sh只重建并重启当前代码:
sh update.sh --rebuild-onlyWindows 更新命令:
powershell -ExecutionPolicy Bypass -File update.ps1卸载前预览将被移除的内容:
bash uninstall.sh --dry-run正式卸载会先停止服务,将秘密信息、桥接配对、审计链、会话和语音模型备份到用户目录中的时间戳归档,然后检查残留:
bash uninstall.sh这个 Agent 有哪些优点和局限?
- 把 DataHub、12 阶段 Creator 2.0、Learning Daemon 和 Dashboard 组合成从摄取到反馈优化的完整控制平面。
- 更新器在新版本验证失败时自动回滚;开发检出中的本地修改会先暂存并重新应用,旧提交也可保留为备份分支。
- 审计设计包含哈希链事件、数据来源归因、秘密信息脱敏、PII 标记、同意门和带证明日志的删除流程。
- 支持 macOS、Linux、Windows 和 WSL;安装程序自建 Python 环境,并验证控制台和登录后才报告成功。
- 语音可在多种语言下下载 Piper 离线模型,降低持续联网依赖。
- 路由示例和成本模型集中于 Claude Haiku、Sonnet 与 Opus;材料未说明其他模型提供商的等价路由配置。
- 60–80% 节省、2–5% 每周期质量提升、两到三周收敛和 99.9% SLA 均是仓库中的项目声明,提供的材料没有独立基准或审计结果。
- 完整价值依赖持续收集执行结果和用户反馈,并维护权重、审计链、会话及其他本地状态。
- 安装和更新脚本会下载代码、依赖及模型,并启动本地服务;安全敏感环境需要在执行远程脚本前自行审查。
- 材料没有给出首次配置模型凭据、各消息渠道或电子邮件桥接的具体步骤,集成部署工作量无法完全判断。
这个 Agent 与同类方案有什么区别?
与把所有请求固定发送给单一高价模型的流程相比,CorvinOS 会在 Haiku、Sonnet 和 Opus 之间路由,并依据反馈更新权重;代价是必须运行学习守护进程、保存审计状态并等待样本积累。材料也对比了“全 Opus”和“全 Haiku”:前者质量高但成本高,后者便宜但示例质量较低,而 CorvinOS 试图学习两者之间的成本—质量折中。这些成本和质量数字是仓库提供的示例,不是独立测评。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| CorvinOS 当前 | 67 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 11 | 今天 | Python | Codex · Claude Code |
| PenguinHarness | 52 · 缺口较多 | 桌面应用免费 + 模型费 | ★ 2.4k | 3 天前 | TypeScript | OpenAI API · Claude API |
| Entroly | 68 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 469 | 2 天前 | Python | Codex · Claude Code · OpenAI API · Claude API |
| OMA 开放多智能体运行时 | 55 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 7k | 1 天前 | TypeScript | Codex · Claude Code · OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent?
查看各维度的扣分理由
least_privilege=2:控制台默认绑定 127.0.0.1、第三方入口默认不导入,CI 权限也有明确限制;但完整运行时权限、各消息桥接器权限和网络出口范围未展示。user_confirmation=2:卸载会询问、扩展需显式选择,README 还声明 fail-closed 同意门;但自主路由、学习和外部消息操作的逐项确认机制缺少代码证据。data_flow_transparency=2:描述了 DataHub、模型路由、反馈、审计和部分在线语音流向;但 Discord、Telegram、WhatsApp、Slack、邮件及遥测的具体数据去向、保留期和处理方不完整。sensitive_data_handling=2:给出密钥脱敏、PII 标记、仅元数据审计、删除证明、备份权限 600,并有隔离测试审计链的夹具;但多数控制仅为文档声明,密钥存储、加密和删除实现未提供。dependency_security=1:依赖按用途解释,构建排除项可减少意外泄露;但大量依赖只有宽松下限、GitHub Actions 未固定提交散列,推荐的 curl/PowerShell 管道直接执行 main,且没有锁文件、漏洞扫描或供应链验证证据。external_effects=2:安装、启动、更新、删除和维护者 push 的效果及部分退出码写得很清楚;但 Agent 经桥接器、浏览器、上传器执行外部操作时的审批和作用域未展示。rollback=3:更新失败自动回滚,保留旧 HEAD、恢复本地修改;卸载前备份不可重下载状态并提供恢复命令,且区分回滚失败退出码,证据具体。source_attribution=2:许可证、作者、仓库及 ADR 引用路径明确,审计声明包含数据源归因;但外部 ADR 仓库内容未提供,发布者身份仍未知,第三方组件归属清单也不完整。
self_consistency=1:安装、更新和审计叙述内部较详细,但 README 同时称 production ready、保证收敛和 99.9% SLA,而项目元数据标记 Beta;大量“proven/measured/guaranteed”结论没有随附结果,削弱一致性。dependency_availability=2:Python 版本、跨平台目标、必需与可选依赖、离线/在线回退及若干历史缺失依赖均有具体说明;但宽松版本范围、可选系统 ffprobe、外部 ADR 和在线服务仍可能造成环境漂移。failure_messages=3:安装、更新、卸载、YouTube 未配置和 CI 失败均描述了诊断、退出码或明确错误路径;工作流还为失败 PR 提供可执行修复提示,所给证据未显示明显缺口。
audience_and_scenarios=3:明确面向开发者和自托管构建者,覆盖控制台、无头运行、消息桥、语音、浏览器、工作流、合规报告和维护者场景,并提供分层阅读路径。capability_boundaries=2:区分基础与可选功能、终端用户更新与维护者部署、离线与在线语音以及需凭据的 YouTube 功能;但自主学习、模型决策和连接器可执行动作的安全边界不够具体。trigger_precision=2:扩展入口默认只枚举不导入、需按名称或全局显式启用,CI 触发路径也很精确;但面向最终用户的 Agent 触发条件、频道授权和避免误触发规则没有展示。environment_fit=3:明确支持 macOS、Linux、Windows/WSL、Python 3.10–3.13、本地回环地址、LAN 选项、系统信任库和多种安装预设,并详细处理平台特有依赖。
information_architecture=3:README 有清晰的快速开始、生命周期操作、架构、场景、技术和文档导航;打包配置、脚本入口及 CI 职责也组织明确。install_notes=3:覆盖远程与本地安装、Windows、参数、验证、更新、卸载、备份和恢复,且说明托管源码树及 PyPI 与 main 的差异。naming_stability=2:提供 corvin/corvinos 兼容别名、稳定入口和版本 2.0.0;但 CorvinOS、CorvinVS、Forge 2.0、多个历史目录名并存,显示迁移负担。examples_and_faq=2:有命令示例、架构流程、成本示例和问题索引;但缺少完整的实际 Agent 会话、消息桥配置及端到端输出示例。known_limitations=1:零散说明 PyPI 滞后、在线语音、ffprobe、OAuth 和可选依赖限制;但没有集中限制章节,且强烈生产/合规声明掩盖了 Beta 状态与未验证假设。license=3:提供完整 Apache-2.0 正文、版权声明,并与项目元数据和示例清单一致。versioning_changelog=2:版本 2.0.0、CHANGELOG 链接、包版本约束和更新流程均存在;但未提供 CHANGELOG 内容,且默认追踪可变 main,降低修订稳定性。maintenance_responsibility=2:列出作者邮箱、安全报告地址、问题仓库和维护者发布流程;但发布者未由企业注册表验证,支持承诺、维护团队结构及响应时限未明确。
output_usability=2:产品提供控制台、CLI、无头模式、报告、审计与多个桥接出口,安装后的访问路径具体;但所给材料没有真实输出样本或代码实现来确认日常结果质量。marginal_value=2:统一多渠道、自托管、路由、审计、离线语音和回滚组合具有明确潜在增益;扣分在于与现有编排工具相比的独特性主要靠项目自身陈述。cost_benefit=1:文档给出价格模型、分配比例和 ROI 示例,但 60–80% 节省、2–5% 质量提升、2–3 周收敛及即时回本均无数据集、方法或结果文件支持,且未计入运维、模型、存储和人工成本。
claim_traceability=1:安装验证脚本名、ADR 编号、测试文件和技术文档路径为部分主张提供追踪线索;但关键合规、SLA、成本、质量和收敛主张没有随附原始测量或完整实现证据。cross_source_corroboration=2:README 的跨平台、依赖、入口、审计和许可叙述得到 pyproject、LICENSE、SECURITY、CI 及测试夹具部分印证;但核心学习效果和法规合规未被独立文件实质验证。fact_inference_separation=0:材料反复把架构意图、数学推断和营销示例表述为“proven”“measured”“guaranteed”或已合规,却未展示对应证据,事实、预测和推论没有得到可靠区分。
- 不要把“GDPR/EU AI Act 合规”“99.9% SLA”“收敛保证”或成本/质量指标视为已验证;部署前应取得控制实现、法律映射、测量数据和独立审计证据。
- 避免直接执行来自可变 main 分支的 curl|sh 或 irm|iex 安装命令;应固定到审阅修订,校验下载内容,并在隔离环境中检查安装脚本。
- 在连接真实 Discord、Telegram、WhatsApp、Slack、邮件、浏览器或上传账户前,核实权限范围、外发确认、数据保留、删除、遥测和第三方处理方。
- 宽松依赖范围和未按提交散列固定的 CI Actions 会造成供应链漂移;生产部署应使用锁定依赖、制品签名/SBOM及漏洞扫描。