LazyMind
把知识、专家实践与工具编排成可执行、可回溯的任务，让 AI 助手始终在你掌控之中。
- Star 数
- ★ 433
- 最近更新
- 今天
- License
- Apache-2.0
- 主语言
- Go
- FA 评分
- 50/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 兼容但需适配CodexChatGPT（需要适配）
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 解决方案架构师或产品经理需要把模糊想法推进到提案、PRD 与原型：用 Workflow 串联竞品分析、产品规划、需求撰写与原型预览。
- 不适合
- 希望开箱即用、不愿配置模型与解析服务的非技术个人用户
- 只想在云端 SaaS 里零安装使用的团队
- 源码审查
- 50/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
LazyMind 是一个面向知识密集型工作的 AI Skill Runtime，目标是把知识库、专家方法、工具与可编辑产物放进同一个工作区。它由三部分组成：Knowledge Foundation 负责多源采集、OCR、混合检索与重排；State Brain 以状态机方式驱动 Workflow，提供步骤可见、审批、重试、回退与版本历史；AI Growth Engine 通过偏好沉淀、评测、诊断、修复与 A/B 测试来改进后续运行。实际使用时，你在桌面端（macOS arm64、Windows x64）本地运行，或通过 Docker 部署为团队服务，工作流会产出可编辑的文档、PDF、PPTX 与图片等 Artifact。前端默认监听 http://localhost:8090，提供 Chat、Work、Capability Center、知识库与文档内对话等入口。此外，它可以通过 settings → Assistants 与 MCP 被 Codex、Cursor、WorkBuddy、TRAE Work、DeepSeek Harness 等外部助手调用。项目以 Apache-2.0 许可开源，模型与解析服务需要自行配置。
LazyMind 先从本地目录、对象存储、飞书、Notion 等来源汇入文档，经 PDFReader、MinerU 或 PaddleOCR-VL 解析后做多嵌入检索、混合搜索与重排，回答时附带行内引用与可追溯来源。任务层把 Skill 转成 Workflow 状态机，由 backend/core 执行步骤、动态路由、自动评审与重试回退，过程中可查看并编辑中间 Artifact 与版本 diff。内容生产侧内置 AI Writer、PPT Workflow、AI Image，PPT Workflow 会串联检索取材、大纲确认、生成幻灯片、自然语言局部修改，并导出 PDF、图片型 PPTX 或可编辑 PPTX。evo 模块把 bad case 转成评测样本，跑基线评测、诊断、修复、部署与 A/B 测试。对外集成方面，Assistant Bridge 发现本机 Codex、Cursor 等项目的会话并继续其任务，MCP 则把 LazyMind 的 Workflow、Skill 与知识库暴露给外部 agent。
- 解决方案架构师或产品经理需要把模糊想法推进到提案、PRD 与原型：用 Workflow 串联竞品分析、产品规划、需求撰写与原型预览。
- 咨询顾问或研究岗需要产出可追溯的报告：把内部文档与外部检索结果作为证据，生成带行内引用的综述。
- 内容与市场团队需要批量交付演示文稿：输入需求与素材，经大纲审批后生成带讲者备注、可局部编辑的 PPTX。
- 团队已有 Codex、Cursor 或 DeepSeek Harness：把这些助手的会话接入 LazyMind，复用其知识库、Skill 与 Workflow，而不必重复搭建上下文。
- 运维或测试人员需要做质量改进：把失败案例沉淀为评测集，跑诊断与 A/B 测试，验证后再上线策略变更。
- 阅读 PDF 时需要边读边问：在文档预览中选中文本提问，答案引用所选片段并保留回到原文的导航。
如何安装或部署这个 Agent？
本地使用的推荐方式是安装桌面版，从 GitHub Releases 下载对应安装包：
# macOS (Apple silicon)：下载 .dmg，打开后拖入 Applications
# Windows x64：下载并运行安装包 .exe安装包已内置 Desktop Mode 所需的本地运行时。若要从源码本地运行，需先准备 Go、Python 3、uv、pnpm 与 Node.js：
make local-up原生 Windows PowerShell 使用：
make local-win-up也可以容器方式部署（同时启动 Docker 服务与宿主机侧 Assistant Bridge）：
make up本机未安装 Go 时，桥接程序会在 Docker 内自动交叉编译。Windows 上需在可用的 Git Bash 中执行，不要直接用 docker compose up。若使用外部向量/搜索服务：
make up LAZYMIND_MILVUS_URI=http://your-milvus:19530 LAZYMIND_OPENSEARCH_URI=https://your-opensearch:9200本地 OCR 可选用 make up LAZYMIND_DEPLOY_MINERU=1 或 make up LAZYMIND_DEPLOY_PADDLEOCR=1。
如何使用这个 Agent？
启动后访问 http://localhost:8090（API 文档在 /docs.html），默认账号为 admin / admin。第一步是在 Settings 里配置模型与工具：
Settings → Model Providers：填入模型供应商凭据与 API Key
Settings → System Defaults：选择默认 LLM、embedding 与 reranker（多模态 embedding、VLM、语音、图像、视频、进化模型为可选）
Settings → Tools：配置 MinerU 或 PaddleOCR（文档解析）、web 与学术搜索引擎，以及飞书/Notion 等集成凭据之后即可在 Chat 或 Work 中提交任务，在 Capability Center 按场景筛选并试用示例能力，或在文档预览里选中文本做当前文档对话。若要让 Codex、Cursor 等外部助手接入：
Settings → Assistants：连接 Codex、Cursor、WorkBuddy、Raccoon、TRAE Work 或 DeepSeek Harness（自动发现失败时可填写自定义或便携版路径）停止本地运行时：
make local-downWindows 使用 make local-win-down。开发与测试命令包括 make lint、make test 与 make test-hermetic；从源码构建桌面应用可用 make desktop-darwin-arm64、make desktop-windows-x64 或 make desktop-windows-x64-installer。
这个 Agent 有哪些优点和局限？
- 以状态机形式定义 Workflow，支持动态路由、自动评审、重试与回退，长任务可从失败步骤重跑而无需整单重来。
- 检索链路完整：多源接入、PDFReader/MinerU/PaddleOCR-VL 解析、多嵌入混合检索与重排，回答带行内引用与来源导航。
- Artifact 可编辑并有版本历史与 diff，PPT Workflow 支持缩略图排序、自然语言局部修改，并可导出可编辑 PPTX。
- 本地优先设计：桌面版内置运行时，使用 SQLite 与 Milvus Lite；同一套工作流可扩展到 Kong、JWT/RBAC 的容器部署。
- 通过 MCP 与 Assistant Bridge 把知识、Skill 与 Workflow 交给 Codex、Cursor、DeepSeek Harness 等外部助手复用。
- 改进有据可查：evo 把 bad case 转成评测样本，经基线评测、诊断、修复与 A/B 测试后再部署。
- 需要自行准备模型供应商 API Key 以及默认 LLM、embedding、reranker 配置，首次可用状态依赖外部服务可用性。
- 从源码运行要求同时具备 Go、Python 3、uv、pnpm 与 Node.js；容器部署还需处理 Assistant Bridge 与宿主机的协作方式。
- 桌面安装包仅覆盖 macOS arm64 与 Windows x64，未在文档中给出 Linux 桌面支持。
- 部分能力（如 PPT 工作流评测、Skill 兼容性度量、按需 Skill 检索、本地目录授权）仍在路线图中，当前版本存在未闭环环节。
- 多数内置演示视频与文章为中文，英文用户评估具体效果时资料相对有限。
这个 Agent 与同类方案有什么区别？
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 |
|---|---|---|---|---|---|---|
| LazyMind 当前 | 50 · 缺口较多 | 桌面应用免费 + 模型费 | ★ 433 | 今天 | Go | Codex |
| NextClaw | 58 · 缺口较多 | 桌面应用免费 + 模型费 | ★ 262 | 今天 | TypeScript | Codex · Claude Code |
| PocketPaw | 46 · 缺口较多 | 桌面应用免费 + 模型费 | ★ 895 | 1 个月前 | Python | Codex · OpenAI API · Claude API |
| OpenKB 开放知识库 | 59 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 4.8k | 3 个月前 | Python | 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
工作区文件授权文档详细描述了 ALLOW/ASK/DENY 策略、always_ask 默认、路径身份校验、凭据不落库等最小权限与确认机制，MCP OAuth 文档也说明 token 由 auth service 保管、不跨请求缓存、拒绝私网目标，故 least_privilege 与 user_confirmation 给 2。但数据流透明度仅停留在文档层面，缺少面向用户的运行时数据流向说明或可审计导出，扣至 1。依赖安全方面 CI 使用固定版本与 lockfile，但未见依赖漏洞扫描/SBOM，且文档提到 mcp<2 约束与子模块 gitlink 依赖，给 1。外部副作用（浏览器自动化、shell、邮件发送）虽有审批但默认能力面较大，且未提供全局副作用清单，给 1。回滚在 artifact 版本、Skill 回滚、迁移 up/down 上有明确描述，给 2。来源归因方面 README 引用外部视频与文章，但代码/文档未系统标注第三方组件与数据来源，给 1。
文档内部存在多处自相矛盾：README 称能力列表为已实现而非 Roadmap，但 Roadmap 中又列出大量未完成项；工具配置文档明确记录 Chat 全包 30 项失败、前端全量 tsc 648 错误、未做真实 OAuth 端到端，故 self_consistency 仅 1。依赖可用性依赖 LazyLLM 子模块、ModelScope/HuggingFace 远端资源、ripgrep、Docker 等外部条件，文档承认主备回退与校验，但未锁定全部构建环境，给 1。失败消息方面文档描述了脱敏重授权提示、过期/失效区分、blocker 不重试等，给 2。
README 明确区分 Desktop 用户、团队部署、外部 Agent 插件三类受众与场景，给 2。能力边界文档较清晰（OAuth over SSE、预注册客户端不支持；Windows 仅 NTFS/ReFS；Linux 不承诺跨重挂载），给 2。触发精度方面 Skill/Workflow 触发与工具召回仍在 Roadmap（按需检索未完成），当前触发规则缺乏可验证定义，给 1。环境适配覆盖 macOS arm64、Windows x64、Linux 容器，CI 多平台矩阵，给 2。
README 结构完整、中英双语、目录清晰，信息架构给 2。安装说明覆盖安装包、源码、容器、桌面构建，给 2。命名稳定性方面文档中版本号（v0.2 文章、0.4 Roadmap）与分支/提交引用混杂，产品命名（LazyMind/LazyLLM/evo/智积阅累）不统一，给 1。示例与 FAQ 有大量案例目录与视频，给 2。已知限制在开发文档中记录充分（未验证项、失败测试），给 2。LICENSE 为完整 Apache-2.0，给 2。版本化与 changelog 仅有零散发布文章，无正式 CHANGELOG，给 1。维护责任方面发布者为未验证身份，文档未说明维护者、支持渠道或安全披露流程，给 1。
输出可用性有 artifact 编辑、版本 diff、PPTX/PDF 导出等具体产物形态，给 2。边际价值方面产品功能面极广（知识库、Workflow、Skill、自进化、浏览器自动化），但多数为 Roadmap 或未端到端验证，实际增量价值难以从静态证据确认，给 1。成本效益方面安装包约 448 MiB、需额外下载 RAG 组件与模型 API 费用，文档承认未测量启动耗时与内存收益，给 1。
claim_traceability：README 的能力声明多指向 docs 与截图，但截图与视频为外部托管，无法在仓库内逐条核验，给 1。cross_source_corroboration：开发文档与 README 部分互相印证（如 MCP OAuth、安装包优化），但也存在 README 宣称已实现而开发文档记录失败/未验证的冲突，给 1。fact_inference_separation：开发文档较明确区分已验证、未验证与推断（如明确说明非严格 A/B、不能等同总流量下降），给 2。
- 发布者身份未经 FollowAgents 验证，维护责任、支持渠道与安全披露流程不明确，企业采用前应自行核实。
- 开发文档明确记录 Chat 全包 30 项测试失败、前端全量类型检查 648 个错误、真实 OAuth 与浏览器端到端未执行，README 的“已实现能力”声明需谨慎对待。
- 默认账号 admin/admin 与本地服务监听需在部署前更改，否则存在未授权访问风险。
- 桌面端具备浏览器自动化、shell 与文件写入能力，默认 always_ask 策略下仍需审查 allow_all 等完全信任模式的启用条件。
- 安装包约 448 MiB 且 RAG 组件、字体、示例资源需从 ModelScope/HuggingFace 远端下载，离线或受限网络环境可用性未验证。
- 未见依赖漏洞扫描或 SBOM，LazyLLM 子模块与 mcp<2 约束的供应链风险需自行评估。