Tale — 团队与 AI 智能体共享工作空间

把公司问题变成任务,让团队与 AI 智能体在同一工作空间里协作、执行并交付可供审阅的成果。

Star 数
★ 47
最近更新
5 天前
License
MIT
主语言
TypeScript

30 秒速览

可在哪里用
通用 · 跨平台Codex · Claude Code · OpenAI API · Claude API
开始前需要
Docker with ComposeBunNode.jsPythonuvShell / 命令行网络访问本地文件系统
典型场景
团队要评审一份发布简报:创建一个项目任务,附上简报与会议记录,让智能体产出 Markdown 报告,列出冲突日期、缺失负责人与待决事项,并注明出处。
主要局限
自托管并非零门槛:除 Docker 与 Compose 外,生产环境还需要 DNS、TLS、备份与访问控制,并需要数 GB 的镜像和数据空间。
官网
tale.dev ↗ 来自 GitHub 仓库设置
维护状态
近 30 天有提交最近提交 2026-11-16最新版本 v0.5.107(2026-11-16)近 7 天每天 +0.6 ★

这个 Agent 能做什么,适合哪些场景?

Tale 是一个面向团队与 AI 智能体的开源项目工作空间,把任务看板、项目知识、智能体配置和交付审阅放在同一个项目里。你可以在看板上创建带有问题描述、源文件与完成标准的任务,然后分配给同事或项目智能体;每个智能体可单独选择指令、运行时(harness)、模型与工具。智能体在持久化的沙箱工作空间中运行,并发量受你配置的容量限制;具备相应工具权限时,管理型智能体还能把就绪任务转派出去并协调后续工作。平台提供 Chat 与 Arena(并排比较两个模型回答)、项目知识检索、可版本化的 Automations 工作流以及 Connectors 凭据集成,管理员可管理成员、角色、供应商、策略、用量与审计记录。部署方式有两种:用 CLI 在自己基础设施上的 Docker Compose 中自托管,或使用官方托管的 Cloud 服务,代码采用 MIT 许可协议。

Tale 读取你在项目中提交的任务描述、源文件与完成标准,把它们交给配置好的项目智能体执行。执行前你为每个智能体指定 harness(Claude Code、Codex、Cursor、Gemini CLI、Hermes、OpenClaw、OpenCode、Pi、Qwen Code 等)、模型与工具集;智能体在持久沙箱工作空间中运行,产出报告与交付文件,回到看板等待你验收。你可以在任务评论中用 @提及 引导智能体、查看它的报告与文件、要求修改或接受结果;权限足够时管理型智能体会把就绪任务分派给其他智能体。平台侧还包含 Chat(对话与 Arena 对比两个模型回答)、Knowledge(把文档、知识条目与网站内容准备为可检索内容,上传与索引是两个独立步骤)、Automations(把步骤连成工作流并手动或按触发器运行)、Connectors(用工作空间自己控制的凭据连接外部服务),以及 Administration 中的成员、角色、供应商、策略、用量与审计管理。

  1. 团队要评审一份发布简报:创建一个项目任务,附上简报与会议记录,让智能体产出 Markdown 报告,列出冲突日期、缺失负责人与待决事项,并注明出处。
  2. 工程团队想让智能体读取仓库、真的改代码或搭建内部工具:把任务分配到项目智能体,在沙箱里跑 Claude Code 或 Codex 运行时,然后审阅交付的文件。
  3. 项目经理需要一块共享看板:任务按状态分组,人与智能体混排在同一块板上,进度与交付物集中可见。
  4. 知识密集型团队要把文档、知识条目与网站内容变成可检索来源:在 Knowledge 中准备内容并在回答里核对引用来源。
  5. 运营团队要重复执行同一流程:把步骤做成带版本号的 Automation,用定时触发或连接器审批跑起来并回看每次运行。
  6. 管理员需要统一治理:在 Administration 里管理成员、角色、供应商、策略、用量与审计记录,并在 Guardrails 页面查看内容安全与数据策略。

安装与配置要点

摘自下方的安装和使用说明,以项目 README 的最新说明为准。

安装 / 启动命令
  • curl -fsSL https://raw.githubusercontent.com/tale-project/tale/main/scripts/install-cli.sh | bash
  • bun install --frozen-lockfile
安装说明涉及
macOS · Linux · Docker

如何安装或部署这个 Agent?

官方推荐的本地起步方式是用已发布的 CLI 在 macOS 或 Linux 上安装,无需克隆仓库,也不需要预先安装 Bun:

curl -fsSL https://raw.githubusercontent.com/tale-project/tale/main/scripts/install-cli.sh | bash
tale init my-project
cd my-project
tale dev

前置条件:Docker 与 Compose、若干 GB 的镜像与数据空间,以及一个受支持模型供应商的凭据。Apple Silicon 上需要使用 Docker Desktop 自带的 amd64 模拟来运行随附的对象存储;ARM64 Linux 上需先配置模拟。CLI 可以协助安装或启动 Docker。

如果你想从源码开发,则需要 package.json 中指定的 Bun 版本、兼容的 Node.js 运行时,以及用于后端服务的 Docker;完整仓库检查还需要 Python 与 uv:

bun install --frozen-lockfile
bun run setup:check
bun run dev

只改文档时不需要平台数据库或模型供应商:

bun run --filter @tale/docs dev
bun run --filter @tale/ui-docs dev

如何使用这个 Agent?

首次启动 tale dev 后,打开终端打印出的 URL,创建第一个账号与组织,然后在 Settings > AI providers 下添加一个模型供应商凭据,即可发送第一条消息。按 Ctrl-C 停止,在同一个目录再次运行 tale dev 会用已有数据恢复。

一个典型的智能体任务流程:先建项目任务,写清问题、源文件和完成标准;再配置项目智能体(指令、harness、模型、工具);然后启动任务并看智能体的报告。下面是一个可用于发布简报评审的示例任务描述:

Compare the attached launch brief and meeting notes. Produce a Markdown report listing conflicting dates, missing owners, and open decisions. Cite the source file and passage for each finding. Separate confirmed facts from questions, and leave the source files unchanged.

验收前先打开交付的报告,把引用与两个源文件逐一核对,确认每个要求的分类都被覆盖;证据不足时在任务里要求修改,或按任务评审流程接受结果。真正对外服务团队前,请先按官方文档完成生产准备;tale deploy 使用的数据卷与本地开发实例是分开的。

这个 Agent 有哪些优点和局限?

优点
  • 人与智能体共用一个工作空间:任务看板、任务评论中的 @提及 引导、报告与文件验收在同一处完成,不需要在多个工具间搬运上下文。
  • 每个智能体可单独选择 harness(Claude Code、Codex、Cursor、Gemini CLI、Hermes、OpenClaw、OpenCode、Pi、Qwen Code 等)、模型与工具,运行时选择灵活而具体。
  • 智能体在持久沙箱工作空间中运行,并发受配置容量限制,任务之间有隔离与容量边界。
  • 支持自带供应商 API Key,也支持受支持的厂商订阅(仅限兼容运行时);用 API Key 时走 Tale 自己的模型网关。
  • 既可自托管(Docker Compose,MIT 许可,代码可改),也可用官方托管 Cloud;Community 与 Enterprise 功能相同,Enterprise 只增加专业运维与支持。
局限
  • 自托管并非零门槛:除 Docker 与 Compose 外,生产环境还需要 DNS、TLS、备份与访问控制,并需要数 GB 的镜像和数据空间。
  • 厂商订阅只在与兼容运行时搭配时可用,无法驱动普通 Chat,并且会绕过 Tale 网关的计量与支出上限,成本可见性变差。
  • 自托管不等于数据全留在本地:模型供应商、连接器与外部工具都可能在应用存储之外处理数据,需要单独评估数据驻留配置。
  • 仓库的完整检查依赖较杂(Bun、Node.js、Docker、Python、uv 同时需要),从源码开发的环境负担不轻。
  • 运行时可用性取决于你的部署、凭据与沙箱容量,而不是装上就能全部使用。

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
Tale — 团队与 AI 智能体共享工作空间 当前 65 · 存在缺口 — ★ 47 5 天前 TypeScript Codex · Claude Code · OpenAI API · Claude API
Brigade 53 · 缺口较多 自托管服务免费版 + 付费版 ★ 16 今天 TypeScript ChatGPT · Codex · Claude Code · Claude.ai
Atom 平台 67 · 存在缺口 命令行工具免费 + 模型费 ★ 912 今天 Python OpenAI API · Claude API
OpenCompany 64 · 存在缺口 桌面应用免费 + 模型费 ★ 1.1k 1 天前 Python OpenAI API · Claude API

FollowAgents 如何评估这个 Agent?

FollowAgents 源码审查 · FARS-2.1
存在缺口
65/ 100 五分制 3.3 / 5
本评测基于 2026年11月8日 的源码;此后该项目发布了 2 个正式版本,尚未复审。分数与结论只代表评测时的版本。 最近版本 ↓
信任安全 14/29
可靠稳定 8/14
适用触发 14/18
规范维护 14/18
有效结果 9/13
证据核验 6/8
查看各维度的扣分理由
信任安全14 / 29 · 2.4/5

证据显示,Agent 可配置运行时、模型、技能和工具,并在持久沙箱中执行;文档提到容量限制、人工检查和 Connector 操作可设审批。README 也提示外部工具及模型提供商可能处理数据,订阅凭据可能绕过网关用量及支出限制。扣分原因:材料未展示权限粒度、秘密存储/脱敏实现或依赖安全审计;用户确认与回滚说明主要是流程层面的,尚不足以证明所有副作用都有强制保护。

可靠稳定8 / 14 · 2.9/5

CLI 将未捕获异常和拒绝交给统一的错误处理器;仓库声明有格式、lint、类型、构建和测试门禁,工作流样本可佐证部分 CI 结构。扣分原因:仅凭静态材料无法确认这些门禁的实际结果;README 的 CLI 安装脚本使用 main 分支 URL,MCP Playwright 配置使用 latest,依赖可用性和可重复性较弱。

适用触发14 / 18 · 3.9/5

README 清晰覆盖团队成员、管理员、开发者和自托管运维人员,并列出研究、文档审阅、内容创作和开发等场景。它说明运行时、凭据、角色、部署和容量会影响可用能力。扣分原因:材料仅抽样展示部分技能和源码,触发条件、能力边界及不同环境的完整矩阵仍不充分。

规范维护14 / 18 · 3.9/5

README 以任务流程、FAQ、安装、开发和文档入口组织内容;包含自托管步骤、前置要求、示例任务、恢复/继续本地实例说明;许可证文件明确为 MIT。扣分原因:样本没有提供清晰的产品发布日志或版本支持策略;部分限制虽有披露,但分散在部署、凭据和数据驻留说明中,维护责任也未明确到具体负责人。

有效结果9 / 13 · 3.5/5

产品描述及示例展示任务分派、持久工作区、协调、审查报告和文件的预期用途,结果可由团队检查。扣分原因:材料未量化节省的时间或成本,也没有提供足以比较其他工作流的证据;成本还受模型提供商、凭据路径和运行容量影响。

证据核验6 / 8 · 3.8/5

README 将重要操作和限制链接至相应指南,示例要求报告标注来源文件和文本位置,并区分事实与未决问题。包清单、CLI 源码、CI 工作流和 LICENSE 对部分静态主张提供了交叉佐证。扣分原因:不少产品行为仅由 README 概述,样本没有呈现对应实现或完整文档;本评估不包含链接内容或运行验证。

风险与缓解建议
  • 使用前核对运行时与工具的权限、秘密处理方式及其网络访问范围;自托管不代表每次请求都留在本地。
  • 确认所选凭据路径的用量和支出控制:README 明确指出,支持的订阅凭据可能绕过模型网关的用量跟踪与支出限制。
证据充分度:低 评估于 2026年11月8日 审查版本 4368a0fb6a12 评估后仓库已有新提交,评分可能未覆盖最新改动
查看完整评分方法 →
你是这个项目的维护者?把 FARS 徽章加到 README

徽章显示当前的评审分数和结论,点击回到本页。重新评审后约一小时内更新。

FARS

[![FARS 评测](https://followagents.com/badge/tale.svg?lang=zh)](https://followagents.com/zh/agents/tale)
<a href="https://followagents.com/zh/agents/tale"><img src="https://followagents.com/badge/tale.svg?lang=zh" alt="FARS 评测"></a>

最近版本

来自该项目 GitHub Releases 的最新发布记录,说明为上游原文摘录,未经本站改写或测试。

  1. v0.5.107 Tale v0.5.107
    发布说明摘录
    Highlights - Sandbox sessions on Incus can spread over several hosts (experimental). The Incus sandbox backend reached exactly one host, so every session of a stack ran on that one node. The new SANDBOX_INCUS_ENDPOINTS takes a list of hosts, each with its own restricted client certificate, key and pinned server certificate, and optionally its own project, profile, network, storage pool, session cap and egress proxy. A new session goes to the host with the most room left by its session cap, its project's memory and disk limits and its pool's free space. A host marked drained takes n …
    在 GitHub 查看 ↗
  2. v0.5.106 Tale v0.5.106
    发布说明摘录
    Highlights - [Run Tale on Incus](https://docs.tale.dev/self-hosted/install/incus) (experimental). A workspace or a managed deployment can now run as Incus instances on one Linux host instead of Docker Compose containers, with no Docker daemon on that host. The services, images and settings stay the same: the tale CLI compiles the same Compose definitions into instances in one restricted Incus project, and the sandbox sessions run in a project of their own. Choose it in the reviewed declaration, never per command: runtime.engine: "incus" with a runtime.incus block in a workspace's …
    在 GitHub 查看 ↗
  3. v0.5.105 Tale v0.5.105
    发布说明摘录
    Highlights - Agents on Pi keep working through long conversations. Tale did not tell Pi how much context a model holds, so Pi took 128,000 tokens for every model it reached through Tale. Once a conversation came near that, Pi asked the model for a one-token answer and the run ended without a report ("the agent ended its turn without a final report"); a retry continued the same conversation and ended the same way. A long task stopped there, and so did a standing role whose runs continue one conversation. Pi now takes each model's context window from the model catalog, narrowed by the or …
    在 GitHub 查看 ↗

常见问题

自托管要花多少钱,需要哪些凭据?
代码是 MIT 许可,自托管不收取许可费;你需要自备一个受支持模型供应商的凭据(自带 API Key 走 Tale 的模型网关,受支持的厂商订阅只在兼容运行时下可用)。基础设施成本(Docker 主机、存储、生产环境的 DNS/TLS/备份)由你自己承担。Cloud 方案的当前报价见官方定价页。
智能体的并发量由什么决定?
智能体在持久沙箱工作空间中运行,并发受你配置的容量限制;同时,可选运行时还取决于你的部署方式、凭据和沙箱容量,官方提供了运行时兼容性矩阵说明各组合的凭据路径、工具与对话限制。
自托管是不是就意味着数据不出本机?
不一定。应用记录、可检索知识和原始文件各有独立的存储设置;模型供应商、连接器和外部工具都可能在这些存储之外处理数据。要真正限制数据边界,需要按数据驻留文档逐项配置。
Community 和 Enterprise 有什么区别?
两者包含相同的产品功能,都基于 MIT 许可;Enterprise 额外提供专业运维与支持,具体服务条款见官方定价页。
本地开发实例可以直接给团队用吗?
官方明确指出 tale deploy 使用与本地开发实例分开的数据卷,对外服务前需要先完成生产部署准备(DNS、TLS、备份、访问控制),并注意本地实例只覆盖了部分环境检查。
Tale — 团队与 AI 智能体共享工作空间 官网是什么?
Tale — 团队与 AI 智能体共享工作空间 的 GitHub 仓库填写的官网是 https://tale.dev。这个链接由仓库作者设置;源码在 GitHub(tale-project/tale)。
Tale — 团队与 AI 智能体共享工作空间 开源吗?
开源。源码在 GitHub(tale-project/tale),许可证是 MIT。
Tale — 团队与 AI 智能体共享工作空间 安全吗?
FollowAgents 的 FARS 评审(2026年11月8日)给 Tale — 团队与 AI 智能体共享工作空间 的“信任与安全”打了 14/29 分。评审检查的 8 项安全措施没有完全缺失的。评审之后仓库已有更新。
Tale — 团队与 AI 智能体共享工作空间 还在维护吗?
在维护。GitHub 上最近一次提交是 2026-11-16,在最近 30 天内。最新版本是 v0.5.107(2026-11-16)。
Tale — 团队与 AI 智能体共享工作空间 是谁开发的?
Tale — 团队与 AI 智能体共享工作空间 由 GitHub 账号 tale-project 发布。FollowAgents 没有核实这个账号背后是哪个人或公司。
这页内容对你有帮助吗?
在 GitHub 查看 ↗ 安装 ↓

所属宿主生态

对比同类 Agent

用同一套 FARS 评审,横向比较这个 Agent 所属的短名单。

相关核心概念