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
- ★ 32
- 最近更新
- 今天
- License
- MIT
- 主语言
- TypeScript
- FA 评分
- 50/100 · 缺口较多
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
- 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。
- 源码审查
- 50/100 · 缺口较多
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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
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？
- 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。
- 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 | 50 · 缺口较多 | — | ★ 32 | 今天 | TypeScript | Codex · Claude Code · OpenAI API · Claude API |
| Atom 平台 | 59 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 901 | 3 天前 | Python | OpenAI API · Claude API |
| OpenCompany | 44 · 缺口较多 | 桌面应用免费 + 模型费 | ★ 970 | 7 天前 | Python | OpenAI API · Claude API |
| GAIA 个人 AI 助手 | 73 · 存在缺口 | 云服务 / SaaS免费版 + 付费版 | ★ 305 | 7 天前 | Python | — |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
README 明确说明数据驻留、模型网关、连接器与外部工具的数据流，并提示自托管不等于全部本地处理，属较好的透明度；但仓库内未见权限最小化设计、沙箱能力约束或用户确认/回滚机制的具体实现，凭据与敏感数据处理仅有文档层面的指引，外部副作用（连接器动作、自动化触发）缺少可核验的审批与恢复证据，故多数项仅给 1 分。依赖方面 package.json 使用精确版本、overrides 与 patchedDependencies，并存在漏洞扫描脚本，可给 2 分，但未提供实际扫描结果。
工作流与脚本命名一致、CI 结构清晰，自洽性可给 2 分；但依赖可用性只能从 package.json 与 lockfile 引用推断，未提供锁文件内容或安装验证，给 1 分；失败信息在 CI 中有明确 ::error:: 与失败摘要，属可核验的失败提示，给 2 分。
README 面向团队、开发者、自托管与云用户，场景描述充分；能力边界（运行时、模型、工具、沙箱容量）有说明，但触发精度（自动化触发条件、@提及委派的具体语义）缺少可核验细节，仅给 1 分；环境适配（Docker、ARM64 模拟、Bun/Node 版本）有明确说明，给 2 分。
信息架构清晰，安装说明具体（CLI、Docker、源码开发），示例与 FAQ 以问答形式呈现，MIT 许可证完整可给 3 分；但版本号仅 0.1.0 且无 CHANGELOG，命名稳定性与维护责任（谁负责、更新路径）缺少明确声明，已知限制仅零散提及，故相关项给 1 分。
输出可用性体现在任务、报告、文件交付与审查流程，边际价值对团队协作场景合理；但成本收益缺少量化证据（资源消耗、并发限制、定价仅外链），仅给 1 分。
README 大量声明指向外部文档站点，仓库内无法交叉验证；测试文件仅覆盖 marketing-ui 的依赖声明与测试环境桩，无法佐证产品级声明；事实与推断的分离在文档中部分体现（如自托管不等于本地处理），但整体证据链薄弱，各项给 1 分。
- README 中的安全、数据驻留与治理声明主要指向外部文档站点，仓库内无法独立核验，评估时不应将其视为已验证事实。
- 仓库内未见权限最小化、用户确认、回滚或外部副作用审批的具体实现，生产部署前需自行审查沙箱与连接器权限模型。
- 版本号为 0.1.0 且无 CHANGELOG，接口与命名稳定性未知，升级前应锁定版本并关注破坏性变更。
- 发布者身份未经 FollowAgents 企业注册表验证，维护责任与更新路径不明确，需自行确认供应链来源。
常见问题
自托管要花多少钱，需要哪些凭据？
智能体的并发量由什么决定？
自托管是不是就意味着数据不出本机？
Community 和 Enterprise 有什么区别？
本地开发实例可以直接给团队用吗？
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。