# 一个网红14天7万星，我把他的AI工作台装进了电脑
**作者**: 老爸的AI联萌
**日期**: 2026-06-17T02:37:27.000Z
**来源**: [https://x.com/ChrisWangwy/status/2067074114595025043](https://x.com/ChrisWangwy/status/2067074114595025043)
---
前阵子刷 GitHub，看到一个数字，我盯着看了好几秒。
一个项目，5 月 31 日才公开，到 6 月 14 日晚上我去查的时候，70,649 个 Star，fork 也有 8,975。半个月不到，七万星。
这个速度我见得不多。但真正让我馒头问号的，是作者。
不是 OpenAI，不是哪家刚拿了融资的 AI 公司。是 PewDiePie。对，就是那个拍游戏视频的瑞典网红，频道订阅过亿那个。
## 七万星，我不太信，先自己装一遍
我第一反应跟你大概一样，不就是粉丝刷出来的热闹嘛。
但我又往下扒了扒，有点不对劲。粉丝来凑热闹、点个 Star，这太正常了。可近九千个 fork 是怎么回事。你想想看，fork 一个项目是要动手的，而且这玩意儿还是个你得自己会看终端报错的 Docker 项目，不是点一下就能用的 App。普通粉丝图个新鲜，不会把一个要编译要配环境的仓库认认真真 clone 回自己电脑。
所以这事没那么简单。我就动了个念头，自己装一遍，看看它到底是真有东西，还是又一个被流量吹起来的空壳子。
先说结论，现在就值得装来玩玩，但我不建议你立刻把全部家当都搬进去。
## 这个游戏网红，到底想干嘛
先补一句作者背景，因为这事挺有意思。
PewDiePie 本名 Felix Kjellberg，瑞典人，过去大家认识他全是因为游戏解说和搞笑视频。这两年他搬去了日本，更新少了，却一头扎进了搭服务器、改显卡、跑本地模型这些事，还总念叨要把自己的数据从大平台手里拿回来。2025 年他先搞了个叫 ChatOS 的个人 AI 界面，今年 5 月把它养大、改名 Odysseus 公开，就成了现在这个。
我一直想不通的其实是这个。一个拍视频的人，怎么会比那些大厂还早地，想着把模型、数据、工具和日常这些活儿，全塞进一台自己说了算的电脑里。这个问题，等我装完一遍，大概懂了。
它官方给自己的定位叫 Self-hosted AI Workspace，自托管 AI 工作台。我用大白话给你翻译一下，就是把我们平时散在十几个产品里的 AI 能力，收进一套自己跑的网页系统。
你想想现在用 AI 是个什么状态。聊天在一个网站，写代码在 Claude Code，搜索在另一个产品，图片单独生成，笔记在 Obsidian，邮件日历各有各的 App。每换一个入口，你就得重新交代一遍背景、重新传一遍文件、重新说一遍你想要啥。真的额有点烦
Odysseus 想干的，就是把这一摊收成一台。
所以它跟那种本地版 ChatGPT 不是一回事。ChatGPT 那种东西，核心永远是中间那个对话框，你问完一轮，资料、判断、下一步全散了。Odysseus 惦记的是另一件事，一次活儿从哪开始，资料放哪，用哪个模型，调什么工具，结果存哪，明天怎么接着干。
前者是个工具，后者想当你的工位。这俩差得挺远。
## 开装：四步，坑我都给你标出来
整个过程其实就四步，下面这张图你可以先存着，跟着走。
第一步，把仓库 clone 下来，再复制一份配置。
```
cd D:\vibe
git -c http.proxy= -c https.proxy= clone --branch main https://github.com/pewdiepie-archdaemon/odysseus.git odysseus
cd D:\vibe\odysseus
Copy-Item .env.example .env
```
第一个坑就在这。
我电脑以前配过代理，就 127.0.0.1:7890 那种，结果 clone 直接卡在连接错误上，半天动不了。我对着屏幕愣了一下才反应过来是代理的事。这里给你个经验，别上来就去动全局的 git 配置，那玩意儿一改容易把你别的项目也连累了，我就在 clone 命令里临时把代理清空，干净利落，办完事不留后患。
.env 里的东西大部分先别碰，我只加了一行。
```
FASTEMBED_CACHE_PATH=/app/data/fastembed_cache
```
这个问题大家应该也经常会碰到。把他记住，下次碰到就容易解决了。
第二步，一条命令把它拉起来。
```
docker compose up -d --build
```
第一次会比较慢，它要自己编译，旁边还顺手拉起一堆配套的东西。跑完用一条命令看一眼。
```
docker compose ps
```
我这边最后是四个容器。
```
odysseus -> 127.0.0.1:7000 主界面
chromadb -> 127.0.0.1:8100 向量库 / 记忆
searxng -> 127.0.0.1:8080 搜索
ntfy -> 127.0.0.1:8091 通知
```
我跟你说，这步别只看那张服务表，顺手扫一眼启动日志，比表有意思多了。
```
VectorRAG ready / MemoryVectorStore ready / ToolIndex initialized
MCP server connected: Built-in: Memory (memory) - 1 tools
MCP server connected: Built-in: RAG (rag) - 1 tools
MCP server connected: Built-in: Image Generation (image_gen) - 1 tools
MCP server connected: Built-in: Browser (builtin_browser) - 29 tools
```
它跟那种随手写个 Web UI 的项目，差距就在这儿。一启动，向量记忆、网页搜索、通知、还有一整套内置 MCP 工具就都在了，光一个浏览器就挂了 29 个工具。这些东西单拎出来，哪个都不算稀奇。难的是把它们捏到一个工作台里、还能共用一套东西。这句话你先记着，后面我还要回来聊。
第三步，登录。但这不是注册。
浏览器打开 127.0.0.1:7000，先看到一个登录页。
别被这个页面误导，它不是让你注册一个云账号。Odysseus 默认就带本地鉴权，第一次启动会自己生成一个管理员账号，用户名一般是 admin，临时密码打在容器日志里。我当时差点没找着，回头去日志里捞的。
```
docker compose logs odysseus | Select-String "Temporary password"
```
登进去第一件事，改密码。这个别偷懒，后面讲安全那块我还得拿它说事，因为这个工作台手里的权限，比一般网页应用重太多了。
## 接模型这步最关键，我就栽了
第四步，这步最关键，但最容易被忽略，我就栽了。
你刚进去，主界面正中间写着一行字，Type /setup to get started。意思是先去接个模型。
我当时没看这行提示，兴冲冲跑去点 Compare 想玩多模型盲测，结果一行红字「No models available」直接把我噎住。
。。。
对，没接模型之前，它基本就是个空壳。所以正确的顺序是，先去 Settings 接一个你确定能用的模型，再去玩别的。
接模型有两条路。一条是本地模型，粘个端点 URL，比如 Ollama 的 http://localhost:11434/v1，或者直接点 Ollama、Scan 让它自己扫。这里提醒一句，要是你本机已经装了 Ollama，Docker 容器得通过 host.docker.internal 才摸得到宿主机的服务，这个 Odysseus 的 compose 里已经替你处理好了。能想到这种细节，说明作者是真知道普通人会卡在哪。
另一条是 API 模型，选 DeepSeek、OpenAI、Anthropic、OpenRouter 都行，填好地址和 key，点一下 Test 测通了再 Add。
我的建议是第一次别贪。就接一个最稳的，比如 DeepSeek 的 API，先跑通一条小任务，确认这条线是通的，再回头慢慢折腾本地模型、邮箱、日历那些重活。一上来全填满，回头出问题你都不知道是哪根线断的。
到这儿，你手里就是一台能干活的 AI 工作电脑了。
接下来才是好玩的部分，我挨个功能点了一遍，从还行的开始说，越往后越炸。
## 逐个功能实测，越往后越炸
先说 Compare，多模型对比。
同一个问题，扔给好几个模型，匿名看答案，它管这个叫 Blind 盲测，还能并排比、打乱顺序、最后用一个 Scoreboard 记分。
这个功能不花哨，但我用得最顺手。你想想，平时我们说哪个模型强，基本靠印象，今天觉得 Claude 会写，明天觉得 GPT 稳，过两天又被某个本地模型惊到。可印象这东西不顶用啊。真到自己的活上，还得拿自己的料去测。
我自己是这么玩的，同一段公众号开头，让几个模型各改一版。或者同一个 Docker 报错，让它们各给一套排查顺序。读完一眼就看出来了，谁在废话，谁还记得保留我原来的判断，谁只会把内容改成漂亮的空话。这比看那些排行榜实在多了，榜单考的是公共题，Compare 考的是你自己的题。
还行吧，挺好用，但还没到让我拍大腿。
再往上一档，Cookbook，模型菜谱。
玩本地模型的新手，卡住的地方从来不是不知道世界上有哪些模型，而是不知道自己这台破电脑到底能跑哪个。显存够不够，要 GGUF 还是 FP8，走 llama.cpp 还是 vLLM，要不要量化，下到哪去，serve 怎么起，起完怎么接回聊天。这些问题散在一堆教程里，普通人走两三步就懵了。
Cookbook 的思路是先扫你的硬件，再推荐你跑得动的，然后把下载、Serve、依赖一条龙走完。它给的不是一份干巴巴的模型名单，而是把跑起来这段最难走的路，往前替你推了一截。怕折腾又想玩本地模型的人，应该会喜欢这块。
有点意思了对吧。再往上。
Deep Research，深度研究。
这是个多步网页研究的 Agent，底层是改的阿里通义 DeepResearch。它有 Auto、Product、Compare、How-to、Fact-check 五种模式，能设研究几轮、换搜索引擎、换模型，跑完结果自动进 Library。
我对这类工具一直有个心结，所以先把丑话说前头。我的用法很固定，让它干前半段，别让它出终稿。合适的活儿是让它先把资料摊开，项目的 README、文档、issue、常见的安装错误、功能边界，先收一轮回来，剩下的判断我自己来。
为啥这么轴。因为一个研究工具如果最后只会吐一篇特别顺的报告，那其实挺危险的。报告越顺，你越容易把没核过的东西混进去，而你还看不出来。所以它那个 Fact-check 模式我反倒最看好，至少它承认了 AI 会胡说，得有一道核对。
行，到这儿还都在我预期之内。直到我点开 Tasks。
我本来以为又是个空架子，结果一打开。。。
里面开箱就内置了一堆定时任务，日历事件分类、邮件摘要、邮件自动回复、邮件打标签、聊天会话整理、文档整理、记忆整理，全是 cron 定时跑的，还分了 ACTIVE 和 PAUSED 状态。
我盯着这一屏看了挺久。
你品一下，一个 AI 工具有没有 Tasks 这种东西，基本能看出作者把它当玩具还是当工位。Agent 真要进日常，光会你问我答是不够的，它得能异步等着、定时跑、还能留下跑过的痕迹。这块它是真想到了。
跟 Tasks 配套的，还有 Library 和 Notes，专门负责把东西留下来。很多 AI 工具有个通病，干完就散，当下问得挺爽，过几天想找当时那份资料、那个判断、那段代码，又得回聊天记录里大海捞针。Library 像个资料柜，把聊天、文档、研究、归档分门别类收起来。Notes 更轻，就是个待办加提醒。
## 真正值钱的，是把零件捏到一起
但真正让我「卧槽」的，是把这些东西串起来的那层东西，Agent 加它那一堆 MCP。
这点我特别想聊。Odysseus 代码量不小，但作者没装每一行都是我原创那个范儿。它的 Agent 循环和工具执行借鉴了 opencode，硬件识别和模型推荐来自 llmfit，Deep Research 是改的通义 DeepResearch，启动的时候还把 SearXNG、ChromaDB、ntfy 凑一块儿，分别管搜索、向量记忆和通知。
有人看到这儿可能撇嘴，哦，原来是把开源项目拼起来的呀。
我跟你说，这话听着有点刺耳，但真做过产品的人都知道，把几个零件丢进一个文件夹很容易，难的是让它们共用同一套用户、共用一套权限、共用一套数据、共用一个界面、还共用一份任务状态。
还记得前面我让你记着的那句话吗，难的是把零件捏到一起还能共用一套东西。Odysseus 值钱的地方恰恰就在这。下模型、起模型、聊天、调工具、存记忆、搜资料、处理文档、发通知，全装进了一个统一的界面、一套权限里。难的从来不是某个单点功能，是那些接缝。
聊到这儿，我那个一开始想不通的问题，答案其实已经浮上来了。
我们用 AI 这么久，主角一直是模型。今天追这个，明天换那个，谁分高用谁。可 Odysseus 给的是另一条路，先把自己的工作台搭起来，再去决定今天用哪个模型。模型随时能换，但你的记忆、资料、任务、工具，留在原地不动。
主角就这么从某个大模型，变成了你自己这套工作环境。今天用本地的 Qwen 整理文档，碰上难推理的切到外部模型，晚上让 Agent 照着待办接着干。模型换来换去，你的东西还在同一个系统里好好待着。
我有时候觉得，所谓未来的 AI 工作方式，可能就是这个意思。未必是人人家里摆十张显卡，更可能是每个人都有一套自己的 AI 工作空间，而模型只是里头随时能换掉的一块零件。这事也顺手提醒了整个行业，往后比的可能不只是谁家模型分高，还有谁能把模型真正接进活儿里，谁能让数据和流程留得住。
## 该泼冷水了：它的权限大得吓人
夸了这么多，该泼冷水了。这一段你一定要看完。
Odysseus 主打本地优先、隐私优先、无遥测，听着特别美。但有两件事不能装看不见。
一件是，本地优先不等于数据永远不出门。你只要接了 OpenAI、Anthropic、OpenRouter，或者外部邮箱、网页搜索，请求照样会进到对应的服务里去。本地的只是个壳，不是全部。
另一件更要命，它手里的权限大得有点吓人。管理员模式下，Agent 能执行 shell、能读写文件、能收发邮件、能控制模型服务、能调 MCP。这不是我吓唬你，官方自己的威胁模型就直接建议，把它当成一个管理员控制台来对待，只适合可信的人、放在私有网络里，别随手丢公网。项目也大方承认了，shell 和文件系统目前还没真正沙箱化，Agent 跑的时候用的就是应用进程账号能碰到的目录。万一一个带着工具权限的会话被 prompt injection 钻了空子，那风险比普通聊天机器人高一大截，毕竟它不是说错句话的问题，它是真会动手的。
所以我的建议很朴素。先放测试机、家里的服务器或者可信内网，别裸奔到公网。别一上来就把你的主邮箱和公司核心文件接进去。要手机访问，走 Tailscale 这类可信网络，登录验证一直开着。还有，API key 别出现在截图里，.env 千万别提交到 GitHub。一个能读你文件、跑你 shell、收你邮件的东西，多花十分钟想清楚它能碰到什么，不亏。
可能还有朋友会把它跟 Hermes、Claude Code 放一块儿比，我顺手说一下我的理解。这三个其实各管一段，现在谁也替代不了谁。Odysseus 管的是工作台那一摊，本地模型、聊天、文档、邮件、日历、个人资料，统一收在一台机器上。Hermes 更擅长让 Agent 持续干活，Skill、工具调用、后台任务、长期工作流，从多个入口接管。Claude Code 呢，就是坐在你具体那个项目目录里，读代码、改工程、跑测试。社区里已经有人提议把 Hermes 接进 Odysseus 当更强的后端，不过现在还停在提案阶段，没代码也没人认领。所以别因为界面上都写着 Agent 俩字，就把它们当成一回事。
## 那它到底适合谁，谁装了会吃灰
那它到底适合谁。
我直接说。要是你已经在用 Ollama、本地模型、NAS 或者家里的服务器，那这东西挺适合你，以前散在好几个工具里的能力，现在有机会收进一个界面。愿意折腾、想自己攥着记忆和数据的人也适合，尤其是模型盲测、硬件荐模型、深度研究、跨会话记忆这几样，吸引力是实打实的。还有就是像我这样天天用 AI 写稿、查资料、跑项目、管文件的人，它能帮你把那些散落各处的活儿，收成一张能开工的桌子。
但有些人装完大概率吃灰，我也得提醒。
你要是只想要个稳定聊天框，那真没必要折腾，ChatGPT、Claude、国内那些成熟产品，开箱就能用，省事得多。电脑配置一般又非要硬上本地大模型的，先接 API 把它当工作台试一阵子，确定真需要再考虑加显卡。想直接搬进公司给一堆人用的团队，我劝你先缓缓，它涨得是快，issue 和 PR 满天飞，可公开才十来天，权限、稳定性、升级方式都还在剧烈地变。
我自己呢。我会在一台测试机上留着它，重点试四样，Cookbook 的硬件荐模型、多模型盲测、Deep Research，还有跨会话的记忆。我还想看看它能不能把文档、待办、Agent 真正串成一条线。功能列表长不难，难的是长期用下来不乱、不丢状态、出了问题还能恢复，那才是一个工作台的真本事。但重要邮件、私人资料、生产任务，我暂时不会全迁进去，端口我也不会丢到公网上。
## 七万星之外，更值得你看两眼的
说回开头那个让我盯了好几秒的数字。
十四天，七万星。热闹是真热闹。但我在意的从来不是这个数字本身，是它把一件本来只是口号的事，变具体了。我们的 AI 工作环境，不一定非得永远寄在某家公司的网页里。模型可以来自不同的公司，工具可以来自开源社区，而数据和工作流，是有机会留在你自己机器上的。
一个拍游戏视频的人，提前把这件事做出来摆给你看了。它现在还很糙，安全的口子也明摆着，我也没打算马上搬家。但它指的那个方向，我觉得比七万星本身，更值得你多看两眼。
我也不知道这套思路对你有没有用，反正我已经毫无保留地跟你聊完了。
## 相关链接
- [老爸的AI联萌](https://x.com/ChrisWangwy)
- [@ChrisWangwy](https://x.com/ChrisWangwy)
- [264](https://x.com/ChrisWangwy/status/2067074114595025043/analytics)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [10:37 AM · Jun 17, 2026](https://x.com/ChrisWangwy/status/2067074114595025043)
- [264 Views](https://x.com/ChrisWangwy/status/2067074114595025043/analytics)
---
*导出时间: 2026/6/17 15:10:09*