一个 macOS 原生应用，管理持久的多 AI 协作场景，随时恢复、互不干扰。
为什么要做这件事
过去一年，我们团队一直在用 AI 编程工具做端侧持续学习的研究。最初只有一两个人，一个终端窗口跑一个 Claude 或 Codex 就够了。但随着团队规模增长，随着研究复杂度提升，我们遇到了四个问题。
新同学上手太慢
新加入的同事——包括海外的同事——需要花大量时间理解项目环境、配置工具链，才能开始真正的研究工作。我们积累了大量数字智力资产，却缺少一个快速复用它们的入口。
并行实验代价太高
优秀的同学不断提出需求：我想同时开两三个实验，用不同的参数、不同的假设。但单一环境下做到这一点极其脆弱——目录冲突、进程串线、状态污染，任何一个都能毁掉几天的工作。
单一模型做不好一件事
实际经验反复告诉我们：不能让同一个模型既写代码又审代码，甚至同一个模型的不同版本也不行。最有效的组合是 Codex 负责执行、Claude 负责审核——多模型协作才能把事情做对。甚至加入本地模型支持的 Hermes 等等，让多个高质量模型支持 Agent 一起协作。
实验中断就前功尽弃
一个研究实验往往持续多天。中途关机、切换任务、甚至只是重启一下终端，之前的对话上下文、工作进度、环境状态就全丢了。我们需要随时暂停、随时恢复，让状态管理不再是负担。
这四个问题本质上是同一件事：我们缺少一个真正为多 AI 协作设计的本地基础设施。市面上的工具要么是云端的，数据得上传；要么是单 Agent 的，没法让多个 AI 配合；要么是一次性的，关掉窗口一切归零。要么就是被供应商锁定，适配繁琐；没有一个工具同时解决隔离、协作、持久化这三个问题。
所以我们自己造了一个。
AI Collab 是什么
AI Collab 是一个 macOS 原生应用，也是一个可以通过命令行使用的自动化工具。它做的事情用一句话概括：把你本地的 AI 编程工具组织成一个有记忆、能协作、可恢复的团队。
它的核心概念是场景（Scenario）。一个场景就是一个持久的工作房间——它拥有自己独立的代码工作区、独立的参与者、独立的协作路由和独立的生命周期。你可以同时开十个场景，每个场景跑不同的实验，它们之间完全隔离，互不干扰。
一个真实的使用场景
你在研究一个模型优化方案。你开一个场景叫 "research-kv-cache-policy"，里面放两个参与者：一个 Codex 当分析师，负责写代码和跑实验；一个 Claude 当审核员，负责 review 代码和检查结论。它们通过消息系统互相发送 review 请求和反馈。下班了，关掉场景。第二天回来，一键恢复——Codex 接回昨天的对话，Claude 也记得自己审到哪了。
多模型协作：不是噱头，是必须
这一年以来我们踩过的最深刻的坑就是：让一个 AI 自己写代码、自己审代码，结果一定是自欺欺人（尤其同一个模型簇的不同模型，始终会受限于相同的 RL 水平的制约）。
你不能把任务交给一个专家，而是应该让多个专家来协作完成一件事情。
AI Collab 让你在一个场景里配置多个参与者，每个参与者是一个独立的 AI 实例。你可以选择不同的模型、不同的角色、不同的权限。通过协作策略，你定义谁能给谁发消息、什么类型的消息需要回复、什么类型的消息只是通知。
任何项目都能用
AI Collab 不绑定任何特定项目。它通过一个通用的适配器协议理解你的项目结构：你只需要在项目根目录放两个配置文件，描述一下项目有哪些仓库、怎么组织、环境怎么搭建。
如果你的项目目录下还没有这些文件也没关系——在 App 里选择一个目录注册项目时，AI Collab 会自动扫描目录结构，帮你生成配置草稿。确认之后就能直接开始创建场景。
我们自己就是第一个用户。AI Collab 管理的第一个项目就是我们自己的 EdgeStudio，一个非常完备的 Harness 环境，一个横跨十几个仓库的端侧 AI 研究平台。我们每天用 AI Collab 开场景、跑实验、做 code review。今天你看到的这篇文章里提到的代码改动，就是在 AI Collab 的场景里完成的。
今天开源
AI Collab 今天以 MIT 协议正式开源。你可以：
- 下载 dmg 直接安装
- 从源码编译
- 写自己的项目适配器
- 贡献代码
我们不认为多 AI 协作是一个小众需求。随着 AI 编程工具越来越强，「一个人配一个 AI 助手」的模式会迅速进化成「一个人指挥一个 AI 团队」（这里说的可不是 OPC 那玩意儿）。这个团队需要隔离的工作空间、需要可靠的通信、需要可恢复的状态管理。这些就是 AI Collab 提供的。
如果你也在用多个 AI 工具做开发或研究，如果你也受够了每次重启都要从头配置环境，如果你也希望不同的 AI 能真正互相配合而不是各干各的——欢迎试用，欢迎反馈，欢迎一起来建设。