osFoundry 這套桌面 AI 工作空間是什麼，又分成哪些區域？

星期一早上 9:40，瀏覽器開著四個分頁：一個拿來問問題的聊天機器人、一個因為不太信任第一個而開的第二個聊天機器人、一個裝了程式碼 agent 的編輯器，還有一個存著上週研究資料的筆記 App。每個工具都只知道你工作的一部分，沒有一個知道全貌。還沒到午餐時間，你已經把同一段背景說明貼進三個不同的視窗了。

用一個 App 取代五個分頁

osFoundry 是一套桌面 AI 工作空間：在同一個 App 裡，你可以和 AI 模型聊天、把工作交給 agent 和 agent 團隊、保存筆記和可搜尋的知識、在自己的電腦上執行開放模型，還能做出團隊可以使用的小型 App。模型可以來自三個地方：你自己的電腦、透過你自己的 API 金鑰連接的雲端供應商，或是租用的雲端 GPU。App 依類別分區，每個類別底下有好幾個畫面。Chat 是和模型對話的地方（Maestro、Multi chat、Branchspace 等）。Workstation 是 agent 處理較長工作的地方（Code、Agent、Agent team、Loop、Terminal）。Knowledge 存放你寫的東西以及 AI 記住的內容。Local Model 用來尋找、安裝和測試開放模型。Custom App 用於內部工具，Discover 則用於網路研究和新聞。如果你用過 VS Code，最接近的比喻是一個有活動列的編輯器，每個圖示打開不同的工具，只是這裡的工具都是 AI 介面，而且共用同一組專案、記憶和模型。

一個典型畫面長什麼樣子

大多數人都從 Chat 類別開始，所以這裡很適合用來了解 osFoundry 的畫面是怎麼組成的。下面是 Council 模式下的 Multi chat，使用的是範例資料：三個模型被問了同一個問題，接著互相替對方的答案評分。

上方的分頁列（Maestro、Model chat、Multi chat、Research、Wiki、Code）用來切換 Chat 區域的各個介面：完整的 Maestro agent、附引用來源的單純問答聊天、同時使用多個模型、深度研究、程式碼文件，以及程式碼 agent。
Compare / Council 切換鈕決定模型怎麼協作。Compare 把答案並排顯示，讓你自己判斷。Council 則讓模型各自作答、在不知道作者的情況下互相排名，最後寫出一份綜合結論。
每一欄是一個模型，並標示供應商：這裡是 Anthropic、Ollama（在本機執行）和 OpenAI。雲端模型和本機模型可以放在同一個畫面裡混用。
右側面板顯示這次執行的各個階段（Answers、Ranking、Synthesis）和 Peer review 分數表，讓你看到誰給了誰幾分，而不是只讀最後的答案。
Run 按鈕在你按下之前就會告訴你這次執行會呼叫幾次模型（這裡是「Run · 7 calls」）。關掉同儕排名，這個數字就會變少。

osFoundry 有很多畫面都遵循這個模式：左邊是清單，中間是主要工作，右邊是檢視面板，顯示結果是怎麼產生的。

獨立開發者的第一週

Ken 一個人經營一家小型網路商店。他想要一個了解自己程式碼的 AI，也希望有一部分工作能留在自己的筆電上。

星期一，他打開 Local Model，再進入 Explore。這個畫面會先讀取他的電腦規格（這個例子是 16 GB 記憶體），然後在每個開放模型上標示 Fits、Tight 或 Too big。他安裝了一個綠色標籤的模型，在 Playground 問了它幾個問題。Playground 會把同一個 prompt 同時丟給兩個模型並排執行，並顯示各自多快開始回應。

星期二，他要修改一個格式化價格的函式，但不確定有哪些地方依賴它。他在 IDE 裡打開專案，對函式按右鍵，選擇 Show Code Graph。

這個面板列出所有呼叫端，標示哪些關聯是直接從程式碼讀出來的、哪些只是推測，並在 Impact of change 中統計可能受影響的符號、檔案和測試數量。他點一下呼叫端就能跳到那一行，再用 Send to chat 把這張圖帶進和 Maestro 的對話。

到了星期四，他已經開始把小任務交給程式碼 agent。在 ADE 畫面中，每個任務都有自己的 worktree，Changes 分頁會顯示 diff。他在不認同的那一行旁邊點一下邊欄，輸入一則註記，然後把所有還沒送出的註記一次傳給 agent。這一週結束時，他有了一個處理快速問題時信得過的本機模型，也養成了重構前先檢查影響範圍的習慣。

小團隊主管的第一週

Aiko 帶領四個人，每兩週發布一次版本。她的問題不在寫程式，而是掌握每個人（不管是人還是 agent）正在做什麼。

她從 Message 開始，也就是團隊聊天。頻道和私訊的用法跟 Slack 一樣，只有一點不同：AI agent 也是頻道成員。有人在 #release 裡 @提及某個 agent，它的回覆和執行紀錄就會回到頻道中，大家都看得到。

接著她在 Workstation 裡建立一個 Agent team。由一個領導 agent 協調各個專業成員，畫面把 Team mail、Handoffs、Sub-agents 和 Proposals 分成不同分頁，方便她稽核誰把什麼交給了誰。對於每次發布都要做的檢查，她把這個團隊變成一個 Loop：設定觸發條件（例如平日早上）、回合數和重試次數的上限，以及成功條件。Loop 會一回合一回合地執行，直到條件全部通過，並記錄每一回合通過了哪些條件。

當好幾個 agent 同時處理同一個儲存庫時，她會使用 Code。每個 agent 都有自己的分支和 worktree，不會自動合併任何東西。她選取兩個已完成的執行結果，按下 Preview combined merge，在任何變更碰到主分支之前就看出哪些檔案會衝突。

做逐行審查時，她用的是跟 Ken 一樣的註記功能：註記釘在程式碼上，連同檔案、行號和程式碼一起傳給 agent。這一週結束時，她有了一個能看到 agent 工作成果的頻道、一個會自動執行的發布檢查，以及一個在合併之前而不是之後進行的審查步驟。

研究者兼寫作者的第一週

Lena 撰寫關於職場政策的長篇報告。她需要可以查證的來源，而且以前就吃過 AI 自信滿滿卻答錯的虧。

遇到單一模型的答案不夠可靠的問題，她會用 Council 模式的 Multi chat，也就是前面介紹過的那個畫面。當兩個審查者都給某個答案低分，她就知道要再深入查證。

比較大的問題，她會打開 Agents，按下 New session，選擇現成的 Deep Research Team。領導 agent 會把問題拆成幾個部分，分別交給 Data Researcher、Search Specialist 等成員。

另外有一個審查者會在每個步驟送到她手上之前先檢查，沒有來源的步驟會被退回並重新執行。最後的答案是一張每一列都附上來源的表格，另外附上一段簡短說明，指出來源之間哪裡有分歧、哪些部分沒有涵蓋到（截圖中為範例資料）。

實際寫作則是在 Knowledge 裡進行。在 Paper 中，她把草稿裡的一句話標起來，替它附加一個思考空間，裡面有 Academic search、Browser，或只討論這一段的 Maestro 工作階段等分頁。輔助檔案和留言則放在 Note 裡。在 Discover 中，她把搜尋存在 Browser，並在 News 追蹤關鍵字頻道，這樣為一份報告讀過的資料，下一份報告還用得到。

各個區域如何互相傳遞工作

這些類別不是各自獨立的產品，而是會互相接手工作。Local Model 是最底層：你從 Explore 安裝的模型，會出現在 Maestro、Multi chat 和 agent 工作階段的模型選單中。

Knowledge 為 Chat 提供資料：Memory 顯示 Maestro 對你的工作知道些什麼，Indexed Folders 則讓你選擇 agent 可以搜尋哪些資料夾。Agent 工作階段、Agent team 的執行和 Loop 都會回報到 Message 頻道。Workstation（同名的那個畫面）可以把頻道、筆記、檔案和 agent 工作階段並排開在同一個版面裡。當你用 agent 做出來的東西應該變成團隊工具時，它就會移到 Custom App，在那裡一個 Room 會把團隊的 App 和該團隊專屬的 Maestro 聊天放在一起。這一切用到的金鑰和供應商設定都在 Configuration 裡。想看完整地圖的話，平台總覽列出了每一個畫面。