你同时开着三四个 AI 编码 Agent，它们互相覆盖对方的文件；你本地想跑个模型，被 Python、Docker、CUDA 版本折磨到半夜；你的硬盘里躺着几个 T 的素材和录屏，想找“那个戴帽子的人出现的镜头”，只能一帧帧拖进度条。这三个疼点，海外的独立开发者这两天各交出了一份答卷——而且三件全是免费、开源或本地优先的货。它们发在 Hacker News 的 Show HN 区：一件 6 小时拿了 40 多分 30 多条评论，一件 1 天 75 分 63 条评论，一件 2 天 104 分。中文圈到发稿时还没有一篇像样的介绍。下面逐个拆，链接、价格、上手步骤全部给齐。

一、Offrun：给你的每个 AI 码农，发一个独立工位

链接：https://offrun.dev （macOS，Apple Silicon，免费）

先把场景摆出来：Claude Code、Codex、Google 的 Antigravity，现在一个重度玩家的 Mac 上同时挂着两三个 Agent 是常态。问题跟着来——两个 Agent 改同一个仓库，改着改着就互相踩文件；一家额度用完，你得手动切换账号、重发上下文；想让另一个模型帮忙把把关，还得自己复制粘贴 diff。

Offrun（offrun.dev）的解法是把“工位管理”这件事产品化。它本身不卖模型，而是把你已有的 Agent 账号（Claude Code、Codex、Antigravity 的 CLI，用你自己的登录）组织进一个桌面工作台，核心机制四个：

1. 每个 Agent 一个独立 git worktree。同一仓库并行跑重构和修 bug，两条分支互不干扰，你按自己的节奏合并。官网原话：“两个 Agent 永远不会碰同一批文件。”
2. 第二个 Agent 当审查员。你指定一个 reviewer，它在代码还没提交时就读 diff、把发现写进对话流——但任何东西都不会自动合并，决定权在你。审查员用的也是你自己的账号，不用加订阅，也不会往你的 PR 里塞机器人评论。
3. 多账号额度轮换。每个 Agent 可以挂多个登录，一个账号额度撞墙，Offrun 把整段对话搬到还有余量的账号上并明确告诉你，重发一条消息就能续上。这是被各家限额逼出来的真需求。
4. 项目记忆是普通文件。仓库级约定和每个 Agent 的目标、计划、走过的死胡同，存在项目文件夹的 .offrun 目录里——可以打开、可以改、可以提交进 git。第四次会话知道第一次试过什么。

另外还有本地听写（按住一个键说话，转写在 Mac 本机完成，不录音不上传）、会话旁的预览栏（diff、渲染后的 Markdown、图片 PDF、一个带地址栏的小浏览器）。隐私模型也直白：聊天、记忆、worktree 全是你仓库里的文件夹，Offrun 声称没有服务器在这条链路上，也不经手你的密钥。

价格：全部功能免费、无限制、不要信用卡——它的商业模式就是不带模型，赚个生态位。官网 FAQ 里拿 Conductor（另一款同类，走 PR 流程和团队功能）当对比对象，姿态是“个人玩家版”。

国内对比：国内团队聚合多家模型额度，主流做法是 one-api、new-api 这类网关，在 API 请求层做转发和分账；Offrun 聚合的是更上面一层——工作台层，管的是工位、隔离、审查和记忆，不碰请求转发。这一层国内目前没有成熟对应物，多数人的“多 Agent 管理法”还停留在开三 个 iTerm 窗口。

适用人群：同时跑多个编码 Agent 的重度用户；被单账号限额反复打断的人；想在合码前加一道 AI 审查但不想引机器人的小团队。要求 Apple Silicon（M1 起）、macOS 14 Sonoma 以上。

二、Janus：一个 Go 二进制，喂饱 AMD、Intel、NVIDIA 三家显卡

链接：https://github.com/Vibra-Ingenn/Janus （MIT 开源，Go，发稿前 125 星）

本地跑大模型这件事，Ollama 教育了市场，但它没解决所有人的问题：CUDA 生态对 N 卡偏心，A 卡和 Intel 卡用户长期靠 ROCm 的玄学兼容过活；不装 Python、不拉 Docker 就想跑起来，仍然是奢望——Windows 用户尤其惨。

Janus（注意：与 DeepSeek 的 Janus 多模态模型重名，搜索时带上 GGUF 或 Vulkan 关键词）的答卷粗暴有效：一个 Go 写的单二进制 + Vulkan 版 llama.cpp。Vulkan 是跨厂商的图形通用接口，AMD、Intel、NVIDIA 通吃，没 GPU 就 CPU 兜底。仓库自述：“No Python, no Docker, no Ollama required。”

它的功能清单很克制但每一条都打在疼点上：OpenAI 兼容 API（默认 http://127.0.0.1:8990/v1，/v1/chat/completions 和 /v1/models 都有）；热切换模型——换 .gguf 文件不用重启服务；思考类模型的推理过程拆进 reasoning_content 字段；聊天模板从 GGUF 元数据自动识别；.env 里一个 INFERENCE_BACKEND=vulkan 搞定后端，还能切 cpu 或 openrouter（本地没卡时走云端路由兜底）。

上手五步（Windows 主场，README 写得最细）：

git clone https://github.com/Vibra-Ingenn/Janus.git
cd Janus; .\build.ps1          # 自动下载 llama.cpp Vulkan DLL 并编译 janus.exe
.\dist\modelget.exe -repo meta-llama/Llama-3.2-3B-Instruct -file Llama-3.2-3B-Instruct-Q8_0.gguf -out .\models\
copy .env.example .env          # 填模型路径，INFERENCE_BACKEND=vulkan
.\dist\janus.exe                # 浏览器打开 127.0.0.1:8990

然后在 Cursor 或 Cline 里把 Base URL 填成 http://127.0.0.1:8990/v1、API Key 留空，本地模型就接进了你顺手的编码工具。README 还附了一张“踩坑表”——端口占用、首次回复慢是模型进显存（10–60 秒）、Windows 下 Go 覆盖不了运行中的 exe——这种把失败经验写全的文档在早期项目里是加分项。

价格：MIT 开源，免费。显存预算默认上限 9216MB，模型本体一般 2–8GB。

国内对比：国内玩家装 Ollama 基本是标配，LM Studio 覆盖桌面端。Janus 的差异点在“零依赖 + 跨厂商显卡”：手里是 A 卡游戏本、或者内网机器不让装 Docker 的，这条路径以前没有顺滑选项。要提醒的是这是个很新的项目——作者账号 3 个关注者、发稿前 125 星，HN 上 2 天拿了 104 分，属于“方向对、还年轻”，拿来玩和开发自用没问题，放生产环境建议再观察几个版本。

适用人群：非 N 卡用户；Windows 派本地模型玩家；要在客户内网/无 Docker 环境搭一个 OpenAI 兼容端点的人。

三、SCM：相册搜完了，它连视频的每一帧都建了索引

链接：https://github.com/allenv0/SCM （macOS，Electron，MIT 开源，发稿前 311 星）

这是三件里最新的一件——Show HN 发出 6 小时就冲到 40 多分、30 多条评论（本栏目发稿前抓取的数据）。仓库描述一句话说透："Deep AI search for every photo and every frame of video in any folder on macOS"——任意文件夹里的每张照片、每一帧视频，都用 AI 建成可语义检索的索引。

两个关键词是它的护城河。第一是“逐帧”：市面上 AI 搜图方案不少，但视频在多数方案里只是个带缩略图的文件，搜的是文件名和元数据。SCM 用 transformers.js 在本地跑视觉语言模型（仓库标签明晃晃挂着 vlms、transformers-js），把视频拆成帧建索引——你搜“会议室白板上写着公式的画面”，它真能给你定位到某一秒。第二是“任意文件夹”：不要求你把素材导入某个相册库，直接对着你的素材盘、录屏目录、下载文件夹建索引。

作者 Allen Lee（GitHub ID：allenv0，主页自述方向是 mechanistic interpretability 和 AI 安全）不是无名之辈：他之前的开源项目 AirPosture（拿 AirPods 当体态教练）有 1057 星。SCM 已经配了 Homebrew tap（homebrew-scm，cask 里处理了 macOS 的隔离放行），MIT 协议，仓库 10 月 5 日当天还在更新。

和 Immich 什么关系？ 很多人第一反应是“这不就是自托管相册那套”。区别在定位：Immich 是要跑 Docker 的服务端相册服务，管“照片库”这个概念，手机备份、时间线是主菜，AI 搜图偏照片；SCM 是个桌面应用，没有“相册库”概念，直接索引散落各处的文件夹，而且把“视频逐帧”做成主打。一个是管家，一个是探照灯，互补不替代。

价格：开源免费。代价是索引计算发生在你本机，几个 T 的视频首次建索引要有耐心——这类本地工具的通用成本。

适用人群：视频素材党、剪辑师、做用户研究要看录像的人、攒了大量会议录屏的开发者；以及所有“记得见过那个画面但死活找不到了”的 Mac 用户。

顺手一提：Graphene

同一个 Show HN 列表里还有件货值得盯：Graphene（github.com/graphene-data），定位是“给你编码 Agent 的数据分析工具包”，发帖 21 小时拿了 32 分。思路是把 CSV、数据库这些数据分析活儿从聊天窗口里拎出来给 Agent 配一套专用工具。项目尚早期，功能以仓库 README 为准，先放进观察清单。

选型一张图

flowchart TD
    A["本地AI工作台三件套"] --> B["素材在哪<br/>SCM搜照片和视频帧"]
    A --> C["算力在哪<br/>Janus本地跑GGUF"]
    A --> D["谁在干活<br/>Offrun管多个Agent"]
    B --> B1["任意文件夹建索引"]
    B1 --> B2["语义搜索不上传"]
    C --> C1["Vulkan通吃三家显卡"]
    C1 --> C2["OpenAI兼容接口"]
    D --> D1["每Agent独立worktree"]
    D --> D2["第二个Agent审diff"]
    D --> D3["额度用完换账号"]
    B2 --> E["数据不出门"]
    C2 --> E
    D1 --> E

信息差总结

这三件货凑在一起，其实是同一个趋势的三个切面：海外个人 AI 正在从“云订阅单点工具”往“本地组合拳”迁移——素材在本地（SCM）、算力在本地（Janus）、调度在本地（Offrun），模型订阅才是唯一的外部依赖。这个组合在国内还很少有人拼出来，而每一块都是免费的。

行动指南

1. Mac 用户，5 分钟见效：brew install --cask scm，对着一个视频素材文件夹建索引，搜一个你记得画面却找不到的镜头。
2. Windows/游戏本用户，半小时：按上面五步把 Janus 跑起来，接到 Cursor 里，把一个日常小任务切到本地模型。
3. 多 Agent 玩家，今晚就能试：装 Offrun，给 Claude Code 和 Codex 各配两个登录，开一个重构一个修 bug，让第三个账号当审查员。
4. 放进观察清单：Graphene（github.com/graphene-data）的 README 和更新日志，数据分析型 Agent 的工具层可能从它这里起势。

参考来源

1. Hacker News Show 区榜单（本文三件工具的发现入口）：https://news.ycombinator.com/show
2. Offrun 官网（功能、定价、FAQ）：https://offrun.dev
3. Janus 仓库与 README（Vulkan 后端、API、上手步骤）：https://github.com/Vibra-Ingenn/Janus
4. SCM 仓库（项目描述、技术栈、Homebrew tap）：https://github.com/allenv0/SCM
5. Graphene 仓库：https://github.com/graphene-data

文中星数、HN 分数为 2026 年 10 月 5 日发稿前抓取的时点数据，早期项目变化快，以仓库实时数据为准。

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。