以工作区为核心 ：文件、代码、知识库、知识图谱、多维表格、数据库、画布、记忆全部结构化地组织在工作区内
在日常我们用 AI 工具推进复杂任务时，最常见的问题是：关闭浏览器后，或者新建一个对话后，上一轮的上下文就丢了。文件散落在各个目录，实验结论记在聊天记录里，中间推导过程随着标签页关闭一起消失。下次继续同一个任务，得重新描述背景、重新上传资料、重新让 AI 理解你想干什么。我们期望有更更为持久性的交互模式，基于这个理念我们设计了 AIASys[艾斯]：以任务工作区为中心的 AI 工作台。
AIASys 把"任务"变成一个持久的工作区。文件、代码执行记录、知识库检索结果、对话都留在这个工作区里。关闭浏览器不影响任何东西，下次打开工作区，一切都在原地。
AIASys 搭建了四层知识体系：文档层（RAG）→ 网络层（知识图谱）→ 数据层（多维表格 + 数据库）→ 思维层（Canvas 画布），我们期望实现从 "查资料" 到 "做研究" 的范式跃迁—— 科研人员需要的不只是找到相关段落，而是建立体系化的文件系统「工作区」：管理实验数据、代码文件、梳理思路脉络，继承所有的历史记忆并开启多分支探索。
AIASys 不是又一个 "能操作本地文件的 Chatbot"，而是第一个以 "持久化任务工作区" 为核心设计的 AI 工作台操作系统。这和一般的 Chatbot 有本质区别：Chatbot 是"一轮一问"，上下文在聊天记录里，关闭就丢；AIASys 的工作区是任务的持久载体，中间产物（文件、代码、数据、图表、知识库、图谱）都沉淀在工作区内，对话只是推进任务的入口。结果是可回看、可继续、可复用的。
三大定位核心：
- 从 "会话式" 到 "工作区式" 的范式跃迁
- Chat模式：对话开始→任务执行→对话结束→新对话→上下文丢失
- AIASys：创建工作区→持续沉淀资产→会话只是推进工作区的入口→任务可随时继续、可复用、可传承
- 从 "内容生成" 到 "知识生产" 的能力升级
- Chat：帮你写文档、做 PPT、整理文件 —— 产出的是 "内容"
- AIASys：帮你建知识库、画图谱、管数据、做分析 —— 沉淀的是 "知识体系"
- 从 "通用浅覆盖" 到 "垂直深优化 + 生态广扩展" 的路线选择
- AIASys：先把科研 / 数据分析做深做透，再通过 MCP/Skill 生态向外扩展通用场景
我们期望设计的更像一个科研化的工作流：
- 一个研究课题（工作区）下，可以同时开多条思路（多会话）
- 主线推进正式方案，支线做实验验证，互不干扰但共享所有数据和知识
- 通用的知识库、数据库放在全局工作区，所有课题都能调用
- 同类课题直接用模板创建，不用从零搭建环境
系统内核为科研和数据分析场景优化（本地代码执行、混合检索、知识图谱、多维表格），通用办公场景则通过 MCP 市场和 Skill 市场接入外部能力后同样覆盖。
- 桌面版优先：基于 Electron 薄壳，原生窗口、系统托盘、本地端口自动管理，是日常使用的推荐形态；Web 版适合临时访问和远程使用。
- 本地单机用户：当前版本默认
local/none认证模式，固定返回本地默认用户，无需登录流程，数据本地存储、代码本地执行。 - 多会话并行：同一个工作区可以同时开多条会话，主线推进和实验思路互不干扰，会话间共享文件系统，对话与执行状态各自独立。
- 三端目标：Windows、macOS、Linux。
工作区主界面按三栏组织：左侧 Activity Bar 切换当前工作区、全局工作区、数据查询、文件搜索、专家协作节点和文件变更；中间主画布承载文件树、资源、能力和各种预览；右侧当前会话侧栏负责对话、执行状态与输入。
AIASys 的核心链路围绕工作区展开。用户把任务、文件和目标放进工作区；Agent 读取当前会话、工作区和全局工作区上下文，通过默认工具、Skill、MCP 和 Python/Jupyter 运行环境推进任务；报告、图表、数据表、知识库、图谱和记忆再写回同一个工作区，后续会话可以继续使用。
除了中间主画布，左侧 Activity Bar 还提供一组直接可用的面板：当前工作区文件树、跨工作区共享的全局工作区资源、数据查询、文件搜索、专家协作节点，以及文件变更历史。能力管理（MCP / Skill / 协作专家）和全局设置则通过左下角的全局控制面板进入。
Agent 读取 15015 行销售订单、产品表和字段说明，完成数据质量检查、去重、缺失值处理、指标计算、图表生成和报告撰写。
Agent 读取工业传感器 CSV 数据，训练 IsolationForest 异常检测模型，启动后台 Monitor 推断任务，通过子 Agent 协作生成 HTML 监控面板和带图表的 Markdown 总结报告。
更多演示用例在内部评估集中维护，当前已初始化 18 个 L2 场景用例和 101 个 L1 能力测试。
创建工作区之后，可以在里面做这些事情：
从模板创建工作区。 系统内置 7 种工作区模板，覆盖空白起步、官方默认、代码开发、数据分析、论文精读、知识管理和竞赛攻关等场景。一键创建即可预置好文件结构、协作指南、示例代码和初始配置。也可以把当前工作区保存为自定义模板，下次遇到同类任务直接复用。
写代码并执行。 内置 Python Notebook 环境，基于 Jupyter 协议。Agent 编辑 cell、运行、看输出、继续改。所有执行记录留在工作区里，下次打开还能看到上次跑的结果。支持多个 Python 环境切换，系统里装了不同版本的 Python 或 conda 环境，注册之后在 Notebook 里就能选对应内核来执行。
注入环境变量。 支持全局和工作区两个级别的环境变量注入。全局变量对所有工作区生效（API Key、代理配置这类通用设置），工作区变量只对当前任务生效（数据库连接串、项目路径这类任务专属配置）。前端有面板直接管理，不需要手写配置文件。
查知识库。 上传 PDF、Markdown 等文档，系统自动分块、向量化、建全文索引。检索走混合排序（全文匹配 + 向量语义 + RRF 融合），并对向量结果应用多样性过滤，避免返回内容过于集中在单一主题。支持创建多个知识库，每个知识库独立管理自己的文档集和索引，不同任务用不同知识库，互不干扰。
看知识图谱。 工作区里的每个知识图谱对应一个独立的 SQLite 数据库文件，包含实体、关系、社区和图谱布局信息。前端读取图数据并渲染成可交互图谱。图谱工作台支持文件构图、文本构图、节点搜索、实体详情、邻接关系和图谱问答。
画布（Canvas）。 支持 JSON Canvas 格式的无限画布文件，可以在工作区内直接打开、编辑和预览。Canvas 适合做头脑风暴、思路梳理、项目规划，在无限画布上拖放节点、连线关系、自由布局。
建多维表格。 类似 Notion Database 的交互界面，定义字段类型、添加行、格子内直接编辑。每张表底层是 SQLite .table.db 文件，保存元数据、列定义和 records 表。
查数据库。 工作区里可以创建多个数据库文件用于数据分析，支持 SQLite 和 DuckDB 两种格式，根据文件扩展名自动识别引擎。也可以连接外部 PostgreSQL 等数据库。
接 MCP 和 Skill。 MCP 市场和 Skill 市场都支持搜索和浏览。你可以在市场中按关键词搜索想要的工具或领域 know-how，Agent 会帮你完成安装、配置和连接测试。MCP 扩展系统能力边界：接入 Office 相关 Server 就能处理 PPT、Excel、Word；接入通讯工具就能通过微信、飞书远程收发指令和通知；接入浏览器控制就能让 Agent 自己上网查资料。Skill 则提供数据分析、文档处理、研究探索等领域的 SOP 和脚本包，按需启用，不占用未使用时的上下文空间。
派子 Agent 并行干活。 复杂任务拆成子任务，分派给不同角色的 Agent 并行执行。主控 Agent 做协调，子 Agent 各自拥有独立的执行上下文，不会互相污染记忆。
自动化任务。 AutoTask 统一承接目标推进和时间触发。可以创建连续推进、单次、周期和固定时间任务；可以绑定当前会话继续使用同一条上下文，也可以每次触发新建普通会话。
灵活配置模型。 支持三种 LLM 接口协议（OpenAI Chat Completions、OpenAI Responses、Anthropic Messages），可接入市面上绝大多数模型提供商（kimi、DeepSeek、Qwen、GPT、Claude、Gemini、阶跃星辰 StepFun 等）。模型选择按三层作用域生效：全局默认、工作区优先、会话优先。
终端。 工作区内置 WebSocket 终端，直接连到工作区的文件系统。Agent 可以在终端里执行命令、运行脚本、管理环境。
记忆系统。 系统在工作区和会话层面维护长期记忆，会话启动时自动注入相关记忆摘要，Agent 据此了解任务背景和过往决策。
上下文和预算可见。 聊天区顶部显示当前会话的上下文占用、模型上下文窗口和会话级 token 预算。
中途确认。 Agent 在执行过程中遇到需要用户决策的节点，会主动暂停并通过弹窗询问。
远程接入。 通过 Claw 连接器接入微信、飞书等通讯平台。配置完成后，可以通过这些工具远程向 AIASys 派任务、接收执行通知。
读图识图。 Agent 可以通过 ReadMedia 工具读取和分析图片内容。
PDF 翻译。 Agent 可以调用 PDF 翻译工具，把外文 PDF 文档翻译成中文。
工作区内的文件不只是存着，大部分可以直接在界面上编辑和预览。
| 类别 | 文件类型 |
|---|---|
| 文档 | .md .markdown .mdx .txt |
| 数据 | .json .jsonl .yaml .yml .csv .tsv .xml |
| 配置 | .ini .conf .cfg .toml .properties .env |
| 代码 | .py .js .ts .tsx .jsx .html .css .scss .sql |
| 脚本 | .sh .bash .zsh |
| 特殊 | .ipynb（Notebook）.canvas（画布） |
编辑器基于 CodeMirror，支持语法高亮、自动补全、多光标编辑。
| 预览类型 | 支持格式 |
|---|---|
| 图片 | PNG、JPG、GIF、SVG、WebP |
| 文档 | PDF、DOCX（Word）、PPTX（PowerPoint）、XLSX（Excel） |
| 数据 | CSV（表格视图）、SQLite/DuckDB 数据库文件 |
| Notebook | .ipynb（完整渲染） |
| 层级 | 技术 |
|---|---|
| 后端框架 | Python 3.12, FastAPI, Pydantic v2 |
| Agent 引擎 | 自研 Agent Runtime, FastMCP |
| ORM | SQLAlchemy |
| 前端 | React 19, TypeScript, Vite |
| UI | Tailwind CSS 4, shadcn/ui |
| 文件数据库 | SQLite, DuckDB |
| 向量存储 | SQLite + sqlite-vec |
| 全文检索 | SQLite FTS5 + jieba 分词 |
| 代码执行 | 本地 Jupyter 内核 |
| 桌面壳 | Electron |
| 文件编辑器 | CodeMirror 6 |
需要 Python 3.12+、Node.js 20+。内置文件数据库使用 SQLite 和 DuckDB，外部 PostgreSQL 等数据库可以通过连接器接入。
# 装依赖
cd apps/web && npm ci
cd ../backend && uv sync
# 准备配置
[ -f config.toml ] || cp config.example.toml config.toml
# 编辑 config.toml，填 LLM API Key 和 Embedding API Key
# 起后端
cd apps/backend
export ENCRYPTION_KEY="your-secret-key"
uv run uvicorn app.main:app --host 0.0.0.0 --port 13001
# 起前端（另一个终端）
cd apps/web
npm run dev -- --host 0.0.0.0 --port 13000打开 http://localhost:13000/workspace，新建工作区，开始使用。
也可以用根目录的 ./dev.sh 同时拉起前后端。
桌面应用（推荐日常使用）：
cd apps/desktop && npm install && npm run dev或直接下载最新版本：GitHub Releases
Apache License 2.0。详见 LICENSE。