开发者拟打造AI编程助手调度中心实现多模型接力协作
速览
该工具旨在解决不同AI编程助手间无法自动协作的痛点，通过构建“调度中心”实现多模型接力工作。其核心功能包括统一界面管理多个AI模型、自动创建独立Git分支进行隔离开发，以及正在开发的链式编排流水线。开发者正寻求社区对流程定义方式及“CEO模式”等功能的反馈。
AI 深度解读
背景
随着大语言模型（LLM）在软件开发领域的渗透，各类 AI 编程助手如 Claude Code、Codex、Gemini CLI 等相继涌现。这些工具各自具备独特的优势：有的擅长代码生成，有的精于代码审查，有的则在逻辑推理上表现优异。然而，当前的生态存在明显的“孤岛效应”——不同模型或工具之间缺乏原生协作能力。开发者往往需要手动复制上一个工具的输出，再粘贴到下一个工具中作为输入，这种割裂的工作流不仅效率低下，还容易引入人为错误，阻碍了 AI 辅助编程从“单点提效”向“全流程自动化”的演进。
在此背景下，LINUX DO 社区发起了一项关于构建开源 AI 协作调度中心的讨论。该项目旨在解决上述痛点，通过构建一个统一的“调度中心”，实现不同 AI 代理（Agent）之间的自动接力与协作，从而打造更完整、更高效的 AI 编程链路。
核心内容
该开源工具的核心设计理念是构建一个“调度中心”，让具备不同专长的 AI 模型能够像流水线一样接力工作。其基本工作流示例如下：
- 节点 A（分析需求）：负责分析用户需求并编写接口定义。
- 节点 B（代码实现）：接收节点 A 的输出，根据接口定义编写具体的实现代码。
- 节点 C（代码审查）：接收节点 B 的代码，进行审查并提供反馈。
整条链路运行完毕后，代码将自动合并到主干分支。用户只需定义好这条逻辑链，点击启动，后续过程全自动执行。
目前该项目已实现以下功能：
- 统一界面集成：在一个界面中同时接入 Claude Code、Codex、Gemini 以及 Hermes 四家主流 AI 服务，提供统一的聊天交互体验。
- 隔离与自动化 Git 管理：每个 Agent 执行任务时，系统会自动创建独立的 Git 分支（利用 worktree 进行隔离），确保各任务互不干扰；任务完成后，系统会自动处理合并操作。
- 链式编排开发中：上述的 A→B→C 流水线编排功能正在开发阶段。
为了完善产品形态，项目发起者向社区提出了四个关键问题以收集反馈：
- 工作流痛点验证：开发者日常使用 AI 编程时，是否存在希望不同工具自动接力的具体痛点？
- “CEO 模式”可行性：是否支持让一个主 AI 将大任务拆解为小任务，并分发给不同的 Agent 并发执行？
- 交互方式选择：前端是采用拖拽连线的方式定义任务流程（可视化流程图，每个节点对应 Agent + Prompt），还是采用编写配置文件的方式更为实用？
- 功能缺口挖掘：用户是否一直渴望但现有工具未能满足的其他功能？
该项目强调纯交流性质，明确不商业化。工具基于 Node.js 和 TypeScript 开发，支持本地部署，承诺不触碰用户数据，且完全开源。
关键要点
- 解决协作断层：核心目标是打破 Claude Code、Codex、Gemini CLI 等单一 AI 助手之间的壁垒，实现自动化的输入输出流转，消除手动复制粘贴的低效环节。
- 多模型统一接入：支持同时挂载 Claude Code、Codex、Gemini、Hermes 等多家 AI 服务，通过统一界面进行交互，降低多工具切换成本。
- 工程化隔离机制：利用 Git worktree 技术为每个 Agent 创建独立分支，确保并行或串行任务的环境隔离，并在完成后自动合并，符合现代软件工程规范。
- 可视化编排探索：正在探索通过拖拽连线的方式定义复杂的 AI 工作流（DAG），每个节点可配置特定的 Agent 和 Prompt，旨在降低工作流构建的技术门槛。
- 本地优先与隐私保护：基于 Node/TS 技术栈，支持本地运行，强调数据隐私，承诺不上传用户代码或数据，适合对数据安全敏感的开发者。
- 社区驱动迭代：通过开源形式收集开发者关于“CEO 模式”（任务拆解与并发）、交互界面偏好及潜在功能需求的反馈，以指导后续开发方向。
意义与影响
这一尝试标志着 AI 辅助编程正在从“单点智能”向“多智能体协作（Multi-Agent Collaboration）”范式转变。
首先，它解决了当前 AI 编程工具碎片化的问题。通过标准化不同模型间的交互协议，开发者可以将不同模型的优势组合起来（例如用 Gemini 做推理，用 Claude 写代码，用 Codex 做审查），从而获得比单一工具更高质量的输出。
其次，引入 Git worktree 隔离和自动合并机制，将 AI 生成代码纳入了标准的版本控制流程。这不仅提高了代码的安全性，也使得 AI 生成的代码更容易被集成到现有的 CI/CD 流程中，为 AI 大规模进入企业级软件开发奠定了基础。
最后，该项目的开源性质和本地部署策略，回应了开发者对数据隐私和工具可控性的关切。如果其提出的“CEO 模式”和可视化编排方案被证明有效，可能会催生出一类新的“AI 工作流引擎”，让非专业程序员也能通过配置简单的逻辑链，利用强大的 AI 集群完成复杂的软件工程任务。