Agent Chief - 本地優先的智慧注意力守門員

解決什麼

現代開發者每天被各種"需要注意"的資訊轟炸:Agent 心跳報告、CI 構建結果、RSS 訂閱、監控告警。大部分是"一切正常"的零資訊噪音,少數真正緊急的反而被淹沒。Chief 是一個本地部署的智慧過濾層,坐在你和所有資訊源之間,用三級判斷引擎決定每個事件該:立即打斷你(🔔)、派發給 Agent 處理(🤖)、還是歸檔到記憶庫(📚)。官方演示顯示 24 個事件進來,14 個直接攔截,6 個批處理,3 個派發處理,只打斷你一次,攔截率 96%。

為何火

專案在 17 天內獲得 1003 stars,核心吸引力在於可解釋的本地 AI 決策。不同於黑盒 SaaS 通知管理,Chief 的每個判斷都帶有:五維評分(緊急度/相關性/可操作性/新穎度/置信度)、匹配的規則、LLM 推理成本(DeepSeek 價格下每千事件 $0.104)、完整決策鏈可用 chief trace 回溯。它用 Shadow 模式執行 7 天只觀察不打斷,讓使用者先驗證判斷質量再授權。所有資料存在本地 SQLite 和 Markdown,無雲服務無遙測,策略檔案 POLICY.md 可直接編輯立即生效,符合開發者對透明度和控制權的需求。

核心功能

三級過濾引擎:硬規則(微秒級,正則+關鍵詞)→嵌入相似度分類器(毫秒級,過濾"All clear"類空報告)→LLM 判斷(僅邊界案例)。官方資料顯示 75% 事件在前兩級解決,最吵的 25% 在微秒內免費攔截。

場景感知時機:同一事件在"深度工作"場景可能立即打斷,在"睡眠"場景會進摘要。支援自定義場景(通勤/會議)和每場景的打斷閾值。

驗證式派發:Agent 報告"完成"後,Chief 會二次驗證(執行驗收命令或 LLM 複查),失敗則關閉任務,避免虛假"Done"。

學習與可編輯策略:使用者的 👍/👎 反饋訓練每主題的 EMA 權重,每晚蒸餾成人類可讀的 POLICY.md。手動編輯立即生效,無需重訓練。自帶 100 使用者學習基準測試,路由一致性從 0% 收斂到 100%。

協議而非管道:統一 POST /v1/events 介面(或 MCP propose,或命令列 chief push "…"),任何工具幾分鐘接入。支援 Telegram Bot 雙向互動。

安裝

零配置演示(完全離線,無需 API Key):

uvx agent-chief demo

持久安裝:

uv tool install agent-chief  # 或 pip install agent-chief
chief init                   # 60 秒嚮導,所有問題可跳過
chief run                    # 啟動常駐程序 + 本地控制台(127.0.0.1)

可選安裝嵌入模型增強相似度過濾:

pip install agent-chief[embeddings]

適合誰

被通知淹沒的開發者:執行多個監控 Agent、訂閱大量 RSS、CI 頻繁觸發的團隊。典型場景是心跳 Agent 每小時報"All clear",Chief 的嵌入相似度過濾專門攔截這類零資訊報告。

需要本地部署的隱私敏感使用者:所有資料在 ~/.chief 的 SQLite 和 Markdown,無雲端依賴。中國大陸使用者可用 DeepSeek 等國內 LLM 後端,無需梯子。

要求決策透明的工程師:每個判斷可追溯到具體規則、Prompt 版本(v1/v2)、Token 消耗。Prompt 變更必須通過 200 案例黃金集的 eval diff 才能合併。

不適合:需要移動端 App 的普通使用者(目前僅 CLI + 本地 Web 控制台),或希望開箱即用 SaaS 的團隊。

社群評價

暫無足量社群公開討論,以下為基於專案本身的中立評估:

專案在短時間內獲得千星關注,主要因其工程化的可解釋 AI 決策設計。README 包含實測指標(96% 攔截率、70% 快取命中、$0.104/千事件成本),每個數字可用 make readme-metrics 從確定性演示重現,這種"可證偽"的透明度在 AI 工具中罕見。401 個離線測試、200 案例黃金集、100 使用者學習基準的測試覆蓋顯示作者對質量的重視。

潛在爭議點:專案仍處 Beta 階段(v0.7.0),僅 2 位貢獻者,長期維護能力待觀察。學習演算法基於簡單的 EMA 權重而非深度學習,對複雜偏好的擬合能力有限。MCP 協議支援是亮點,但生態整合案例尚少。

選型對比

vs 商業通知管理(如 PagerDuty/Opsgenie):Chief 完全本地免費,但缺少團隊協作、排班、升級策略等企業功能。適合個人開發者或小團隊,不適合需要 On-call 輪換的 SRE 場景。

vs Zapier/n8n 自動化:Chief 專注"該不該打斷"的判斷,而非工作流編排。兩者可互補:n8n 做事件路由,Chief 做最終的注意力守門。

vs 自建規則過濾:Chief 的增量是 LLM 判斷邊界案例 + 學習反饋閉環。純規則系統處理不了"這次 CI 失敗是否值得立即看"(取決於分支、作者、歷史),Chief 的場景感知和相似度檢索能覆蓋這些灰色地帶。

已知坑

LLM 後端依賴:雖然支援降級到純規則模式,但核心價值在 LLM 判斷。需自備 OpenAI/DeepSeek 等相容 API,官方推薦 DeepSeek(成本低+國內可用)。

Shadow 模式 7 天:首次執行不會真正打斷,需手動確認 chief shadow --end 結束試執行。急性子使用者可能覺得"不工作"。

嵌入模型可選但推薦:不裝 sentence-transformers 會跳過相似度過濾,攔截效果打折扣。首次載入模型需下載約 400MB。

單使用者設計:所有配置在 ~/.chief,多使用者共享機器需各自安裝。團隊共享策略需手動同步 POLICY.md。

Python 3.12+ 要求:利用了較新語法特性,老系統需升級 Python 或用 Docker(雖然官方未提供映象)。