local-coder Vibe 项目

项目简介

local-coder 是一个开源项目，旨在把本地运行的大语言模型变成一个私有的、可被验证的编程智能体团队。项目构建在 Ollama（本地模型推理引擎）和 OpenCode（编码智能体框架）之上，核心思路是：不仅让本地模型跑起来，而是围绕它建立一套完整的生产级工作流，包括硬件感知角色分配、自适应任务编排、可选验证机制和可撤回的配置管理。

项目的核心原则是「智能体说的话不等于证据，仓库状态才是」。模型声称它修改了文件或运行了测试，这不算数；local-coder 让独立的验证智能体去检查仓库真实状态，确保产出可被验证。

核心功能

硬件感知模型推荐：安装后自动检测本机内存、GPU、磁盘和可用上下文上限，结合模型目录推荐最合适的 Ollama 模型，不浪费资源也不超出能力边界。

七种专业角色分配：根据检测结果自动将模型分配到探索者、规划者、实施者、验证者、研究者、审查者和协调者七种角色，各司其职协同完成编码任务。

权限受限的工作流生成：根据角色分配生成受限的 OpenCode 配置，每个角色只能访问和操作规定范围内的文件，防止越权操作。

能力探针测试：在正式使用前先运行一系列探针测试，验证每个模型是否真正能产生结构化的工具调用，而非只是生成看起来像工具调用的文本。

独立验证机制：实施者的产出由独立的验证智能体检查，而非实施者自证，防止模型伪造成功状态。

干运行预览（Dry Run）：在不下载任何内容的情况下展示推荐模型、下载量和文件变更，先确认再执行，避免资源浪费。

多档位预设：提供 balanced、quality、fast、minimal 四种预设，其中 minimal 模式可复用单个模型同时担任所有七个角色，适合硬件有限的用户。

交互式向导：无子命令运行时自动启动交互式向导，引导用户完成从模型选择到环境配置的完整流程，每步都有确认提示。

技术实现

local-coder 的技术架构分为几个层次：

硬件检测层：通过系统调用检测可用内存、GPU 型号和数量、磁盘空间，结合 Ollama 模型元数据计算出本机能够承载的模型规格范围。这一步解决了「我的机器能跑什么模型」的根本问题。

模型编排层：在 Ollama 提供的 REST API 基础上，local-coder 为每个角色创建独立的 Ollama 上下文实例（context variant），相同模型可以被多个角色复用，权重不重复下载。角色之间通过任务合约（task contract）传递信息，而非共享状态。

验证层：独立的验证智能体负责检查文件是否真正被修改、测试是否真正通过。验证逻辑基于文件系统状态对比和命令执行结果，而非模型自述。

配置管理层：配置文件默认写入 ~/.config/opencode 全局路径，使用 --project 参数可写入项目本地配置，支持与现有 OpenCode 配置共存不冲突。

整个项目使用 Node.js 编写（20及以上版本），依赖 Git 和 ripgrep 提升编码智能体的工作质量，项目本身通过 npm install && npm link 完成安装。

快速上手

第一步：安装依赖

安装 Node.js 20+、Git、ripgrep，然后克隆项目并完成本地安装：

git clone https://github.com/gmarland/local-coder.git cd local-coder npm install npm link

第二步：下载 Ollama 和 OpenCode

从 ollama.com 下载安装 Ollama，从 opencode.ai/docs 安装 OpenCode，确保两者在终端中可用。

第三步：干运行预览

先看不下载，了解推荐模型和所需资源：

local-coder --dry-run

第四步：执行完整配置

确认干运行输出后，启动交互式向导完成模型下载和 OpenCode 配置：

local-coder

向导会依次询问预设选择、自定义模型分配等，完成后终端会输出启动命令，按提示执行即可进入智能体编码环境。

适用人群

适合对本地 AI 推理有需求、关心数据隐私（不希望代码上传到第三方 API）的开发者，以及希望在本地构建可靠编码智能体工作流的个人开发者和小型团队。不适合没有 GPU 或内存低于 9GB 可用空间的设备。