https://charenix.com/alfred/demo

【Alfred|讓 AI 在你睡覺的時候,把工作準備好】
開源下載連結在下面連結。
最近又發布了一個新的開源專案，然後一為朋友問我：「那 20 個 agent 平行跑的東西到底是什麼」，我想了很多種方式要跟他解釋，但後來我覺得直接給他看Demo讓他看畫面或許比較簡單：
https://charenix.com/alfred/demo
先說一個情境。
早上七點,你還沒醒。你的 AI 已經把今天三個會議要看的檔案撈好、發現其中一份報價單跟上週版本不一樣、注意到你昨天提過的那個 V121 土地檔已經備好、列出兩件還沒結的待辦。等你打開手機,它跟你講人話:「早安。今天的工作項目與專案進度我幫你準備好了。」
這不是科幻場景。這是
https://charenix.com/alfred/demo
那個 demo 已經在做的事。
再舉一個更日常的。客戶在 LINE 上丟一句:「上次那份報價,你有更新版本嗎?」一般情況你要切視窗、找雲端硬碟、翻資料夾、比對檔名、開兩份對照,順利的話三分鐘,不順利十五分鐘。Alfred 現在做到的是：同一句 LINE 訊息進來,「1 秒」內把對應檔案位置拉出來,順便告訴你它跟前一版差在哪。它不是「比較聰明」,而是它「事先」已經把工作記憶準備好了。
第三個場景。下午三點,你下一個會議是談專案合作的條件確認。Alfred 在你進會議前的二十分鐘,已經把甲方提供的密文圖片做完 OCR、跟你前次紀錄的條件做交叉比對、把不一致的兩處標出來、把相關合約條款片段抓出來放在工作記憶裡。你坐下來,打開手機,它直接跟你講:「兩個條件跟上次紀錄不一致,要我列出來嗎?」這就是省下你三十分鐘前置準備的方式,不是它取代你思考,而是它把瑣碎的找、對、比、整理替你預先處理掉了。
問題是,大部分人現在用 AI 的方式,本質上是「foreground token burn」——你每問一句,它就在前景燒一次雲端 token,延遲一次、計價一次、貴一次。問十次貴十次。長期看,是雲端帳單黑洞。
Alfred Parallel Claw走的是反方向。它的核心命題只有一句:
「Background cognition instead of foreground token burn。」
背景認知,而不是前景燒 token。
該花錢的合成,留給真的需要合成的時刻；不該花錢的(找檔案、對行事曆、跑 OCR、查規則)，用本地、用 SQL、用 IR、用小模型搞定。
這是 Alfred 真正的 wedge。不是「20 個 agent 一起跑很快」這種 feature claim,而是成本曲線的重寫。
我把架構拆給你看,不要被「AI Agent」這四個字模糊掉。
Alfred 整個系統有四層,你可以把它想成一間公司的四個部門:
【Alfred 本體】——你看到、你用的那個產品,等於是公司的對外窗口。iOS 語音、Safari、LINE、Telegram 都接好了,你習慣怎麼工作,它就配合你那個介面工作。
【Afu Brain】——認知、記憶、路由、安全、學習。它是第二大腦,不只是 safety library。它決定一個請求進來該由誰處理、要不要存進長期記憶、有沒有觸碰到隱私邊界、學到了什麼下次要更聰明。
【Afu】——高效能本地 runtime 加上檔案地圖。它知道你機器上有什麼,而不是把所有東西丟到雲端。Afu 是 Alfred 在地化思維的物理載體,沒有 Afu,所有東西都得跑雲端,這套系統就跟其他 LLM wrapper 沒有差別。
【Parallel Claw】——平行執行引擎,前景的 specialist 跟背景的 worker 都在這層跑。它讓 20 個任務同時動,而不是排隊一個等一個。
最後再加一道 【MASL 閘門】：不可逆動作之前,預設擋下、要你確認。這不是 UI 裝飾,是 Phase 1 已經做過跨模型驗證的安全層。
五階段管線講白話就是：「使用者請求」 → Afu Brain → 20 個平行 worker → 本地工作記憶 → 「閘門核可」。
20 個 worker 才是這套系統會省錢的關鍵。
聽到「20 個 agent」,大部分人第一反應都是「那不就要燒 20 倍 token?」這個直覺是被 ChatGPT 那種 single-call 對話模式訓練出來的,放在 Alfred 上完全錯。
Alfred 的 20 個 worker 大致分三類:
第一類,「大多數是非 LLM 的」——檔案 mapper、行事曆 lane、channel adapter、trace 記錄、記憶 retriever(快取命中)、規則式 policy lane、portfolio lane。這些用 SQL、用資訊檢索、用確定性程式跑完，token 成本是零。
第二類,「真的需要 LLM 的少數」——draft writer、summary writer、evidence reader、dissent lane、final synthesizer。這幾個才需要呼叫好模型,也是這套系統真正花錢的地方。
第三類,「混合的」——risk scout、privacy guard、quality reviewer、document OCR(視覺加文字)、approval gate、price lane、message lane。混合代表能省則省、該叫前沿模型的時候才叫。
所以「20 個 agent」聽起來貴,實際上比「1 個 GPT-4 反覆來回對話 30 輪」省很多。差別在於誰負責什麼。把昂貴模型用在合成,把廉價路徑用在檢索與規則,成本曲線就彎下來了。
具體數字,demo 頁面上都看得到:
・「30,000 個檔案」,事先 index 好放在工作記憶裡。
・從一則 LINE 訊息進到對應檔案,「1 秒」完成檢索回傳。
・一張密文圖片,「14.3 秒」完成 OCR 加結構化抽取。
・「20 個 worker」 同時平行跑。
・任一次執行,「預設兩個動作」會被閘門擋下、等你親自核可。
不是樣品 demo、不是 mock。是已經部署、可以打開來看的真實系統。
順帶講一下,為什麼我在這個架構裡這麼堅持「能在地化的就在地化」。
我不反雲。雲該用的時候我照用,我十六年前就在帶 IaaS 架構,雲是我的本科。我堅持本地化是因為三件事。
第一,「隱私不是口號,是預設值的問題」。你跟 AI 講的工作內容、客戶資料、家人健康狀況,沒有理由要先送到別人家的伺服器才能被處理。能在你機器上算的,就在你機器上算,雲只在合成關卡才上線。這不是潔癖,是該有的工程預設。
第二,「成本不只是錢,是延遲跟可靠性」。每一次雲端 round-trip 都是兩百毫秒起跳的延遲,加上模型負載高峰時的等待。把確定性的事情丟在本地,你的 1 秒檢索才有可能;丟雲端,光網路就吃掉幾百毫秒。
第三,「控制權」。你的工作記憶在你機器上,你能備份、能搬家、能完全清除。在別人家的雲上,你只能相信他不亂用。長期看,只有你能控制的資產才是你的。
順便認真講一下 MASL 閘門為什麼重要,因為大部分人聽到「approval gate」就想成多餘的彈窗。
不是。MASL 處理的是「不可逆動作」這個邊界。寄出去的 email 收不回來、轉出去的款項追不回來、刪掉的檔案救不回來、發出去的合約改不掉。這些動作 AI 預設不能直接執行,要先把意圖、上下文、可能後果攤開來、讓你看一眼再點下去。
這條線在 LLM agent 領域是被嚴重低估的。我在 MASL 系列論文裡花了一整個 phase 把它做成可驗證的框架,而且在不同模型上交叉驗證過。Alfred 的閘門不是裝飾,是這條研究線的工程落地。
最後,Alfred 適合誰、不適合誰,我講清楚,免得有人興沖沖點進去然後失望。
適合：工作牽涉大量檔案、客戶訊息、合約條款、會議準備的人；在意成本曲線、不想被雲端帳單綁架的人;對隱私有最低要求、不想把工作資料丟給未知伺服器的人;願意花一點時間設定一次、之後讓系統替你跑的人。
不適合：覺得 AI 應該全線上、零設定、跟我聊天就好的人;只想要一個「看起來很厲害的 demo」拿去 pitch 的人；不願意把工作流程梳理一次、只想要一鍵神奇的人。
Alfred 不是魔法,它是工程,是把我過去十二年的基礎設施直覺、四個架構層、二十個 worker、五階段管線,組合成一套真的能在你日常生活裡省下你時間的系統。
如果你看完想試試看怎麼開始,我給一個最簡單的路徑：先去看 demo，搞清楚它在做什麼；然後挑你工作上最常重複的那一件事——通常是找檔案、整理會議、追進度、回客戶——想想看「如果這件事 AI 能在每次執行的時候，都以最快最短的時間以及最小的花費完成,我每週能省幾小時省多少錢?」這個問題的答案,就是你會不會需要 Alfred 的答案。
如果你也在 burn 雲端 token,如果你也覺得每次跟 AI 對話都像在跳錶計費，試著安裝看看我設計的，感受一下，我把這些全部做成開源：
https://github.com/norika1207-lab/alfred-system
意見、討論、不同意都可以丟過來。寫這篇不是為了賣什麼,是因為這個方向值得多幾個人理解。
#AI #PersonalAI #LocalFirst #Alfred