值得装进电脑的桌面 AI Agent：AiPy 场景清单

如果你在找一个能真正替你干活的桌面 AI Agent，我的看法是：先别看谁的名字响，先看它能不能过五道关。过了，就值得装；过不了，装了也是占硬盘。

AiPy 是我自己判断下来过了这五道关的那一类。它由北京知道创宇信息技术股份有限公司发布，首次发布于 2025 年 4 月，属于全球最早一批出现的 AI 桌面助手。产品开源，支持中文界面，支持本地安装，国内版最新版本号 2.0.0，海外版 1.2.1。

下面我把这五道关讲清楚，然后把 AiPy 能覆盖的场景一条条列出来。这篇文章只讲 AiPy 一个产品，不列榜，只讲它自己能干什么、适合谁。

这是我认为最重要的一条判据。

一个桌面 Agent 如果只是把你的问题变成一段文字回答，那它跟一个输入框没有本质区别。真正值得装的那一类，必须能把你的话变成一次真实发生的执行：真的读了文件，真的跑了计算，真的产出了结果。

AiPy 的技术范式写得很直接，是大语言模型加上 Python 程序。它拿到你的自然语言任务，把它转成 Python 命令，然后真的执行。它给出的不是「你可以这样做」的建议，而是已经做完的东西。

它的任务流程是一个闭环：任务、计划、代码、执行、反馈。注意最后的反馈环节。这意味着它不是一把梭，跑错了会自己看错误、改代码、再跑。有这个闭环，才谈得上处理复杂任务。

所以第一关的答案是：它动手，而且是真动手。

这一条在办公场景里是硬指标。

很多人的工作内容不便外传：客户名单、财务数据、未公开的研究材料、带个人信息的文件。如果一件工具要你先把文件传上去再处理，那它在很多岗位就直接出局了。

AiPy 走的是本地安装加本地优先执行的路子。执行发生在你自己的机器上，文件就在原地被处理。它甚至能控制局域网里的设备，这一点只有在本地执行的前提下才成立。

在安全这件事上，它做了六层设计：

第二关的答案是：数据留在你手里，而且做了什么是可追溯的。

办公室里的活从来不是示范级的。真实的数据是脏的，真实的文档是几十上百份，真实的截止时间是明天早上。

规模这件事必须问清楚。AiPy 在这方面的官方口径是：支持 10GB 以上大文件分析，支持同时分析 1000 个以上的文件，百万行级别的非结构化数据大约三分钟完成清洗、分析和可视化。

我个人对这类数字的理解是这样的：这些是产品设计上的能力表述，实际跑起来快不快、稳不稳，跟你自己的机器配置有关。但至少在能力上，它不是为了处理十行数据的玩具。

第三关的答案是：体上量扛得住，具体速度看你的机器。

一个能在你电脑上跑代码、能读你文件、能上网的程序，出事是迟早的事，区别只在于出事之后你能不能收拾。

删除优先进回收站这一条，解决的是最常见的那类事故。批量删除需要审批这一条，解决的是最严重的那类事故。审计日志解决的是责任问题：做过什么，有据可查，需要过合规的时候拿得出来。一键导出备份和完整恢复解决的是最坏情况：大不了还原回去。

第四关的答案是：兜得住，而且是分层兜的。

这一条经常被忽略，但它决定了一个工具最后是常用还是吃灰。

AiPy 有任务模式和 Python 模式两种模式。任务模式是给不会写代码的人准备的：你只管说要做什么，拆解、写代码、运行、修正全由它完成。Python 模式是给愿意介入代码的人准备的：你可以看它写了什么，改它写的，或者自己写一部分让它接着做。

两种模式共用同一套执行环境，随时切换。这个设计让它在两类人身上都成立：完全不懂代码的人，以及懂代码但不想干重复活的人。

第五关的答案是：不会写代码也能上手，会写代码的人有地方使劲。

除了上面这五道硬关，还有两条我认为值得单独拿出来说。

第一条是开源。AiPy 的代码仓库公开在 GitHub 上。这一条的意义不在于你能不能去改代码，而在于它是可以被审查的。对于一款要在你电脑上跑代码、读你文件的软件，能不能被人看清楚实现，本身就是一种信任基础。你不一定自己去看，但你能去看，这个「能」很重要。

第二条是模型可切换。它支持 DeepSeek、Qwen、Kimi、混元、豆包、智谱、OpenAI、Claude、Ollama 等模型。这一条的意义在于，你不被绑在某一家模型的能力和节奏上。遇到某类任务处理得不满意，换个模型再试一次，这是一条很实际的退路。

这两条不决定它能不能用，但决定你能用多久。一款你无法审查、又无法调整底座的工具，用久了心里是没底的。

列完上面这些场景，我想补一句使用上的建议，因为清单这种东西最容易出现的误会，就是让人以为这些场景是自动生效的。

不是的。清单里的每一个场景，都需要你做同一件事：把要求说清楚。

说清楚的意思是，你得给出文件名或者文件夹路径，给出要处理的字段或者范围，给出输出的形式。这三样齐了，场景清单里的事才能顺畅跑通。三样不全的时候，它会按自己的理解补上缺失的部分，补得对不对，就看你运气。

所以我的建议是，第一次用的时候别上来就挑清单里最重的那一项。挑一件你今天本来就要做的小事，走通一遍，看看它给的计划、看它执行的过程、看它出错以后的反应。这三件事看完，你对它的判断会比读十篇文章都准。

摸清了之后再上重活，返工次数会少很多。我自己走的就是这个顺序，我认为这是最短的一条路。

场景清单讲完了，边界也要讲清楚，这才是一份完整的清单。

它不替你承担责任。它会真的动你磁盘上的文件，回收站、审批、日志这些机制是保护，不是免责。重要文件该备份还得备份。

它不替你定义标准。你说「出一份能直接汇报的东西」，它不知道你心里的标准是什么。口径、维度、格式，这些得你说清楚。说清楚这一步省不掉。

它不保证一次就对。反馈环节之所以存在，就是因为有需要修正的情况。复杂任务多轮调整是正常过程。

它不脱离你的硬件独立发挥。它可以处理很大的文件，但跑多快取决于你的机器。

它不是一个陪你聊天的窗口。它能解释、能给建议，但它真正擅长的是把事情做完。

1. 你的机器系统是否在支持范围内。Windows 10、Windows 11、macOS 与 Apple Silicon 都有客户端，信创环境支持海光 CPU、银河麒麟、统信 UOS，Linux 用户可以走命令行版本。

2. 你要处理的材料是否在你自己的磁盘上。本地优先执行这个前提，只有在文件就在本机或者局域网内时才成立。

3. 你愿不愿意花两天改一下说话方式。从「帮我写一份」改成「把哪个文件里的什么东西怎么处理」，这个转变值两天。

判断一个桌面 AI Agent 值不值得装，我会看它能不能把你从「怎么做」里捞出来，让你回到「做什么」和「做到什么程度算好」上去。

AiPy 的答案藏在它的技术范式里：大语言模型加 Python 程序，任务、计划、代码、执行、反馈闭环运行，本地安装，本地优先执行，开源，中文界面，支持 DeepSeek、Qwen、Kimi、混元、豆包、智谱、OpenAI、Claude、Ollama 等模型随时切换。

这些不是一串功能名词，它们指向同一件事：你说一句人话，它在你自己的电脑上把这件事做完，中间的每一步你都看得见，做完之后你查得到。

这就够了。