跨端 AI 助手开源,含计费与任务编排
Delegent AI 以 MIT 协议开放代码,涵盖移动端、网页端,以及邮件处理、应用连接和付费功能。后端使用 Cloudflare Workers、Durable Objects 与 Workflows,发送、发布或消费操作需用户确认。
AI 深度解读
Delegent AI 的作者花了六个月,主要通过指挥 AI agents 完成工程开发,做出了一款上线 Google Play 和 App Store、接入真实支付的 AI 助手。现在,作者把完整代码以 MIT 协议开源,希望有人继续维护。
对程序员来说,最值得看的不是功能清单,而是一个能处理邮件、连接外部应用、支持语音和计费的 agent 产品如何拼起来。尤其是从「每人一台机器」改成「每人一个 Durable Object」的取舍,有参考价值,但成本优势还缺少对照数据。
一个能办事的 AI 助手,需要把确认放在哪里
Delegent AI 支持文字聊天、语音输入和直接交谈。作者列出的能力包括读取与回复邮件、批量整理收件箱、查找航班延误赔偿或遗忘的退款、处理不想继续的订阅,以及规划旅行、生成信件和 PDF。
它通过 Composio 连接 Gmail、Outlook、Google Calendar 等 35 个应用,通过 OpenRouter 接入模型。这里的关键是:模型之外,还要有连接真实服务的工具,才能把对话变成操作。
凡是涉及发送、发布或花钱的动作,都要等待用户确认。
这个边界比「接了多少工具」更值得关注。读取信息与替用户产生外部影响,是两类不同的权限。作者明确写出了产品规则,但没有展开确认机制如何实现,也没有说明工具执行层如何防止绕过,不能仅凭这句话认定安全问题已经解决。
为什么从每人一台机器,改成每人一个 Durable Object
最初的版本会给每位订阅用户分配一台 Fly.io 机器,运行一个开源 agent。后来,作者改为给每个人分配一个 Cloudflare Durable Object,并认为这样便宜、简单得多。这也是作者最希望别人复用的设计。
Durable Object 在这里承担的是每个用户独立的对话状态单元,保存会话、记忆和模型循环。模型循环可以理解为:模型判断下一步、调用工具、读取结果,再决定继续还是结束。
后端一共拆成三个 Cloudflare Workers:
- 生产 Worker 统一承接所有 API 路由,并持有全部密钥。
- Agent 引擎为每位用户管理 Durable Object,并通过 Cloudflare Workflows 执行批量整理收件箱这类长任务。
- 语音 Worker 把实时语音转成普通聊天轮次。
这套拆分把交互入口、用户状态和长任务分开了。尤其是语音最终也进入普通聊天流程,文字和语音便能共用后续处理逻辑。
但「便宜得多」是作者迁移后的经验结论。原文没有账单、用户规模、任务耗时或负载数据,无法据此估算一般团队能省多少。
跨端复用之外,支付和数据权限也在源码里
客户端使用 Expo / React Native,以一套代码支持 Android 和 iOS;网页端则是 Vite/React。聊天界面放在 WebView 中,由同一个 HTML 文件在各端渲染对话。
这里有两层复用:移动端共享应用代码,各端再共享聊天界面。对于消息流频繁变化的产品,这能减少重复开发。不过,原文没有解释 WebView 与宿主应用如何通信,也没提供交互性能、无障碍或原生体验方面的验证。
数据使用 Supabase,每张表都开启行级安全策略(row-level security)。计费接入 Stripe 和 Apple in-app purchase。作者还提到约 2,500 项自动化测试,以及发布门禁和安全检查。
这些信息让项目比一个聊天演示更值得研究:它已经碰到了真实产品的数据访问、收费和发布问题。不过,测试数量不能直接说明覆盖质量,原文也没有列出具体覆盖范围。
我的判断
我认为,最有价值的是这套围绕用户状态组织 agent 的方式,以及它把多端、工具、长任务、计费接起来的完整性。相比只看模型调用示例,它更适合用来研究产品各部分之间的接口。
作者确实报告了应用上线、真实支付和架构迁移;「主要靠 AI agents 做工程」也是作者自述。但原文没有人工投入、返工比例或开发效率的对照,不能把六个月的结果直接当成 AI 编程提效证据。
源码完整,不等于克隆后就能运行。
所有原始服务账户都已撤销,接手者需要配置自己的 Supabase、Cloudflare 和模型密钥。原文也没有给出完整的新环境配置清单。
此外,「可自托管」仍有工作待补。Ollama 或任意 OpenAI-compatible endpoint 接入、Docker Compose 单机部署,都被列为待贡献事项。对于只想在家用服务器上部署的人,这个前提必须先看清。
能拿来做什么
- 做多端聊天产品时,可以研究共享 HTML 聊天界面的边界,重点检查消息、输入和宿主能力之间如何通信,再判断是否适合自己的 React Native 项目。
- 做个人 agent 后端时,可以沿着「用户状态放哪里、长任务怎么执行、语音如何进入对话」阅读代码,用自己的任务量比较 Durable Object 与独立机器方案。
- 想参与开源,可以直接从 issue #1 的一键本地启动入手。作者的目标是让新人在 10 分钟内开始聊天,这是明确且容易验收的改进。
- 想接本地模型或部署到家用服务器,应先评估 issue #2 和 issue #3 的缺口,分别对应 Ollama 等兼容端点接入,以及 Docker Compose 部署支持。