过去两年我拆过不少 Agent 工具,它们的共同点是把 Agent 做成一个更聪明的终端:你敲一句话,它去调工具、读文件、写代码。

但有件事一直没被解决:Agent 跑起来了,人却守在旁边等。跑三个任务就是三个终端窗口,跑十个就是十条消息流。人成了瓶颈,而且是那种最笨的瓶颈——大部分时间在等,偶尔需要在某个窗口里回一句“是,继续”。

Alma(yetone / 陈皓)想解决的就是这一层。它是一个桌面 + 移动的 Agent harness,同时还是开源项目 herdr 的图形客户端。这个“双重身份”不是噱头,而是理解它的钥匙。

本文基于 Alma 与 herdr 的公开文档做拆解,先讲它是什么,再讲我认为最值得抄的六个设计,最后说它和其他 harness 相比强在哪、弱在哪。

一、先说清楚 Alma 是什么

它有两个身份:

一、本体:一个完整的 harness。 20+ 内置工具、MCP、Skills、语义记忆、Artifacts、内置浏览器 + Chrome Relay、本地数据库、多模型(OpenAI / Anthropic / Gemini / DeepSeek / OpenRouter / 任何兼容 API),对话中途可以换模型。

二、herdr 的图形客户端。 把 herdr 里跑着的 Claude Code / Codex / pi 面板读成对话——工具调用、子 Agent、文件改动按序排好,随时能切回真实终端。

一个反直觉的事实:Alma 本体不开源。主应用没有公开仓库,公开的只有发版仓库 yetone/alma-releases 和 MIT 协议的插件 API 包 alma-plugin-api(npm 上最新 0.1.2)。真正开源的那一半是 herdr——Apache 2.0,herdrdev/herdr、herdrdev/herdr-app、herdrdev/herdr-core 三个仓库。

先记住这个事实:Alma 与 herdr 的分界线,恰好划在“通用 harness”和“专用客户端”之间。

二、最有用的六个特性

1. 把「谁在等你」做成状态,而不是窗口

Alma 侧边栏的 agent 视图按状态分组:Needs input / Working / Done。

这可能是全文最重要的一句话。它和“再开一个终端窗口”的区别是根本性的:

  • 终端模型里,状态藏在标题栏、进度条里,或者你得切回去扫一眼才知道。
  • Alma 里,状态是一等的、可推送的。Agent 卡住等你拍板时,桌面通知推给你;iPhone 端也能收推送、直接回。

herdr 侧还提供 OSC 7501 开放状态协议:任何程序只要 printf '\e]7501;state=blocked:app=my-agent\e\' 就能上报自己的状态。它不是私有 API,而是终端里的一个公开约定——你的脚本、你的 CI、你手搓的小 Agent,都能被 Alma 收进同一个收件箱。

还有一个容易被忽略的细节:herdr 的 Agent 跑在常驻的 herdr-core 服务里。关掉窗口、升级客户端、甚至客户端崩了,Agent 还在跑。你回来时它还活着。

2. 工具调用交给另一个模型(Tool Model)

Alma 把四件事从主模型里拆出来,交给一个单独的轻量模型:选工具、抽参数、读写记忆、给线程自动命名。

收益直接体现在账单和延迟上:

  • 主模型只负责思考与回答;
  • 工具模型用廉价的快模型(官方推荐 gpt-4o-mini / claude-haiku-4-5 / gemini-2.0-flash),文档明确要求响应 < 2.5s,并且不要用推理模型(o1 / o3 / extended thinking)当工具模型——那会让每一次工具选择都变慢变贵。

现在多数 harness 是“一个大模型包办一切”,每调一次工具都要走一次昂贵的大模型往返。Alma 等于给 harness 的调度层单独做了一次降本降延迟。设置在 Settings → General → Tool Model,默认自动探测。

3. 看得见的记忆

Alma 的记忆走的是 抽取 → 语义嵌入 → 每次回答前检索,而且每一条都摆在你面前:可以改内容、设重要度(0–1,越大越优先召回)、打标签、选持久性(Permanent 永不自动删 / Temporary 维护时可能被剪枝)、看来源(Chat / Manual / Auto),也能删、能一键 Clear All。

默认参数:Max Retrieved = 10、相似度阈值 0.7、Query Rewriting 开启。嵌入模型默认 text-embedding-3-small,也能换成 3-large、Google 或任意 OpenAI 兼容端点,甚至 Rebuild Embeddings。

对比一下常见做法:

做法 记忆长什么样 谁来维护
CLAUDE.md / AGENTS.md 你手写的文件 你
主流 harness 的 session memory 自动塞进上下文的一段 黑盒
Alma 自动抽取 + 语义检索,每条是一行可见、可改、可删的记录 你(可审计)

这不是“更聪明的记忆”,是记忆的公共设施。还有 Incognito Mode:这一轮对话既不建记忆也不检索记忆。

要说清楚的是:Alma 的记忆同样会落成文件,Claude Code 也有文件式的自动记忆,两者都“看得见”。真正的差别不在存不存得下,而在怎么被找出来——Alma 走的是带嵌入的语义检索,相似度阈值、重要度、持久性都是可调参数;而文件式记忆只有在你恰好写进去的时候才生效。

4. Chrome Relay:浏览器操作要带回执

这是我认为 Alma 工程做得最扎实的一块。它不是“开一个远程浏览器给你看”,而是接管你自己正在用的 Chrome(走 CDP 扩展),继承你的登录态。链路是:

AI Chat → ChromeRelay tools → Alma Server → WebSocket → Chrome Extension → chrome.debugger → Your Tab

真正让我觉得值得抄的是它的回执语义。

ReadDom 返回的不是 DOM Dump,而是一张可交互元素地图:

e11 link "Pull requests" <a#pr-nav> href=/pulls sel=#pr-nav

e11 这样的 ref 可以直接当 selector 用;被遮挡的元素会明确标出来:[hidden: covered at its click point by <div.modal-overlay>]。

而 Click 的返回值是结构化的:

{
  "success": true,
  "matchCount": 1,
  "matchedIndex": 0,
  "element": { "tag": "a", "id": "pr-nav", "text": "Pull requests", "href": "/pulls" },
  "navigated": { "from": "...", "to": "..." },
  "openedTabs": []
}

matchCount 告诉你选择器是不是太松(命中多个就是有歧义)。Type 会区分“不存在 / 不可输入 / disabled / readonly / 写入未生效”几种失败,而不是笼统报个错。Eval 会 await Promise,回传真实值和 JS 类型。

最有分量的规则是:人点不到,Agent 就不许点。 display:none、visibility:hidden、opacity:0、transform:scale(0)、零尺寸、被上层浮层盖住点击点、left:-9999px 这种屏幕阅读器专用技巧,一律拒绝;要强行点必须显式传 allowHidden: true。仅仅“滚出视口”不算,会先滚动再点。

浏览器 Agent 最大的失败模式就是“点了个看不见的东西,然后报告成功”。Alma 把“点击成功”定义成可审计的事实:点了哪个元素、匹配了几个、有没有发生导航、开了哪些新标签页。

其余 11 个工具是:ListTabs / Navigate / Click / Type / Screenshot / Read(Readability 转 Markdown)/ ReadDom / Eval / Scroll / Back / Forward。本地 WebSocket 默认端口 23001,需要 Auth Token;一键启动要求先完全退出 Chrome(要靠 --load-extension 挂扩展)。

5. Artifacts:把答案变成能跑的东西

HTML(隔离 iframe 沙箱)、React(JSX 编译、hooks、内置 Tailwind)、Mermaid、SVG、代码高亮,都在对话旁边开一个可交互预览面板:能刷新、全屏、下载、看源码、拖拽调大小。React / HTML 项目还能直接起 dev server(Bun + Vite),带状态、日志和热重载。

它解决的是 LLM 界面一个老问题:模型给你一段 HTML,你得复制到文件里、用浏览器打开、再改、再贴回去。Artifacts 把这个来回压缩成“就在旁边”。

6. 本地优先,和一条端到端加密的中继

对话存在你自己机器的数据库里,API Key 直接连服务商,不经过 Alma 的云。手机端配对走 Alma relay 时是端到端加密的,也可以同一 Wi-Fi 直连;iPhone 端还能直接看并操作 Mac 屏幕(Remote Screen,需要录屏 + 辅助功能权限,仅 Mac)。

再补两个 Alma 自己特有的小设计:

  • MCP 输出安全模式:MCP 工具可以在 _meta["alma/outputSafetyMode"] 里声明 exact(原样保留)/ compact(允许压缩大文本)/ passthrough(跳过压缩,适合二进制负载),也支持在 description 里写 [alma-output-safety: exact] 兜底。源码、ID、结构化数据必须 exact,日志和搜索结果才配 compact。这是在解决 MCP 生态里一个真实但被普遍忽略的问题。
  • Prompt Apps:把常用 prompt 做成带表单的模板(Text / Select / Checkbox / Date / File…),可以钉死模型、工具集、推理强度、隐身模式,绑定快捷键,导出 JSON 分享。

三、和别的 harness 比,Alma 强在哪

先摆一张形状对照表(信息截至 2026 年 11 月,依据各项目公开文档):

工具 形态 多模型 记忆 MCP 操作真实浏览器 手机可达 能接管别的 Agent 吗 开源
Claude Code 终端 + 桌面 + Web 仅自家(改 base URL 可换) CLAUDE.md + 文件式自动记忆 ✅ ❌ 云端任务间接可达 ❌ ❌
Codex CLI 终端 + 云端任务 ❌ AGENTS.md ✅ ❌ 云端任务间接可达 ❌ ✅ Apache-2.0
Cursor / Cline / Roo IDE 内 ✅ 规则文件 ✅ 部分 ❌ ❌ Cline / Roo ✅
OpenCode 终端 + 桌面 + Web ✅ 会话文件 + Instructions ✅ ❌ opencode pair 配对网页(无推送) ❌ ✅
Goose 桌面 + CLI ✅ 内置 ✅(原生扩展) 有限 ❌ ❌ ✅ Apache-2.0
Alma 桌面 + 移动 ✅ 语义检索、逐条可见 ✅ ✅(带回执) ✅(推送 + 远程屏幕) ✅ 仅插件 API

(表格依据各项目公开文档与仓库:Claude Code、Codex CLI、OpenCode、Goose。截至 2026 年 11 月。)

需要先说清楚一件事:“有个图形界面”本身已经不构成差异了。 到 2026 年 11 月,Claude Code 有桌面版和 Web 版,Codex 有云端任务,OpenCode 有终端、桌面和 Web 三种形态(opencode pair 还能生成一次性配对链接,从别的设备打开它的 Web 界面),Goose 有桌面版和 CLI。也就是说,“装个 GUI”这件事,大家都做过了,Alma 不比别人多一块屏幕。

真正值得说的差异只有三条:

第一,Alma 的竞争维度不是模型能力,而是注意力调度。 别的工具都在比“谁更会写代码”,Alma 在比“你怎么知道哪个 Agent 现在需要你”。当 Agent 从 1 个变成 10 个,“等待”本身就成了主要工作。这一层目前几乎没人认真做——OpenCode 的 pair 链接能让你在手机上打开界面,但那是“远程控制一个 Agent”,不是“收一箱等待你回复的 Agent”。

第二,Alma 是唯一把“别人的 Agent 进程”收进同一个 UI 的。 IDE 插件是在编辑器里加一个 Agent;Alma 是在所有 Agent 外面加一层 UI。Claude Code、Codex、pi 的转录被直接读取,你甚至不用改它们的任何配置——Alma 自己找 socket(HERDR_SOCKET_PATH → <config>/herdr/sessions/<name>/herdr.sock → <config>/herdr/herdr.sock),也会读你的登录 shell 环境。

第三,本地优先 + 自己的 Key,这在 2026 年已经是稀缺属性。 对话、设置、记忆都在本机;Alma 只是 UI 层。配合 iPhone 端推送到“谁需要你”,它成了少数能真正做到离开电脑也不失控的 Agent harness。

顺带说一句 herdr 自己的设计,它比 Alma 更激进:herdr 里 Agent 可以派生 Agent(hc run --bg codex "review my diff. Done: hc send t1"),子 Agent 跑完把报告回灌给主 Agent(<hc from="t3 reviewer">)。一个 Agent 评审另一个 Agent 的产出,这是把 Agent 从“工具调用者”变成“同事”的开始。

这里才是“哪一半开源”值钱的地方:Alma 只是 herdr 的客户端之一。 herdr-core 开源,意味着你可以自己编译一份,让 Alma 连上去读面板;将来就算出了别的客户端——一个纯 TUI、一个只负责推通知的小机器人——接的还是同一个 socket。反过来看,如果哪天 Alma 不更新了,你手上的 agent 基础设施还完整地留在 herdr 里。

而 Alma 的“本体”那一半恰恰是通用 harness:它不依赖 herdr 也能独立当工作台用。这才是它敢把两个身份塞进同一个产品里的底气——一个是可替换的前端,一个是可以独立存在的工作台。

四、它的短板,也得说清楚

客户端不开源。 想改核心只能靠插件 API(TypeScript,MIT),而插件生态还很小:alma-plugin-api 最新 0.1.2,近 30 天下载量 89 次,注册表 yetone/alma-plugins 也刚起步。herdr 全套 Apache 2.0 可以自己编译,Alma 只能等作者。

文档跑在功能后面。 reasoning 页的支持模型表里还留着 o1-preview、o1-mini、Claude 3.5 Sonnet;安装指南还写着 Linux “coming soon”,下载页却已经放出 AppImage / deb / rpm。以文档为准容易踩空。

herdr 侧的限制是真实的。 跑在 tmux 里的 Agent 没法上报状态;机器重启或服务停掉后不会自动恢复 Agent(只恢复面板 shell);TUI 与新 app 是两个独立程序,不共享 Agent。

Chrome Relay 有前置条件。 要装扩展,一键启动要求 Chrome 完全退出;新开的标签页默认不挂 debugger,Chrome 要求逐标签授权——这是 Chrome 的安全模型,不是 Alma 的 bug,但“自动化一段跨标签流程”确实会在这里卡一下。

依赖关系要想明白。 Alma 的 herdr 视图需要本机跑着 herdr-core。不装 herdr,Alma 就是一个普通桌面 harness——作者自己说“不接 herdr,它本身也很强”,这个自评是准确的,不是场面话。

五、适合谁,不适合谁

适合:

  • 同时跑多个编程 Agent,需要一个统一收件箱的人;
  • 想在手机上收到“我需要你确认”并直接回复的人;
  • 想自建本地优先、带 MCP / Skills / 可审计记忆的桌面工作台的人;
  • 想在真实 Chrome(带登录态)里让 Agent 干活,同时要求每一步可审计的人。

不适合:

  • 追求纯终端效率、讨厌 GUI 的人——herdr TUI 更合适;
  • 必须要可审计、可自托管全栈源码的团队——OpenCode / Goose 这类更合适;
  • 需要在 IDE 内做 diff 审查的人——Cursor / Cline 更顺手;
  • 只想聊点什么的——它比不过一个网页聊天窗口。

六、上手路径

  1. 装桌面端:macOS dmg / Windows x64.exe / Linux AppImage·deb·rpm,或 alma --install;
  2. 装 herdr:curl -fsSL https://releases.herdr.dev/app/install.sh | sh,把 Claude Code / Codex 跑进它的面板;
  3. Alma 侧边栏切到 agents 视图(Mac 上是 ⌘⇧A),它会自动找到本机 herdr 服务,不用改你现有的用法;
  4. 手机端装 TestFlight 版,扫码配对,开始收推送;
  5. Chrome Relay:装扩展 → 填 Auth Token → 授权你要操作的标签页。

顺便一个辨析:npm 上的 @alma-harness/*(loop / memory / runtime / conversation / batch / execution / single-call,0.41.0,Apache-2.0,仓库是 FabioFernandesCarneiro/alma)跟 yetone 的 Alma 没有关系,是另一个作者做的同名项目。搜索的时候别搞混。

结语

Alma 真正的贡献不是又一个聊天窗口,而是给“多 Agent 并行”这件事补上了一个人机界面:谁在跑、谁卡住了、谁在等你,一屏之内看得清楚,手机上随时能接。

在这个前提下,其他那些功能——独立工具模型、可见的记忆、带回执的浏览器操作、Artifacts——才站得住脚:它们解决的不是“Agent 能不能做事”,而是“人和一堆 Agent 一起做事时,账算不算得清、动作查不查得到、界面会不会把流程撑爆”。

如果你已经在同时开三四个终端窗口做 Agent 编排,Alma 值得花二十分钟装上试试;如果你就是想安静写代码,它的 TUI 替代品和那个笨办法都还在。

评论