HomeRail
⚠️ 核实（2026-10-02）
- Star 984 / Fork 221（此前记 955/213），最后推送 2026-09-25，仍在更新
- MIT + TypeScript，与笔记一致
- 仍未发 1.0——此前笔记里「观望等它更新」的三个信号（发 1.0、语音 UI、生成式 UI）一个都没触发
一句话
跑在自己家服务器/NAS 上的 AI Agent 工作流编排运行时——把「和 AI 聊一次天」变成看得见、可审计、可重放的工作流。名字 = Home（跑在你自己的机器上）+ Rail（轨道，工作沿明确轨道在节点间流动，而不是堆在聊天窗口里）。
基本信息（2026-09-15 核实）
- 仓库：xiaotianfotos/homerail
- 数据：955 Star / 213 Fork；2026-07-07 创建，9-13 仍在更新（两个月涨到近千星，上升期项目）
- 语言/协议：TypeScript，MIT 开源
- 官方描述：Voice-first local agent orchestration runtime for auditable DAG workflows
- 姊妹仓库：
homerail_resources（相关资源、技能、部署素材）
它解决什么问题
在聊天窗口里让 AI 干活的三大痛点：过程是黑盒（看不到里面发生了什么）、产物是一次性的（没法复用）、上下文是膨胀的（塞成一个巨型线程）。HomeRail 的答案是 DAG（有向无环图）：把工作拆成一张流程图，多个 agent 各守一站，每次交接有记录、每次运行能重放、能打分（scorecard）、能评估。
四大件（当前成熟度）
- DAG 运行时（最成熟）：多 agent 编排、显式交接、按运行隔离的工作区、运行重放、评分卡
hr命令行：start / config / doctor / run / smoke / dag supervise / scorecard / eval-run / replay- 语音面：ASR/TTS/VAD，默认中文；agent 动手前会跨多轮确认意图；语音推荐配 Codex harness（只有它能边干活边播报进度）
- 生成式 UI（探索中）：agent 不倒日志和 JSON，而是生成「一眼能看懂」的界面
设计哲学（最值得学的一条）
「聪明的头脑，高效的 worker」——最贵的模型不该什么都干。每个 DAG 节点独立上下文窗口：只拿需要的交接内容，干完把证据交给下一站。模板里可以给每个节点配不同模型：最聪明的负责规划和审查，便宜的负责大部分执行。
——这和 09-10 学到的教训（V4.1 爱自己开 37 个子 Agent 导致成本反增 36%）正好是对照：HomeRail 是受控版的多 Agent——分工明确、上下文隔离、成本可控。也和用户的模型组合哲学（量大的管饱、能干活的干重活）同源。
架构一览
| 包 | 职责 |
|---|---|
| homerail_protocol | 共享消息契约（单一真相源） |
| homerail_manager | Manager 服务 + DAG 协调器（语音/生成式 UI 契约） |
| homerail_node | Node 服务，用 Docker 拉起 Worker |
| homerail_worker | Worker 运行时（Claude Agent SDK 及兼容后端适配） |
| homerail_cli | hr 命令行 |
| agent-ui | 浏览器 UI |
两种用法：对 Manager Agent 说话（语音端到端）；或让自己的 coding agent 直接驱动 hr CLI（调校 DAG 时更顺手）。
和我的关系
- 与云服务器计划直接对口：HomeRail 的定位就是「常驻于家庭数据中心的 agent」——必须跑在不休眠的机器上。如果买云服务器/NAS，这就是候选用途之一：自托管的「Butler Plus」（语音入口 + 工作流编排 + 全程审计）
- 与 Butler 对照：Butler 是飞书上的常驻助理（定时任务+对话），HomeRail 是自托管版，多出 DAG 编排、运行重放、评分卡这些「工作流资产」能力
- 上手门槛：Node.js 20+、Docker、一个兼容 Claude Agent SDK 的模型端点——部署是技术活，但 README 本身写成 agent 可读的 runbook，可以让 AI 照着装
具体可落地的场景评估（9-15）
| 现状 | HomeRail 之后 |
|---|---|
| 账单/数据核验：每次在 TraeWork 里现聊，流程靠口头 | 存成固定 DAG：拉数据 → 核验 → 异常汇总 → 出一页摘要，一句话重跑，全程留痕 |
| 定时任务失败（如日记任务断在半路）：只能靠晨检提醒+人工猜原因 | 每步有运行记录，hr replay 直接重放看断在哪 |
| 多模型成本：贵模型全程陪跑 | 按节点配模型：规划/审查用 deepseek-flash，执行用便宜模型 |
| 报告输出：长篇文字 | 生成式 UI：出「一眼看懂」的摘要卡片 |
- 诚实的结论（9-15）：现在不动。现有 TraeWork 定时任务 + Butler 已覆盖日常；HomeRail 需要一台不休眠的机器（被云服务器计划卡着）、部署要折腾、项目还在早期。定位：云服务器到位后的「第一件装的东西」候选，第一条试点 DAG 选账单/核验类流水线
- 用户决定（9-15）：观望，等它更新。 重新捡起来的信号：①用户买了常开的机器（真正的开关，其他都是次要）；②项目发布 1.0 或语音/生成式 UI 明显成熟；③账单核验这类活重复到烦、值得固化成流水线
语音/「贾维斯」评估（9-15）
- 用户真正感兴趣的点：对话功能能不能像贾维斯（钢铁侠的 AI 管家）
- 已经很像的部分：你说中文 → 它跨多轮确认理解（动手前消除歧义）→ 把请求规划成 DAG → 多个 agent 分头干活 → 干活时实时语音播报进度（目前只有 Codex harness 能做到，从推理流自动合成解说音轨，其他 harness 执行中是静默的）→ 完成后生成「一眼看懂」的界面。语音链路 ASR/TTS/VAD 默认中文
- 还不是贾维斯的部分：①要凑近有「桌面语音壳」的设备，不是全屋随叫随到；②不会主动找你（是你叫它，不是它叫你）；③不管智能家居（灯、空调那些不在它的管辖里）；④对话自然度是「实用件」拼装，不是电影级实时对谈；⑤全程依赖一台不关机的机器
- 想摸到这个体验的清单：一台常开的机器（云服务器/NAS）+ 桌面语音壳 + Codex 模型端点 + 可信局域网（手机浏览器的实时语音默认关闭，需显式开启）
相关笔记
- Butler · Claude Code · Archify · Mac mini
相关日记
- 2026-09-15 - 首次了解