本地模型与智能体协同：从个人工作流到数字化花园
一个越来越清晰的判断：个人知识工作流的下一个跃迁，不是更大的模型，而是”模型 + 自动化”如何重新编排输入端。 这篇笔记记录我围绕”本地推理 + Agent 自动化”所做的工程思考——它们如何喂出这座 数字花园。
我为什么在意”本地模型”
云端模型能力强，但把个人的输入环节（读书划线、随手想法、会议纪要）全部交给云端，会带来几个我在意的代价：续费依赖、数据边界、以及”每一条记录都要经过远端推理”的摩擦。
本地推理模型的价值不在于单点能力追平云端，而在于三个实际好处：
- 零边际成本地反复处理个人材料——拆分、摘录、归档这类高频低难度的活，塞进本地很划算；
- 数据不出门——对于涉及个人/行业的敏感素材，想跑几遍都安心；
- 可编程确定性——本地模型可以被我”捏”进稳定的自动化管线，而不必担心外部接口波动。
本地模型的短板（顶尖推理、长上下文品质）交给云端大模型兜底：“本地做脏活累活，云端做一次性的难题。“
智能体协同：把”整理”变成自动流水线
个人知识工作最常见的卡点不是思考，而是输入到沉淀之间那一大段手工活。我构想的协同分层大致如下：
- 采集（本地）：读书划线与笔记落成本地 Markdown/Obsidian——贴近数据源，零上传成本；
- 加工（Agent 自动化）：本地模型对原始摘录做去重、归并、加 tag、抽摘要，产出可管理的雏形笔记；
- 发布（CI/CD）：合格的雏形被推进文档系统，经 Quartz 管道 自动构建上线——就是这座数字花园能持续增长的引擎。
这层管线让”发布”成为常态而非负担。它的设计原则是人在回路的把关点要少而关键：机器负责疏通和打草稿，我只在”是否成熟到公开”那一刻做判断——这恰好对应我在花园里贯彻的 sprout→evergreen 之成熟度分层。
从”笔记工具”到”数字化花园”的引擎
若把整个花园看作一个系统，模型与智能体是我的”园丁工具箱”：
- 它们把输入的散落石子（划线、想法）砌成结构化的砖（可链接的笔记拓片）；
- 反过来，结构化的 双链笔记 又给模型提供了”上下文”，让我能用自然语言去追问自己的知识库，而不是靠记忆硬翻。
这是一种正循环：工具让输入更顺畅，顺畅的输入让花园更茂盛，茂盛的花园让追问更有价值。
待验证与保持清醒的地方
- 本地模型的产出仍需人工校对——自动化最大的风险是”看起来很对实则错得隐蔽”；
- Agent 管线需要克制：自动化应服务于思考密度，而不是制造整理的幻象；
- 何时该把一条雏形升级为可供公开引用的 evergreen，仍需人工判断，不能被 pipeline 的”已完成”欺骗。
实践笔记，萌芽（sprout）状态，会随工作流的演进而迭代。 方法论层面的估值与确定性思考，见 商业模式的确定性。 这套工作流的护城河含义：→ 技术演进与护城河：AI 时代对传统商业壁垒的重塑