Natively — 免费开源 AI 面试 Copilot与会话助手

「那些售价$149/月的面试作弊工具，存了8.3万人的面试录音然后数据泄露了。Natively 用你自己的钥匙、你的模型、在你自己的机器上运行。$0。」

一、痛点场景：为什么有人愿意为面试辅助工具每月付$149？

想象你正在参加一场紧张的 Google L5 技术面试。屏幕共享里，面试官正在白板上画系统设计图；你需要在回答架构问题的同时，脑子里快速检索上周看过的某个 SRE 文档片段，同时还要保持眼神接触、语速稳定。

传统的解决方案是：把笔记贴在另一个屏幕上，或者用浏览器标签页偷偷查资料。但这会让面试官知道你「在作弊」。

Cluely、Final Round AI、LockedIn AI 这类产品抓住了这个痛点——它们在屏幕角落显示一个 AI 助手浮窗，实时转录会议内容、分析面试官屏幕，并生成「你应该说什么」的提示。价格从 $20 到 $149 每月不等。

问题是：它们把你面试时说的每一个字、转录文本、屏幕截图都存在云端服务器上。2025年中，Cluely 发生了数据泄露事件，8.3万名用户的个人信息、完整面试转录和屏幕截图被暴露。

Natively 的作者 evinjohnn 就是在这个背景下决定做一款完全不同的产品。

Natively Logo

图1：Natively 项目图标

二、项目起源：像素级复刻 Cluely，然后继续迭代

Natively 最早是作为一个「Cluely 的像素级开源复刻」出现在 GitHub 上。作者 Evan Johnson 在项目文档中毫不避讳地承认：界面和交互逻辑完全参考 Cluely，因为「如果你用过 Cluely，就不需要任何学习成本」。

但 Natively 没有止步于「克隆」。从 2026 年 1 月首次提交到 6 月，它已经经历了从简单的转录浮窗到完整智能会话系统的演进。根据仓库的 Phase Status 文档，项目正在推进「Natively Intelligence OS」——一个更底层的智能引擎架构，涉及 STT 中继选择、令牌成本优化、实时截图理解等多个子系统的重构。

目前项目在 GitHub 上拥有 1454 颗星，据 README 声称有 9000+ 用户和 700+ 日活。虽然是 Electron 桌面应用（非 Web 服务），但活跃度相当可观。

三、技术架构：Electron + TypeScript 前端 + Node.js 后端的多层架构

3.1 整体架构

Natively 采用经典的 Electron 分层架构：

前端渲染层（src/）：React + TypeScript，使用 Vite 构建。45KB 的 App.tsx 是核心入口，224KB 的 SettingsOverlay.tsx 处理所有设置界面，257KB 的 NativelyInterface.tsx 是最大的组件文件，负责主交互界面的渲染。
Electron 主进程（electron/）：Node.js，处理所有系统级操作。main.ts（269KB）和 ipcHandlers.ts（282KB）是最核心的两个文件，通过 IPC 与渲染进程通信，处理截图、系统音频捕获、LLM 调用等。
LLM 引擎（electron/llm/）：AnswerPlanner.ts（151KB）是最大的文件，负责「回答规划」——基于上下文决定 AI 应该生成什么内容。此外还有 AnswerValidator.ts（代码合理性检查）、ConversationSummarizer.ts（对话摘要）等专业模块。
RAG 系统（electron/rag/）：本地向量检索系统。使用 SQLite + sqlite-vec 进行向量存储，支持本地 RAG（不需要任何云服务）。EmbeddingPipeline.ts 处理嵌入管道，LiveRAGIndexer.ts 实现实时索引。
音频子系统（electron/audio/）：支持多种 STT 方案——Deepgram、ElevenLabs、Google STT、OpenAI Whisper、以及本地 Whisper（On-Device）。本地 Whisper 使用 ONNX 优化模型（Moonshine、Whisper-large-v3-turbo、distil-large-v3），支持 CoreML/Metal GPU 加速（Apple Silicon）和 DirectML（Windows）。
数据库层（electron/db/）：DatabaseManager.ts（74KB），管理所有持久化数据。

3.2 关键设计决策

本地优先的数据策略：所有数据默认存储在本地 SQLite 数据库，只有有限的匿名遥测（仅 GA4 安装追踪，无个人数据）。API 密钥存在本地，不会发送给任何服务器。

多 LLM 支持（BYOK）：支持 OpenAI、Claude、Gemini、Groq 等多种模型的 BYOK（Bring Your Own Key）。还支持本地 Ollama，实现完全离线运行。

7 种人格模式：General、Technical Interview、Looking for Work、Sales、Recruiting、Team Meet、Lecture，每种模式有定制化的系统提示词和动态会议记录模板。

隐匿模式（Stealth Mode）：核心差异化功能。应用在屏幕共享时从 Dock 隐藏、进程名伪装成 Terminal 或 Settings System、窗口状态在所有窗口间同步，完全「隐形」。代码中有专门的 overlayStealthFocusGuards.ts 和 overlaySttPersistence.ts 实现这一功能。

四、代码质量评估

Natively 的代码库规模相当庞大（主要 TypeScript 文件超过 30 个，总代码量保守估计在 10 万行以上），体现了相当高的工程复杂度。

维度	评估
架构设计	模块化清晰，前端/主进程/LLM/RAG/音频分层明确，electron/ 子目录结构合理
代码组织	TypeScript 严格模式，大量 .d.mts 类型声明文件，类型安全意识强
测试覆盖	有完整的测试套件（electron/services/tests、electron/llm/tests、electron/audio/tests），测试命令完善
文档质量	极高。README 长达 914 行，包含详细对比、功能说明、截图示例。此外有大量设计文档（docs/ 目录下 20+ 个 .md 文件）和内部报告（REPORT 系列文档）
开源合规	AGPL-3.0 许可证，要求衍生作品也必须开源

值得注意的是，项目有大量「内部研究和实现报告」文档（如 NATIVELY_INTELLIGENCE_OS_WIRING_STATUS.md，41KB），这些文档详细记录了架构决策、已知问题和解决方案，是高质量工程实践的体现。

五、部署与安装

Natively 不是 Web 应用，而是原生 Electron 桌面应用（支持 macOS 12+/Windows 10/11）。部署方式如下：

从 GitHub Releases 下载对应平台的安装包（.dmg 或 .exe）
安装后首次运行会执行 postinstall 脚本：下载 Whisper 模型（~500MB）、编译 native 模块、安装 sharp 图像处理库
配置 API 密钥（.env 文件或 GUI 界面）：支持 OpenAI / Claude / Gemini / Groq 等
可选：启用本地 Whisper STT（完全离线）或 Ollama 本地 LLM

完全离线运行：设置 USE_OLLAMA=true 和 OLLAMA_URL=http://localhost:11434 即可实现 100% 本地运行，无任何网络依赖。

不支持 Linux（README 明确说明），作者正在招募 Linux 移植维护者。

六、争议与局限性

争议性话题：Natively 自身在 README 中毫不避讳地定位为「面试作弊工具」（"interview cheating tool" 出现在 HTML title 中），这是该产品最核心的争议点。从技术角度看，它是一个功能完整的实时 AI 辅助系统；但从伦理角度看，它直接服务于在受监控面试中寻求不公平优势的行为。

其他局限：

无 Linux 支持
需要 macOS/Windows 原生环境，不支持 Web 部署
postinstall 脚本依赖 native 模块编译，在部分系统上可能遇到构建问题
完全离线模式需要手动配置 Ollama 和本地 Whisper，上手门槛较高

七、行业意义

Natively 的出现揭示了几个值得关注的趋势：

BYOK 模式正在颠覆 SaaS 订阅经济：用户不再愿意为「调用别人 API 的权限」付月费，而是选择付一次性费用或免费使用自己的 API key。这对 Cluely ($20-149/月) 类的商业模式是根本性挑战。
隐私安全成为差异化核心：Cluely 的 8.3 万用户数据泄露事件为整个行业敲响警钟。本地优先、数据不离开用户设备正在成为用户的核心诉求。
开源正在渗透 AI 应用层：过去开源主要在模型和基础设施层，现在正在向 AI 应用层渗透。Natively 的 AGPL-3.0 协议确保了其开源性质，但需要注意的是，它依赖的多个商业 API（Claude、GPT、Gemini）本身并非开源。
Electron 依然是跨平台桌面 AI 应用的务实选择：尽管 Flutter、React Native 等跨平台框架成熟，Electron 凭借 Web 技术的快速迭代能力和与 AI/LLM 生态的天然兼容性，仍是 AI 辅助工具的首选技术栈。

八、快速上手

# 克隆仓库
git clone https://github.com/Natively-AI-assistant/natively-cluely-ai-assistant.git
cd natively-cluely-ai-assistant

# 安装依赖（自动下载 Whisper 模型 + 编译 native 模块）
npm install

# 开发模式运行
npm run app:dev

# 构建生产安装包
npm run app:build

配置 API 密钥后即可使用。支持 Gemini（默认，免费额度充足）、OpenAI、Claude 等多种模型。

Natively — 免费开源 AI 面试 Copilot与会话助手

「那些售价$149/月的面试作弊工具，存了8.3万人的面试录音然后数据泄露了。Natively 用你自己的钥匙、你的模型、在你自己的机器上运行。$0。」

一、痛点场景：为什么有人愿意为面试辅助工具每月付$149？

传统的解决方案是：把笔记贴在另一个屏幕上，或者用浏览器标签页偷偷查资料。但这会让面试官知道你「在作弊」。

Natively 的作者 evinjohnn 就是在这个背景下决定做一款完全不同的产品。

Natively Logo

图1：Natively 项目图标

二、项目起源：像素级复刻 Cluely，然后继续迭代

目前项目在 GitHub 上拥有 1454 颗星，据 README 声称有 9000+ 用户和 700+ 日活。虽然是 Electron 桌面应用（非 Web 服务），但活跃度相当可观。

三、技术架构：Electron + TypeScript 前端 + Node.js 后端的多层架构

3.1 整体架构

Natively 采用经典的 Electron 分层架构：

前端渲染层（src/）：React + TypeScript，使用 Vite 构建。45KB 的 App.tsx 是核心入口，224KB 的 SettingsOverlay.tsx 处理所有设置界面，257KB 的 NativelyInterface.tsx 是最大的组件文件，负责主交互界面的渲染。
Electron 主进程（electron/）：Node.js，处理所有系统级操作。main.ts（269KB）和 ipcHandlers.ts（282KB）是最核心的两个文件，通过 IPC 与渲染进程通信，处理截图、系统音频捕获、LLM 调用等。
LLM 引擎（electron/llm/）：AnswerPlanner.ts（151KB）是最大的文件，负责「回答规划」——基于上下文决定 AI 应该生成什么内容。此外还有 AnswerValidator.ts（代码合理性检查）、ConversationSummarizer.ts（对话摘要）等专业模块。
RAG 系统（electron/rag/）：本地向量检索系统。使用 SQLite + sqlite-vec 进行向量存储，支持本地 RAG（不需要任何云服务）。EmbeddingPipeline.ts 处理嵌入管道，LiveRAGIndexer.ts 实现实时索引。
音频子系统（electron/audio/）：支持多种 STT 方案——Deepgram、ElevenLabs、Google STT、OpenAI Whisper、以及本地 Whisper（On-Device）。本地 Whisper 使用 ONNX 优化模型（Moonshine、Whisper-large-v3-turbo、distil-large-v3），支持 CoreML/Metal GPU 加速（Apple Silicon）和 DirectML（Windows）。
数据库层（electron/db/）：DatabaseManager.ts（74KB），管理所有持久化数据。

3.2 关键设计决策

多 LLM 支持（BYOK）：支持 OpenAI、Claude、Gemini、Groq 等多种模型的 BYOK（Bring Your Own Key）。还支持本地 Ollama，实现完全离线运行。

7 种人格模式：General、Technical Interview、Looking for Work、Sales、Recruiting、Team Meet、Lecture，每种模式有定制化的系统提示词和动态会议记录模板。

四、代码质量评估

Natively 的代码库规模相当庞大（主要 TypeScript 文件超过 30 个，总代码量保守估计在 10 万行以上），体现了相当高的工程复杂度。

维度	评估
架构设计	模块化清晰，前端/主进程/LLM/RAG/音频分层明确，electron/ 子目录结构合理
代码组织	TypeScript 严格模式，大量 .d.mts 类型声明文件，类型安全意识强
测试覆盖	有完整的测试套件（electron/services/tests、electron/llm/tests、electron/audio/tests），测试命令完善
文档质量	极高。README 长达 914 行，包含详细对比、功能说明、截图示例。此外有大量设计文档（docs/ 目录下 20+ 个 .md 文件）和内部报告（REPORT 系列文档）
开源合规	AGPL-3.0 许可证，要求衍生作品也必须开源

五、部署与安装

Natively 不是 Web 应用，而是原生 Electron 桌面应用（支持 macOS 12+/Windows 10/11）。部署方式如下：

从 GitHub Releases 下载对应平台的安装包（.dmg 或 .exe）
安装后首次运行会执行 postinstall 脚本：下载 Whisper 模型（~500MB）、编译 native 模块、安装 sharp 图像处理库
配置 API 密钥（.env 文件或 GUI 界面）：支持 OpenAI / Claude / Gemini / Groq 等
可选：启用本地 Whisper STT（完全离线）或 Ollama 本地 LLM

完全离线运行：设置 USE_OLLAMA=true 和 OLLAMA_URL=http://localhost:11434 即可实现 100% 本地运行，无任何网络依赖。

不支持 Linux（README 明确说明），作者正在招募 Linux 移植维护者。

六、争议与局限性

其他局限：

无 Linux 支持
需要 macOS/Windows 原生环境，不支持 Web 部署
postinstall 脚本依赖 native 模块编译，在部分系统上可能遇到构建问题
完全离线模式需要手动配置 Ollama 和本地 Whisper，上手门槛较高

七、行业意义

Natively 的出现揭示了几个值得关注的趋势：

BYOK 模式正在颠覆 SaaS 订阅经济：用户不再愿意为「调用别人 API 的权限」付月费，而是选择付一次性费用或免费使用自己的 API key。这对 Cluely ($20-149/月) 类的商业模式是根本性挑战。
隐私安全成为差异化核心：Cluely 的 8.3 万用户数据泄露事件为整个行业敲响警钟。本地优先、数据不离开用户设备正在成为用户的核心诉求。
开源正在渗透 AI 应用层：过去开源主要在模型和基础设施层，现在正在向 AI 应用层渗透。Natively 的 AGPL-3.0 协议确保了其开源性质，但需要注意的是，它依赖的多个商业 API（Claude、GPT、Gemini）本身并非开源。
Electron 依然是跨平台桌面 AI 应用的务实选择：尽管 Flutter、React Native 等跨平台框架成熟，Electron 凭借 Web 技术的快速迭代能力和与 AI/LLM 生态的天然兼容性，仍是 AI 辅助工具的首选技术栈。

八、快速上手

# 克隆仓库
git clone https://github.com/Natively-AI-assistant/natively-cluely-ai-assistant.git
cd natively-cluely-ai-assistant

# 安装依赖（自动下载 Whisper 模型 + 编译 native 模块）
npm install

# 开发模式运行
npm run app:dev

# 构建生产安装包
npm run app:build

配置 API 密钥后即可使用。支持 Gemini（默认，免费额度充足）、OpenAI、Claude 等多种模型。

natively-cluely-ai-assistant

社区活跃度

Natively — 免费开源 AI 面试 Copilot与会话助手

一、痛点场景：为什么有人愿意为面试辅助工具每月付$149？

二、项目起源：像素级复刻 Cluely，然后继续迭代

三、技术架构：Electron + TypeScript 前端 + Node.js 后端的多层架构

3.1 整体架构

3.2 关键设计决策

四、代码质量评估

五、部署与安装

六、争议与局限性

七、行业意义

八、快速上手

社区活跃度

Natively — 免费开源 AI 面试 Copilot与会话助手

一、痛点场景：为什么有人愿意为面试辅助工具每月付$149？

二、项目起源：像素级复刻 Cluely，然后继续迭代

三、技术架构：Electron + TypeScript 前端 + Node.js 后端的多层架构

3.1 整体架构

3.2 关键设计决策

四、代码质量评估

五、部署与安装

六、争议与局限性

七、行业意义

八、快速上手