phantom

Phantom：从"对话工具"到"AI同事"的范式跃迁

它解决了什么问题

场景切入：凌晨 3 点，你在 Slack 上收到一条消息——"我发现了 ClickHouse 的一个问题，已自动修复并创建了监控仪表板，相关数据已同步到你的飞书。"发送者不是你的同事，而是一个叫 Phantom 的 AI Agent。你去年 11 月部署了它，之后再也没管过。它在你的服务器上持续运行了一年，积累了完整的上下文记忆，知道你公司的技术栈、代码风格、偏好习惯——它不只是回答问题，而是在帮你主动工作。

这正是 Phantom 想要重新定义的东西：AI 不应该是随用随丢的聊天窗口，而应该是有自己工作站、具备持久记忆、能够自我进化的数字同事。

Phantom：一个拥有自己计算机的 AI 同事

背景：为什么现有 AI Agent 都"活不过第二天"

当前主流 AI Agent 的核心困境在于无状态性（Statelessness）。每次对话都是从零开始，Agent 无法记住上次讨论的进度、已安装的软件、构建到一半的数据库。更严重的是，当它遇到能力边界时（比如被问"你能接入 Discord 吗？"），通常只能尴尬地说"我不能"——它没有能力自我扩展。

这个问题的根源不在于模型能力不足，而在于基础设施缺失：Agent 没有自己的计算环境、没有持久化存储、没有扩展自身能力的机制。Phantom 从根本上重构了这套逻辑。

类比理解：把 AI 从"租客"变成"房东"

可以把现有的 ChatGPT/Claude 对话窗口理解为酒店房间：你来它去、会话结束一切归零。而 Phantom 给 AI 建造了一整栋独立公寓——有自己的磁盘空间（工作目录）、有自己的工具箱（内置 1819 个测试用例验证过的工具集）、有自己的书架（Qdrant 向量数据库存储长期记忆）、还有自己的通信渠道（Slack/Email/Telegram）。

这意味着：当你说"继续上次的工作"，Phantom 真的知道上次在做什么、卡在哪里、下一步该做什么。

核心技术能力

自演进架构（Self-Evolution）：Phantom 内置了一套自我优化机制。当它完成一个任务时，会自动评估这次执行的得失，并将反思结果写入持久记忆。这个机制不是一次性调整，而是持续积累——任务做得越多，Phantom 对你的团队越了解，输出质量也越高。这是 Phantom 与普通 AI Agent 最本质的区别。

多渠道通信矩阵：Phantom 原生支持 Slack、Telegram、Email 和 WebSocket 四大渠道。更激进的是，它可以自我扩展通信渠道——当被问到"你能接入 Discord 吗？"，它会分析 Discord Bot API 的接入方式，自动创建对应的 Docker 容器并完成配置，自己给自己装上一个从未被设计过的能力。这种"不知道自己不知道什么，然后自己学会"的能力，在开源 Agent 框架中极为罕见。

MCP（Model Context Protocol）服务端：Phantom 内置 MCP 服务端，允许其他 Agent 或外部工具通过标准协议调用它的工具和数据。这意味着 Phantom 不只是一个孤立的 AI，而是一个可以被编排进更大 AI 工作流的核心节点。

代码执行与工具生态：通过 Playwright MCP、Shell 工具、Git 操作和数据库连接器，Phantom 能够执行真实的系统操作：安装软件、构建镜像、读写文件、查询数据库、调用外部 API。它不是生成建议，而是真正执行操作。

Phantom 自主安装了 ClickHouse，加载了 2870 万行 Hacker News 数据，构建了完整的分析和可视化平台

上手门槛：比想象中容易

部署方式：Phantom 提供完整的 docker-compose.yaml，一条命令 docker compose up -d 即可启动。默认包含 PostgreSQL（数据持久化）、Qdrant（向量记忆）和 Phantom 本身三个容器。运行时只需要填入 ANTHROPIC_API_KEY，就能通过 Slack 或 Web 界面开始使用。

模型选择：Phantom 默认使用 Claude，但通过 phantom.yaml 配置可以切换到 Z.AI（成本约为 Claude Opus 的 1/15）、OpenRouter（100+ 模型可选）、Ollama（完全本地部署零 API 成本）、vLLM 或其他兼容端点。切换模型只需改两行配置，工具和记忆层完全复用。

Web UI：内置 React 构建的 chat-ui，通过 /chat 路径访问，支持 markdown 渲染、代码高亮、多会话管理。无需 Slack 也能通过 Web 界面与 Phantom 对话。

技术架构：模块化设计

Phantom 的代码库采用清晰的模块化组织：

• src/agent/：Agent 运行时核心，包含 Claude Agent SDK 的调用封装、Session 管理（基于 SQLite）、成本追踪和反思工具
• src/channels/：多渠道适配层，支持 Slack（via @slack/bolt）、Telegram（via telegraf）、Email（via imapflow/nodemailer）和 WebSocket 实时通信
• src/prompt-blocks/：Prompt 模板块，包括安全指令（security）、工作记忆（working-memory）、Agent 自我认知（tenant-self-knowledge）和自演进逻辑（evolved）
• skills-builtin/：内置工具集，Agent 可在运行时调用
• chat-ui/：React + TypeScript 构建的前端界面，基于 Vite
• phantom-config/：持久化配置文件，存放进化后的 Agent 行为调整

构建系统使用 Bun（而非 Node.js），Dockerfile 采用三阶段多阶段构建，测试框架为 Bun 内置测试，共 1819 个测试用例覆盖 agent-sdk-boundary、session-store、permission-options 等核心模块。

局限与争议

API 成本：Phantom 的价值与模型调用频率正相关。在高强度使用场景下，Claude API 的成本不容忽视。虽然支持切换到 Ollama 等免费方案，但本地模型的能力差距仍然明显。

安全边界：Agent 以非 root 用户在容器内运行，有 Docker socket 挂载（用于创建兄弟容器），有文件系统访问权限。在企业环境中需要明确的使用策略和监控机制，防止 Agent 执行超出预期的操作。

学习曲线：虽然部署简单，但充分发挥 Phantom 的能力需要理解它的记忆机制、自演进逻辑和多渠道配置。对于只想快速体验的用户，初始配置仍有一定门槛。

行业意义：重新定义 AI Agent 的"存在感"

Phantom 的最大贡献不是某个具体功能，而是一种思路转变：让 AI Agent 从瞬时工具变成持续存在的数字员工。传统的 RAG（检索增强生成）解决的是"知识获取"问题，而 Phantom 解决的是**"身份持续性"问题**——它记住了你是谁、你们团队怎么做事情、你的代码库长什么样。这种持续性是构建真正有用的 AI 同事的前提。

从增长曲线看，Phantom 在发布一年内获得了 1400+ GitHub Stars、1400+ Docker Pulls，保持着活跃的开发节奏（最新版本 0.20.2），团队还提供了云托管版本 ghostwright.dev。这说明市场对"AI 同事"而非"AI 工具"的需求是真实存在的。

总结：Phantom 是一个基于 Claude Agent SDK 构建的持久化 AI 同事框架，赋予 AI 独立计算环境、长期记忆、自我演进和多渠道通信能力。它通过 Docker 一键部署，支持 Slack/Email/Telegram/Web 等多种交互方式，是目前开源社区中对"AI 同事"概念实践得最彻底的框架之一。适合希望将 AI 深度嵌入工作流程、而非仅用于单次问答的团队。