org-ai：用 Org-mode 与 AI 对话，让写作与编程无缝融合

一款把大模型塞进 Emacs 的硬核插件

想象这样一个场景：你正在用 Emacs 写一份复杂的技术文档，遇到一个不确定的概念——不必切换到浏览器搜索，不必复制粘贴到 ChatGPT 网页，只需在文档中插入一个 #+begin_ai 块，按下 C-c C-c，答案就直接写进你的文档；你还可以继续追问，就像在 ChatGPT 里聊天一样，所有对话历史都保留在你的 Org 文件里，可以随时回溯、导出、版本控制。

这就是 org-ai 做的事。它不是另一个 Electron 写的"AI 聊天应用"，而是一个深度嵌入 Emacs 工作流的 AI 交互层——用 Org-mode 的块语法包裹 LLM 的能力，让 AI 成为你编辑环境的一部分，而非另一个需要切换过去的窗口。

---

背景：Emacs 永不过时，AI 正在重新定义它

Emacs 的可扩展性在软件史上几乎无出其右。Org-mode 更是其中的明珠——从简单的 TODO 列表工具演化成了事实上的 Markdown 替代品、知识管理平台、甚至轻量级数据库。但面对 2023 年爆发的大语言模型浪潮，大多数 Emacs 用户只能退而求其次：在浏览器里用 ChatGPT，在终端里跑 API，手动复制粘贴结果。

Robert Krahn（GitHub @rksm）从 2023 年开始开发 org-ai，将 OpenAI 的 ChatGPT、DALL-E、Stable Diffusion 等模型的能力，以 Emacs 原生插件的形式引入 Org-mode。目前在 GitHub 已有 818 颗星，收获 18 位贡献者的代码支持，并已被收录至 MELPA（Emacs 包生态的核心仓库）。

项目的核心设计哲学值得玩味：作者并非试图"重新发明 AI"，而是做一个优雅的桥接层——让 Org-mode 的块语法（block syntax）直接成为 AI 交互的协议。这是一个天才的设计决策：用户不需要学习新的交互模型，只需要会用 Org-mode，就会用 AI。

---

核心功能：四种 AI 能力，一个统一界面

1. ChatGPT 对话（核心功能）

最基础也最强大的功能。在 Org 文件中插入：

#+begin_ai
帮我解释一下什么是 Emacs Lisp 的 lexical binding
#+end_ai

按下 C-c C-c，ChatGPT 的回复会直接写入文档，同时保留对话历史，你可以继续追问。所有 Org-mode 的编辑能力（折叠、搜索、导出）都可以作用于 AI 对话内容。

更进一步，你可以通过块选项精细控制模型行为：

#+begin_ai :model gpt-4 :max-tokens 500 :temperature 0.7
[SYS]: 你是一个严格的代码审查员
[ME]: 请审查以下代码...
#+end_ai

通过 Org 标题属性（Property Drawer），可以为一整个子树的 #+begin_ai 块设置统一的系统提示和模型参数。这意味着你可以为不同的文档章节分配不同的 AI"角色"，比如"Python 专家区"、"Emacs 配置区"，各用各的模型设定，互不干扰。

2. 图像生成（DALL-E + Stable Diffusion）

#+begin_ai :image :size 1024x1024
Hyper realistic sci-fi rendering of a starship hangar
#+end_ai

支持 DALL-E 3（默认）和 Stable Diffusion 两种图像生成后端。生成的图片会自动保存到 ~/org/org-ai-images/ 目录，Org 文件中插入图片链接，方便导出为 HTML/PDF。Stable Diffusion 部分通过 org-ai-sd.el 模块支持 img2img（图生图）功能，可以用 CLIP interrogator 从已有图片反推 prompt。

3. 语音输入 / 输出

这是 org-ai 最令人惊喜的差异化功能。启用后，你可以对着麦克风说话，Whisper 语音识别将内容转写为文本，发送给 AI；AI 的回复还可以通过 TTS（espeak 或 macOS Voice）朗读出来。整个过程不需要离开 Emacs，不需要切换窗口——真正实现了"和 AI 说话"的沉浸式体验。

配置稍显繁琐（需要安装 ffmpeg、Whisper、greader 等依赖），但一旦跑通，体验非常流畅。作者甚至提供了 macOS 上选择麦克风设备的交互式助手脚本。

4. 全局命令（org-ai-global-mode）

即使不在 Org-mode 缓冲区，也可以使用 AI 能力。通过 C-c M-a 前缀触发：

命令	说明
C-c M-a r	选区 AI：对选中文本提问/操作
C-c M-a s	摘要：快速总结选中文本
C-c M-a c	代码重构：生成 diff 并预览
C-c M-a p	项目级 AI：跨文件操作，可修改代码
C-c M-a $	查看 OpenAI API 账户用量

其中 org-ai-on-project 尤其亮眼——它使用 Projectile（项目感知插件）识别当前项目，选中多个文件后，可以让 AI 分析整个代码库、重构跨文件逻辑，甚至直接生成 unified diff 可视化预览。

---

Noweb 支持：把 Org-mode 变成 AI 编程的乐高积木

org-ai 支持 Noweb 语法，可以在 AI 提示中嵌入 Org-mode 源代码块的结果。这意味着你可以在发送请求给 AI 之前，先执行任意 Emacs Lisp 代码（读取文件内容、查询数据库、调用外部命令），将结果注入 prompt。这为动态构建复杂提示提供了无限可能——比如让 AI 在分析 Dockerfile 时，先通过 Lisp 代码读取文件的实际内容。

更令人惊叹的是，这个注入过程支持 Lisp 求值，可以调用外部脚本：

#+begin_ai :noweb yes
Tell me ways to improve this dockerfile
<<identity(x=(quelpa-slurp-file "~/code/myapp/Dockerfile"))>>
#+end_ai

---

技术架构：极简而精准

从代码结构看，org-ai 是一个高度模块化的 Emacs Lisp 包：

• org-ai.el（主文件，约 10KB）：核心 minor-mode、块解析、OpenAI API 通信
• org-ai-openai.el：OpenAI REST API 封装（chat/completion 两种模式）
• org-ai-openai-image.el：DALL-E 图像生成 API
• org-ai-sd.el：Stable Diffusion WebUI（通过 WebSocket）通信
• org-ai-talk.el：语音输入/输出控制
• org-ai-block.el：块语法解析和交互逻辑
• org-ai-on-project.el：多文件 AI 操作界面
• org-ai-oobabooga.el：本地 LLM（oobabooga/text-generation-webui）支持

依赖极简：只需要 Emacs 27.1 + websocket.el 两个依赖。API 通信基于 Emacs 内置的 url-retrieve + 外部 curl（用于图像上传），不引入重型依赖栈。

多后端支持：虽然默认对接 OpenAI API，但通过切换 org-ai-service 变量，可以无缝切换到 Anthropic（Claude）、Azure OpenAI、Perplexity.ai，甚至本地运行的 LLM（通过 oobabooga WebSocket API）。这种灵活性在 Emacs 插件中相当罕见。

---

上手体验：Emacs 用户零成本，AI 新手有门槛

对于已有 Emacs 使用经验的用户，org-ai 的上手成本几乎为零——从 MELPA 安装、use-package 配置、五行初始化代码，10 分钟内就能在 Org 文件里和 ChatGPT 对话。

但对于 AI 部分，有几个实际的门槛：

1. API Key 管理：需要用户自行注册 OpenAI 账号并获取 API Token，org-ai 支持存储在 ~/.authinfo.gpg（加密存储），安全但配置稍复杂。
2. 费用意识：API 调用按 token 计费，项目没有内置用量控制或本地缓存，第一次使用者需要留意平台使用量页面（C-c M-a $）。
3. 语音功能配置链路长：ffmpeg、Whisper、greader 的安装对非 Unix 熟练用户有一定挑战。

---

局限与挑战

org-ai 的定位注定了一些局限性：

• 平台锁定：只能运行在 Emacs 环境，无法服务团队中非 Emacs 用户
• 无法多模态对话：当前版本不支持 GPT-4V 等视觉模型，无法分析用户上传的图片
• 流式输出的体验：虽然支持流式响应（streaming），但 Emacs 的文本渲染方式决定了响应体验不如现代 Web UI 流畅
• Perplexity 的 references 不可用：项目文档明确提到，Perplexity API 不返回引用链接，导致无法在 Emacs 中显示来源

---

行业意义

org-ai 代表了一种正在兴起的工作流理念：AI 能力不应是一个独立的应用，而应是用户已有工具的自然延伸。随着 AI 模型 API 化程度加深，这种"AI as a layer"的思路会越来越普遍——不仅是 Emacs，VS Code（Copilot）、Neovim（Copilot.lua）、Obsidian（Local REST API 插件）都在走类似的路。

Emacs 的优势在于其极致可扩展性，使得 org-ai 能够做到其他平台难以实现的事情：把 AI 对话变成 Org 文件的一部分，实现文档、知识库和 AI 对话的真正融合。对于已经深度使用 Org-mode 进行知识管理的用户来说，org-ai 是目前最优雅的 AI 集成方案之一。

---

总结：org-ai 不是一个"更漂亮的 ChatGPT 界面"，而是一个把 AI 能力融入 Emacs 工作流的深度插件。它精准地服务了一个特定用户群：Emacs 深度用户 + AI 爱好者 / 开发者。对这个群体来说，它几乎是目前最好的 Org-mode AI 集成方案。