wade-ai

W.A.D.E. — 本地优先的自主 AI 运行时

GitHub: turntducky/wade-ai · ⭐ 4 · Fork 1 · MIT License

---

痛点切入：你的 AI 为什么不"懂"你？

大多数 AI 助手都有一个致命缺陷——被动等待。你问一句，它答一句；你不说话，它就休眠。它们无法感知你打开了哪个文件、哪个项目编译失败了、你的日历上接下来有什么安排。它们游离在你的工作流之外，像一个永远需要手动唤醒的闹钟。

W.A.D.E.（Wireless Autonomous Digital Entity）试图打破这个困局。它的核心理念是：AI 不应该是一个问答工具，而应该是你机器上一条永不眠的背景神经。

---

项目起源与背景

W.A.D.E. 由独立开发者 turntducky 创建，目前处于 v0.1.0-beta 阶段。项目的自我介绍充满极客气质——将自己定位为"个人 AI 基础设施层"，运行在操作系统之上，作为观察性底层持续运行，而非替代操作系统本身。

值得关注的是项目的目标用户群：注重隐私、期望数据本地化、追求 AI 自主性的用户。它明确拒绝了"云端绑定"的路线，支持完全离线的本地推理模式。

---

核心功能与技术细节

三贤者架构（Planner-Critic-Executor）

W.A.D.E. 的核心逻辑围绕一个三层代理架构运转：

• PlannerAgent（规划代理）：接收任务后进行任务分解，规划执行路径
• ExecutorAgent（执行代理）：按规划步骤执行具体操作
• CriticAgent（批评代理）：在规划验证、执行中检查点、最终验收三个节点介入，确保执行质量

这套架构借鉴了 Agentic AI 领域的经典反思（Reflection）+ 规划（Planning）模式，在执行前、执行中、执行后均有质量控制节点。

Trinity Memory（三位一体记忆系统）

W.A.D.E. 的记忆系统分为三层：

• 情景记忆（Episodic Memory）：记录具体事件和操作历史
• 长期记忆（Long-term）：积累用户偏好、知识背景
• 工作记忆（Working）：当前任务上下文

通过 ChromaDB 向量数据库实现语义检索，使 AI 能在历史经验中找到相似情境的处理方式。

认知来源（Cognition Source）

支持三种推理模式：

模式	说明	适用场景
Local	全部通过 Ollama 本地推理	最高隐私，完全离线
Hybrid	本地处理日常任务，云端处理深度推理	平衡性能与能力
Cloud	OpenAI/Gemini/Claude API	最强能力，需 API Key

技能系统（Skills）

W.A.D.E. 内置了丰富的垂直领域技能，覆盖开发、家庭自动化、金融、新闻、日程、音乐、天气等场景，且支持通过 SDK 扩展自定义技能。每个技能目录下有对应的实现模块，通过 registry.py 统一注册和管理。

语音支持（可选）

通过 openwakeword（唤醒词检测） + openai-whisper（语音识别） + kokoro-onnx（语音合成）实现完整的语音交互链路，FFmpeg 作为音频处理依赖。

Web UI（God Mode HUD）

基于 FastAPI + Uvicorn 构建 RESTful API，同时提供静态前端（CSS/HTML/JS）。启动时会在终端打印 ASCII QR 码，手机扫码即可访问局域网 Web 控制台。

WhatsApp Bridge

通过 Docker Compose 部署的 whatsapp-bridge 容器，将 WhatsApp 消息桥接到 W.A.D.E. 的事件总线，实现"用 WhatsApp 控制本地 AI"的能力。

---

上手体验

安装难度：中等

核心安装只需一行 pip 命令，但实际可用状态需要额外步骤：

# 安装（含所有可选功能）
pip install "wade-ai[all]"

# 首次运行向导（自动检测硬件、选择模型）
wade setup

# 下载配置好的 Ollama 模型
wade fit

# 启动后台服务
wade start

本地 LLM 模式下，用户需要自行安装 Ollama 并拉取模型，对非技术用户有一定门槛。云端模式下则开箱即用。

Web UI 体验

W.A.D.E. 启动后会监听 0.0.0.0:8000（优先端口 80，备选 8000+），局域网内任意设备均可通过浏览器访问，提供了图形化的任务管理和监控界面。

硬件需求

最低配置为 CPU + 4GB 内存，但若要流畅运行本地 LLM（Ollama），建议配备支持 CUDA 的 GPU（项目明确提示需单独安装 torch --index-url https://download.pytorch.org/whl/cu126）。

---

局限与争议

1. Beta 阶段，生产环境需谨慎：v0.1.0-beta 的版本号意味着稳定性未经验证，大规模使用前建议等待更成熟版本。

2. 本地 LLM 门槛不低：虽然项目主打"本地优先"，但 Ollama 的安装、模型选择、硬件配置对普通用户并不友好，文档中"需要折腾"的部分并不少。

3. 隐私与安全边界模糊：作为一个持续运行在后台的 daemon，W.A.D.E. 拥有较高的系统权限（文件系统、事件监听、语音采集），其数据流向和权限边界需要用户自行评估。

4. WhatsApp Bridge 依赖 Baileys：第三方 WhatsApp 协议库存在封号风险，使用此功能需自行承担后果。

---

行业意义

W.A.D.E. 代表了 AI 助手从"被动问答"向"主动感知"演进的趋势。在本地优先（Local-First）运动和隐私计算兴起的背景下，这类项目为不愿将个人数据交给云端厂商的用户提供了新的选择。

随着 Ollama、llama.cpp 等本地推理工具的成熟，以及 Tauri 桌面应用框架的加入，W.A.D.E. 正在尝试构建一套完整的"个人 AI 操作系统"雏形。

---

技术标签: Python · FastAPI · Ollama · ChromaDB · Multi-Agent · RAG · 本地 LLM · 语音 AI · Docker