🎯 为何要建立全本地化的 AI 公号制作网站？

再看使用者痛点一，AI 初稿“稿味”重。改起来比重写还累

让大模型写初稿后常出现排比、升华、"帮助""方法"等套话，导致内容生硬，需要大量人工润色。

说到使用者痛点二。AI 顺手编造事实核对成本高

模型会随意生成数据、人名或官方回应，如果不逐条核实就可能出现翻车事故。

使用者痛点三的观点是。多渠道复用成本高

同一篇内容需要产出长文、公众号富文本还有卡片，每次都要从头再来效率低下。

至于使用者痛点四。数据安全与隐私顾虑

把选题、账号画像、未发布内容全部交给 SaaS 网站，担心数据泄露或被远程监控。老实说，

痛点，我的目标是建立一个工具链。让"热点采集 → 事实研判 → 成稿 → 排版 → 图文"全程在本机完成，每一步都有审计、可复现，且数据永不离开本地。按理说，

/ 不是什麼

• ✅ 是：面向个人公众号作者的本机写内容工作台。从热点到可直接粘贴的公众号富文本、图文，一条流水线跑完。
• ❌ 不是：不是 SaaS。不是多使用者程序，也不做公网部署。仅监听本机回环地址，没有登录、没有遥测。

一句话：你的写内容链，留在你自己的电脑上。

🧱 技术栈：故意“没有技术栈”

Node.js 原生 HTTP+ node:sqlite+ 前端原生 ES Modules= 监听 .:

数据层约 三三 张表：批次、热点、候选、文档、产物、编辑会话、LLM 调用审计、生成快照、AI 运行、工具执行。迁移采用幂等的 CREATE TABLE IF NOT EXISTS + 探测补列。仅增不破，老库直接启动即可。

安装极简：

setup-workbench.cmd # 一键装依赖、配 LLM Key、克隆 RSSHub
start-workbench.cmd # 启动，自动打开浏览器

🔄 两条流水线：阶段契约固定死

从文章链来看。热点 → 可直接粘贴的公众号富文本

热点采集 → 打标/事件卡 → 事件研判
→ 编辑会
→ 成稿
→ 排版

• 1️⃣ 编辑室一次只问一个问题：A I 不会替你拍板，而是把你的输入拆解为“公共事实 / 作者观点 / 实践证据 / 否定角度 / 未决问题 / 禁写项”。未锁定命题即拒绝成稿，从机制上防止 AI 替代写作。
• 2️⃣ 每一步都有审计：L L M 调用记录写入 model_calls产物保存在工作目录，可随时回溯。老实说，

图文链的观点是。故事板 → 布局审计 → 逐页 PNG

图文事实基座 → 故事板规划 → 生成
→ 布局审计 → 截图 →交付门禁

图文统一输出 ✕ 支持公众号 & 双渠道。AI 自动生成故事板后你可以逐页手动修改块类型或版式；怎么说呢，布局审计会检查利用率与裁切。并在不合格时自动定位到具体页面打开编辑器，让修改更直观。

🧩 技能 + 插件：可 是认真的

• # 个内置技能：S K I L L .md + references结构，每个声明输入/输出契约、能力与兼容版本。
• # 第三方技能包：可通过插件机制安装，并进行方法越界校验、兼容性检查及大小限制。
• # 内置工具插件：ECharts/Mermaid 渲染、仓库检查、图床上传、URL 抓取、本地项目读取、Tavily 搜索、文档检索等，都遵循 “输入 schema → 策略检查 → 执行 → 审计日志”。
• # 远程插件声明式 Manifest：HTTPS + 超时 + 响应上限 + 内网拒绝，不允许分发可执行代码。实现安全

⚙️ LLM 网关：把大模型的坑都处理了

• 多服务商支持，兼容 OpenAI 接口，可配置、输出上限、jsonMode 与搜索功能。
• "thinking" 推理强度可控：`reasoning_effort` 可设 low/high/max；默认关闭结构化抽取，仅在写作阶段开启，以防止模型失控生成超长文本。
• 上下文预算管理：
• AUDIT: 每次调用写入 `model_calls` 表。同时记录 `reasoning_tokens` 列，使推理成本一目了然。

🚀 后台任务：并发不是摆设

A I任务采用细粒度并发策略：候选级任务并行执行，同批次任务互斥；全局并发上限+FIFO 队列保证资源合理使用。其实，比如可以同时生成两个图文卡片，而打标和图文互不阻塞；超出上限的任务显示“排队中”，避免相互等待死锁。

🔐 隐私与安全：默认就是不联网

• 只监听回环地址，`x-admin-confirm` 为防误触门禁而非鉴权——项目明确不提供公网部署；威胁模型已写入文档，
• No telemetry: 开源也不会偷偷上报任何使用信息。
• 敏感文件 被 gitignore 并配有提交前秘密扫描钩子 + CI 扫描，防止泄漏。

🚀 上手教程：三步 + 演示模式

# 安装依赖并配置运行环境
setup-workbench.cmd
# 启动工作台
start-workbench.cmd
# 没有 LLM Key 想先体验？演示模式提供完全虚构的数据
npm run start -- --demo

演示模式会创建独立数据库。填充虚构的热点‑选题‑排版产物，不触碰真实数据，让你先感受 UI 与流程，再决定是否配置真实 LLM Key。

💡 写在最终

本项目旨在解决“AI 能不能写”的表层问题。更关注"AI参与的生产链如何可信". 将每一步留在本机并留下完整痕迹，可审计；排版采用确定性渲染而非模型自由发挥；编辑决策从“模型胡诹”转为“你的明确表态”。这正是我理想中写文章工具应有的模样。

If you are also producing WeChat public‑account or Xiaohongshu content。or interested in a skill‑/plugin‑driven local AI runtime,欢迎访问仓库并提出 Issue。觉得有帮助请点星⭐支持，不过，

项目信息

• 📦 仓库：https://github.com/shiker1996/…
• 📄 文档目录：/docs/
• 📅 授权协议：MIT
• ⚠️ 注意事项：仅支持 Windows；服务仅监听本机回环，请勿自行改为公网暴露