我为我的编程 Agent 构建了一个本地控制平面

使用不同的 AI Agent 曾经是一团糟。

我曾使用 Copilot、Claude Code 和 OpenCode。每个工具都有自己的主目录、设置和记忆。每当我添加一项新技能或规则时，我都不得不问：这个工具期望它放在哪里？

我的主目录变成了一个堆满 AI 文件夹的“杂物抽屉”。

我尝试使用 Markdown 文件在 Agent 之间传递计划。这确实有所帮助，但并没能彻底解决问题。一个 Agent 可能会遗漏某个假设，导致下一个 Agent 产生错误的结果。文件提供了数据，但无法提供共享的上下文。

我需要一种方法来：

  • 一次性编写高层级规则。
  • 将权限规则集中管理。
  • 停止手动复制技能。
  • 在不同的项目和会话之间共享记忆。

我构建了一个本地控制平面来解决这个问题。

我这套设置的核心是一个单一目录：~/.ai。

我不再使用分散的文件夹，而是使用符号链接（symlinks）。工具会认为它们处于各自的空间中，但实际的结构都集中在一个地方。我通过本地代理路由所有的模型流量，并利用 MCP 通过共享的 SQLite 数据库来管理记忆。

这将两项不同的工作分离开来：

  1. 路由：模型请求在到达提供商之前会经过本地代理。
  2. 记忆：长期存在的客观事实存储在本地仓库中。

如果模型的行为异常，我会检查代理；如果 Agent 遗忘了某个细节，我会检查记忆。这让调试变得非常简单。

我的共享记忆存储了那些重新发现成本很高信息：

  • 项目决策。
  • 架构笔记。
  • 工作流偏好。
  • 重复出现的 Bug。

我还实现了安全性的集中化。我使用共享文件来管理编码标准和禁止执行的命令。这确保了在不同 Agent 之间切换时，环境的安全性不会发生变化。

这并不是为了寻找一个完美的 Agent，而是为了确保我的 Agent 能够共享足够的上下文，从而使它们之间的切换不会感觉像是重新开始。

Source: https://dev.to/sperekrestova/i-built-a-local-control-plane-for-my-coding-agents-1bf7

Optional learning community: https://t.me/GyaanSetuAi