不想为了跑几个 AI 助手就买迷你主机，尝试用 Pacific Slate 搭建自托管多智能体系统

很多折腾 AI 的朋友在构建多智能体协作流时，很容易陷入一个误区：追求一个“全能”的开箱即用方案。但实际体验下来，商业软件的预设工作流往往过于臃肿，且存在严重的生态锁死。比如你可能希望某个负责敏感数据的 Agent 运行在本地 Llama 3 上以保证隐私，而另一个负责复杂逻辑推理的 Agent 走 Claude 3.5 的 API，这种灵活的“混合部署”在很多封闭产品里很难实现。

最近我尝试放弃购买专用的小主机，直接通过 Pacific Slate 搭建了一套自托管的助手系统。这套方案最核心的逻辑在于 Model-agnostic（模型无关性），它不绑定任何特定模型，这意味着你可以根据手头的硬件条件，随意更换底层的模型供应。

对于想要在自己的服务器或 NAS 上部署类似系统的用户，最关键的不是安装，而是对“角色边界”和“调度层”的定义。如果直接使用商业成品，你是在适应产品；而使用这种轻量级框架，你是通过配置定义工作流。

在实际部署过程中，最稳妥的方式依然是容器化。首先需要确保环境支持 Docker，通过执行 docker pull pacificslate/core:latest 拉取镜像，随后使用 docker-compose up -d 完成后台启动。这个过程非常快，避免了在宿主机上安装各种依赖导致的环境污染。

部署完成后，最核心的步骤是在 config.yaml 中定义模型端点。因为 Pacific Slate 兼容 OpenAI 格式的 API 地址，所以你可以非常自由地组合不同来源的模型。例如，在配置文件中，我可以将 Researcher 角色绑定到 https://api.deepseek.com，而将 Coder 角色指向本地 Ollama 运行的 http://localhost:11434/v1（API Key 填 ollama 即可）。这种配置方式让一个系统内实现了云端高性能模型与本地私有模型的无缝协作。

在定义工作流时，系统采用的是简单的 JSON 格式来指定主控端与执行端。这种解耦的设计让 Agent 之间的协作顺序变得透明可控。当你需要调整某个环节的输出质量时，只需要在 YAML 文件中修改对应的模型参数，而不需要重新配置整个工作流。

相比于买一台 24 小时开机的旧笔记本或迷你主机，这种自托管架构的优势在于极高的自定义空间。它把结构拆得很开，允许用户进行个体化配置。当你意识到每个人的工作流完全不同时，就会发现这种“拼装式”的 AI 助手才真正高效。与其去忍受一个功能冗余的商业产品，不如用这种轻量级框架，根据自己的实际需求，拼装一套最顺手的 AI 协作流。