Select Page
Orca ADE 是什麼？讓 Codex、Claude Code 多 Agent 並行開發

Orca ADE 是什麼？讓 Codex、Claude Code 多 Agent 並行開發

by | 7 月 20, 2026 | AI, Tool

Orca 是 AI coding agent 的控制台，它把 Codex、Claude Code、OpenCode、Pi 這些 CLI agent 放進同一個開發環境，並且用 Git worktree 把每個任務隔離開來。這對已經開始同時使用多個 AI 編程工具的人很關鍵。

單一 Agent 的時代，問題通常是模型會不會寫，多 Agent 的時代，問題變成誰負責哪個分支、誰改了哪些檔案、怎麼比較成果、怎麼把最好的解法合回主線，Orca 想解的是後面這一段。

先講結論

Orca 是 stablyai 開源的 AI Development Environment，官方用法是把 Codex、Claude Code、OpenCode、Oh My Pi(OMP) 或其他 CLI agent 並排跑起來，每個 Agent 都在自己的 Git worktree 裡工作，最後由使用者比較差異、審查結果，再決定要合併哪一版。

我會把 Orca 看成 OpenWork 這類 OpenCode 工作台 的更完整版本，OpenWork 偏向把本地 Agent 工作桌面化，Orca 則更強調多 Agent orchestration、worktree 隔離、手機 companion、任務恢復和差異審查。

Orca 多 Agent 透過 Git worktree 隔離並行開發的流程圖
Orca 的核心不是多開終端，而是讓每個 Agent 有隔離環境，最後可以比較成果再合併。

Orca 解決的是多 Agent 失控問題

只跑一個 Codex 或 Claude Code 時，管理成本還可以接受，但當你同時讓三個 Agent 嘗試三種解法，麻煩就來了，檔案會互相覆蓋，終端輸出會混在一起，分支會弄亂，最後還要靠人回頭找哪一版比較好。

Orca 的做法是把每個 Agent 放進獨立 worktree。你可以把同一個 prompt 丟給多個 Agent，讓它們各自改一份程式碼，互不干擾。這很適合用在 bug 修復、重構、UI 改版、測試補齊和規格探索。

這和 用 Superpowers 建立 AI 開發紀律 的方向很接近。差別是 Superpowers 偏向規範和方法，Orca 偏向把這些工作流做進工具介面。

支援哪些 Agent

官方 README 的說法很直接：只要是能在 terminal 裡跑的 CLI agent，就可以放進 Orca。目前官方列出的包含 Claude Code、Codex、GitHub Copilot CLI、OpenCode、OpenClaude、OMP、Hermes Agent 等。這表示 Orca 不是綁定單一模型，而是把現有工具收進同一個 cockpit。

AgentOrca 裡的角色適合任務
Codex通用 coding agent改程式、跑測試、整理專案
Claude Code強推理與長任務重構、架構判斷、需求拆解
OpenCode本地或自訂模型入口低成本實驗、本地 agent 工作流
OMP、Hermes 等其他 CLI agent特定工具或特定模型路線

如果你已經在用 Codex 與 ChatGPT Work 的 AI 代理工作流，Orca 的價值會更明顯。它不是要取代 Codex，而是讓 Codex 可以和其他 Agent 同場協作。

Parallel Worktrees 是核心

Orca 最重要的功能是 Parallel Worktrees。你可以把同一個需求發給多個 Agent，讓它們各自在不同 Git worktree 裡完成任務。完成後再比較 diff、測試結果和實作品質。這比在同一個 working tree 裡輪流叫不同 Agent 改檔安全很多。

我會把它想成「平行探索」。不是每個 Agent 都要成功，而是讓不同模型或不同 prompt 策略同時試錯。最後人做判斷，挑一個最好的版本進主線。這比盲信單一 Agent 更符合真實工程工作。

Terminal Splits 和任務恢復

Orca 也把多面板和多終端做進介面。Terminal Splits 讓你可以把多個 Agent、測試、伺服器和 logs 並排放著看。對前端專案、後端 API、資料庫 migration 這類需要同時觀察多個輸出的任務，這會比一直切 tab 順很多。

任務恢復也很重要。AI coding agent 常常不是一次跑完，尤其遇到長時間編譯、測試失敗、rate limit 或你臨時離開電腦。Orca 把任務狀態集中管理，讓你能回到原本的 Agent session，而不是重新猜它剛剛做到哪裡。

手機遠端和語音輸入不是噱頭

Mobile Companion 乍看像附加功能，但對長時間 Agent 任務其實很實用，你可以在手機上看 Agent 是否完成，收到通知後補一句 follow-up，或遠端啟動下一個任務。這讓 AI coding 從坐在電腦前等待，變成可以非同步監看。

語音輸入也類似，很多時候我們不是缺鍵盤，而是缺一個快速把想法丟給 Agent 的入口，若搭配清楚的任務模板，語音輸入可以用來快速交代需求、補充限制或要求重跑測試。

GitHub Issue 和定時審查

Orca 官方也強調 GitHub 和 Linear 的原生整合。你可以在 app 裡看 issue、PR、project board，並從任務直接開 worktree。這讓「看任務 → 啟動 Agent → 產生改動 → review diff」變成一條線，而不是在瀏覽器、終端、IDE、Git UI 之間來回切。

定時審查 repository 是另一個有意思的方向，它適合拿來做每日或每週檢查，例如 dependency 更新、測試覆蓋率、錯誤 logs、未完成 issue、重複程式碼。這類任務不一定需要最強模型，但需要穩定排程和可追蹤結果。

和 Playwright CLI、OpenWork 怎麼搭

Orca 管的是多 Agent 和 worktree。Playwright CLI 管的是瀏覽器自動化。OpenWork 管的是 OpenCode 和本地 Agent 桌面工作台。這些工具其實不是互斥，而是分別解決 AI 開發流程中的不同層級。

我的理想組合會是：Orca 負責多 Agent 任務隔離，Codex 或 Claude Code 負責實作，Playwright CLI 負責跑 UI 驗證，Graphify 或 OpenWiki 負責專案知識。這樣 Agent 就不是聊天框，而是完整開發系統的一部分。

安裝與使用入口

Orca 官方下載入口在 onOrca.dev，支援 macOS、Windows、Linux。Windows 使用者官方 README 也提醒可以抓較新的 RC 版本，因為有 Windows fixes。手機 companion 則提供 iOS App Store、TestFlight 和 Android APK。

  • 桌面版：到 onOrca.dev/download 下載
  • 原始碼：stablyai/orca GitHub
  • 手機 companion：官方 README 提供 iOS、TestFlight 和 Android APK 連結
  • 支援 Agent：Codex、Claude Code、OpenCode、GitHub Copilot CLI、Pi、Hermes Agent 和其他 CLI agent

我的判斷

Orca 的價值，不是讓你同時叫五個 Agent 然後期待奇蹟發生。真正有用的是隔離、比較、恢復、審查和合併，多 Agent 不是數量遊戲，而是工程流程問題。

如果你只是偶爾用 Codex 改一兩個檔案，Orca 可能有點重，但如果你已經常常同時開 Claude Code、Codex、OpenCode，或想把 issue 修復、UI 測試、code review 分配給不同 Agent，Orca 就值得試，它比較像從單兵作戰進入小隊協作。

延伸資源

FAQ

Orca ADE 是什麼？

Orca 是 AI Development Environment，可以把 Codex、Claude Code、OpenCode、Pi 等 CLI agent 放在同一個介面裡並行工作。

Orca 為什麼要用 Git worktree？

Git worktree 可以讓每個 Agent 在獨立工作區修改程式碼，避免互相覆蓋檔案，也方便最後比較 diff 和測試結果。

Orca 適合所有開發者嗎？

如果只是偶爾用一個 Agent 改小檔案，Orca 可能太重。若你常用多個 Agent、需要任務隔離、差異比較、手機遠端和任務恢復，Orca 就很適合。

Playwright CLI 是什麼？讓 Codex 用 CLI 操作瀏覽器

Playwright CLI 是什麼？讓 Codex 用 CLI 操作瀏覽器

by | 7 月 15, 2026 | AI, skills

Playwright CLI 這個方向很值得注意，因為它把瀏覽器自動化從「大型工具協議」拉回成 coding agent 很擅長使用的 CLI 指令，對 Codex、Claude Code、GitHub Copilot 這類工具來說，差別不只是能不能操作網頁，而是能不能用更少上下文、更少 token、更穩定地完成重複任務。

以前要讓 Agent 操作瀏覽器，常見做法是 MCP、Chrome extension、CDP debug port，或直接寫 Playwright 程式。這些方法各有好處，但也都有代價，Playwright CLI 的取向很清楚：把常見瀏覽器操作包成簡短命令，搭配 skill 讓 Agent 知道怎麼用。

先講結論

Playwright CLI 是 Microsoft 推出的 Playwright 命令列工具，我們以前常常用他的程式庫，也有用過他的 MCP ，現在官方 README 直接寫它是 Playwright CLI with SKILLS，它可以 open、goto、click、type、snapshot、find、screenshot、console、requests、trace、video，也有 `show` dashboard 可以觀察背景裡的 browser sessions。

我會把它定位成 AI coding agent 的瀏覽器手腳，MCP 比較像完整工具層，Playwright CLI 則像可被 Agent 快速呼叫的瀏覽器 shell。大型專案裡，Agent 一邊改程式、一邊跑 UI、一邊截圖驗證，CLI 路線通常更省上下文。

為什麼 CLI 比 MCP 更省

官方 README 對這點講得很清楚，CLI 加 skill 的好處，是不需要把大型 tool schema 和冗長 accessibility tree 塞進模型上下文。Agent 只要呼叫目的明確的命令，再讀回 snapshot 或輸出檔，就能完成下一步。

這也解釋了為什麼有人把原本基於 Chrome Dev MCP 的 skill 改成 Playwright Python 或 CLI 流程後，速度可以明顯變快。核心不是 Playwright 比 MCP 神奇，而是把探索階段標準化成腳本後，就不需要每次都消耗大量 token 重新推理。

Playwright CLI 和 MCP 在 coding agent 工作流中的差異圖
CLI 加 skill 適合高頻、可標準化的瀏覽器任務。MCP 仍適合需要長時間持續狀態與豐富頁面 introspection 的探索型工作。

它能做什麼

Playwright CLI 的命令很完整，已經不是只打開網頁和截圖而已。核心操作包含 `open`、`goto`、`type`、`click`、`fill`、`drag`、`hover`、`select`、`upload`、`check`、`snapshot`、`find`、`eval`。也有 console、network requests、trace、video 和 locator 生成。

這讓它不只是測試工具，也可以變成瀏覽器自動化框架。舉例來說，Agent 可以先 `open` 網頁，再用 `snapshot` 取得頁面狀態，用 `find` 找文字或元素，用 `click` 和 `fill` 操作表單，最後 `screenshot` 留存結果。這種流程很適合寫進 skill，之後重複執行。

自動發文、自動測試、社群互動

Playwright CLI 最容易落地的場景，是把每天都要重複打開瀏覽器完成的事，變成可檢查、可重跑、可留紀錄的工作流。它可以用在自動發文，例如登入 WordPress、填標題、貼上 Gutenberg HTML、上傳圖片、儲存草稿。這不一定要取代 API，而是當某些後台沒有好用 API 時，讓 Agent 仍然能用瀏覽器完成同一件事。

第二個場景是自動測試。Agent 可以開啟本機開發站、測登入流程、點選主要按鈕、檢查表單錯誤、看 console、抓 network requests、最後截圖留存。這種流程很適合接在 Codex 修改程式之後，讓它不是只改完程式就停下來，而是自己打開畫面驗證一次。

第三個場景是社群互動。以 Facebook 為例，它可以幫你打開指定頁面、整理新貼文、判斷哪些內容和你關心的主題相關，再把候選清單列出來讓你確認。確認後再執行點讚、收藏或回覆，會比完全自動亂點安全很多，也比較不容易違反平台規範。

我會把這類流程設計成「Agent 先整理，人再批准，Agent 再執行」。自動發文可以先存草稿，自動測試可以直接跑，自動社群互動則最好保留人工確認。這樣 Playwright CLI 才不是單純的瀏覽器代點工具，而是把人的判斷和 Agent 的執行力接在一起。

安裝方式

官方安裝方式很直接，Node.js 需要 18 以上。

npm install -g @playwright/cli@latest
playwright-cli --help

如果要讓 Claude Code、GitHub Copilot 等工具讀到本機 skill，可以執行。

playwright-cli install --skills

最小 demo 可以這樣跑。

playwright-cli open https://demo.playwright.dev/todomvc/ --headed
playwright-cli type "Buy groceries"
playwright-cli press Enter
playwright-cli screenshot

但 codex 他不會也一起安裝，記得將 ~/.claude/skills/playwright-cli 手動複製一份到 ~/.codex/skills/playwright-cli

Session 是實用關鍵

Playwright CLI 預設會在記憶體裡保留 browser profile，也就是說，同一個 session 裡 cookies 和 storage state 可以跨 CLI calls 保留，但瀏覽器關掉後會消失。如果需要跨重啟保留登入狀態，可以加 `–persistent`。

這對日常 Web 工具很有用。很多雲端服務沒有 API，或 API 權限很麻煩，但網頁端功能完整。只要能穩定接管已登入的 browser session，Agent 就能把一段 GUI 操作變成 CLI 流程，再逐步沉澱成可重複腳本。

playwright-cli -s=work open https://example.com --persistent
PLAYWRIGHT_CLI_SESSION=work claude .

Dashboard 讓你能接管 Agent 的手

`playwright-cli show` 是我很喜歡的一個設計。它會開啟 visual dashboard，讓你看到所有 running browser sessions，有 grid view 和 session detail，當 Agent 在背景操作時，你可以觀察它走到哪裡，也可以接管滑鼠鍵盤介入。

這比完全黑箱的自動化舒服很多，尤其是登入、二階段驗證、付款頁、複雜後台這類任務，最好不要讓 Agent 完全盲跑。Dashboard 讓人和 Agent 可以輪流掌控同一個 browser session。

跟 Chrome extension、CDP、Browser MCP 怎麼選

這幾條路線我會這樣分。Chrome extension 適合直接接你的日常瀏覽器，登入態和擴充功能都在，但穩定性和權限邊界要看實作。CDP debug port 很直接，也常被大型模型理解，但安全邊界要自己管。Browser MCP 適合需要豐富頁面 introspection 的任務，但上下文成本可能比較高。

Playwright CLI 的定位則是把常見動作變成可觀察、可重複、可腳本化的命令。它不一定取代所有方案，但很適合放在 Codex 作為 AI 代理 的日常工作流裡，需要更高階的瀏覽器自動化，也可以對照 Stagehand 的 AI 瀏覽器自動化。

真正的價值是把 GUI 操作沉澱成 Skill

一次性的瀏覽器操作不稀奇。真正有價值的是，Agent 第一次探索成功後，把流程改寫成 CLI 或 Python 腳本，下次就不用再讓模型從頭看畫面。這也是留言裡很有用的一個實測方向：原本要跑很久又吃 token 的流程，改成標準化腳本後，可以變成十幾秒完成。

這和 讓 Agent 自己搜尋和安裝 skills 的方向可以接起來。Skill 不只是教學文件，而是把成功流程變成下一次可以直接使用的能力。

我會怎麼導入

第一步先拿一個低風險網站測 `open`、`snapshot`、`find`、`click`、`screenshot`。不要一開始就碰重要帳號。第二步把常用流程拆成固定腳本，例如登入後查狀態、下載報表、填表單、截圖回報。第三步才把流程寫成專案 skill，讓 Codex 或 Claude Code 在需要時自動呼叫。

如果是團隊環境，我會把 session 名稱固定，例如 `qa-app`、`admin-staging`、`docs-preview`。這樣 Agent 不會混用瀏覽器狀態，也比較容易透過 dashboard 觀察。這和 多 Agent 協作工作流 也很搭。

我的判斷

Playwright CLI 的重點不是多一個瀏覽器控制工具，而是把 Agent 做 GUI automation 的方式變得更工程化。先探索，再標準化，再變成 skill。這條路線會比讓模型每次重看整個頁面更可靠，也更省。

如果你平常會讓 Codex 幫你跑網頁測試、填後台、截圖、查 console、看 network request，Playwright CLI 很值得放進工具箱。MCP 仍有價值，但 CLI 加 skill 會是很多高頻任務更輕的解法。

延伸資源

FAQ

Playwright CLI 和 Playwright MCP 差在哪裡？

Playwright CLI 偏向簡短命令和 skill 工作流，適合高頻 coding agent 任務。Playwright MCP 更適合需要持續狀態、豐富頁面 introspection 和長時間探索的任務。

Playwright CLI 可以保留登入狀態嗎？

可以。同一個 session 內 cookies 和 storage state 會保留。如果要跨瀏覽器重啟保存，可以用 `–persistent`。

Codex 可以使用 Playwright CLI 嗎？

可以。Playwright CLI 是命令列工具，Codex 可以透過終端指令使用它。若搭配 skill，Agent 更容易知道該怎麼拆解瀏覽器操作流程。

什麼任務最適合用 Playwright CLI？

最適合可重複、可腳本化的網頁任務，例如表單操作、UI 測試、截圖驗證、console 檢查、network request 檢查和後台例行操作。

Graphify 是什麼？把專案變成 AI 可查詢知識圖譜

Graphify 是什麼？把專案變成 AI 可查詢知識圖譜

by | 7 月 15, 2026 | AI, skills, Tool

Graphify 最有價值的地方，是把「讀專案」這件事從一次性的上下文塞爆，改成可以重複查詢的知識圖譜， Codex、Claude Code、OpenCode、Cursor、Gemini CLI 這類 AI coding assistant 來說，最大的浪費常常不是寫程式，而是每次都重新理解同一個 codebase。

如果 OpenWiki 解決的是 Agent wiki 和文件記憶，Graphify 更像是把整個資料夾編譯成一張可追蹤的圖，它可以處理程式碼、SQL schema、R script、shell script、文件、論文、圖片，甚至影片和音訊，最後輸出 `graph.html`、`GRAPH_REPORT.md` 和 `graph.json`。

先講結論

Graphify 不是向量資料庫，也不是單純 RAG。官方說得很直接，它不用 embeddings，也不放 vector store，而是建立一張可以 traverse 的真實 graph，你可以問一個概念是什麼，也可以追兩個概念之間的 shortest path，或要求它回答某個問題時只返回相關 subgraph。

這對 coding agent 很重要，因為大型專案裡的關係不是只有語意相似，還有 import、call、inherit、mix in、schema、設定檔、文件註解和設計決策，Graphify 把這些關係轉成節點和邊，讓 Agent 不必每次都用 grep 或全文讀取重新猜。

Graphify 是什麼

Graphify 是一個 AI coding assistant skill，安裝後可以在支援的平台裡輸入 `/graphify .`，Codex 則使用 `$graphify`。它會掃描當前資料夾，把程式碼、文件、PDF、圖片和影片整理成知識圖譜。

官方快速開始很短，重點是 PyPI 套件名稱叫 `graphifyy`，不是 `graphify`。這點要記住，因為 README 特別提醒其他 `graphify*` 套件不是官方套件。

uv tool install graphifyy      # install the CLI (or: pipx install graphifyy)
graphify install               # register the skill with your AI assistant

之後在 AI assistant 裡執行。

/graphify .

為什麼它不是一般 RAG

一般 RAG 常見做法是切 chunk、做 embedding、進 vector store，再用語意相似度找片段。這對文件問答很好用，但對程式碼架構不一定夠。因為程式碼最重要的線索常常是顯式關係，例如某個 class 被誰繼承，某個 function 被哪裡呼叫，某個 schema 影響哪個 API。

Graphify 對 code maps 採 local-first。程式碼透過 tree-sitter AST 解析， deterministic，不需要 LLM，也不會把程式碼送出本機。文件、PDF、圖片和影片這類語義 pass 才會使用 assistant model 或你設定的 API key。

EXTRACTED 和 INFERRED 是關鍵

Graphify 很值得學的一點，是它會標記每條邊的來源。`EXTRACTED` 代表關係明確存在於來源裡，`INFERRED` 代表由 Graphify 推導出來。這比單純把答案講得很肯定更重要，因為 Agent 常犯的錯不是沒有答案，而是不知道哪些是看到的，哪些是猜的。

aivi 的整理還提到第三類 `AMBIGUOUS`，代表不確定的關係要留給人工審查。這種設計很適合放進團隊工作流，因為架構理解不該只追求自動化，也要保留可審計性。

輸出檔案怎麼看

一次執行後，最核心的是三個檔案。

檔案用途我會怎麼用
graph.html互動式圖譜快速看社群、節點和跨模組關係
GRAPH_REPORT.md摘要報告讓 Agent 先讀專案重點和建議問題
graph.json完整圖資料後續 query、path、explain 不必重讀所有檔案
Graphify 把資料夾轉成可查詢知識圖譜的流程圖
Graphify 的核心流程是偵測檔案、抽取關係、建立 graph、切分社群，最後讓 Agent 可以 query、path、explain。

最適合哪些場景

我會優先用在三種情境。

第一，接手陌生 codebase，需要先知道核心節點和模組邊界。

第二，專案同時有 app code、database schema、infra script 和文件，單純全文搜尋很難看出關係。第

三，研究資料夾裡有論文、截圖、筆記和實驗程式，需要把概念關係串起來。

這和我前面整理的 OpenWiki 可以搭配。OpenWiki 偏向替 Agent 建立 wiki 記憶，Graphify 偏向把來源資料拆成可查詢 graph。兩者放在一起，就是文件記憶加關係推理。

Benchmark 怎麼解讀

官方 README 摘要裡列了幾個 benchmark。LOCOMO recall@10 是 0.497，對照 mem0 的 0.048 和 supermemory 的 0.149，差距很大。LOCOMO QA accuracy 是 45.3%，低於 supermemory 的 49.7%，但高於 mem0 的 27.3%。LongMemEval-S QA accuracy 則是 76%，官方標註和 dense RAG tied。

Graphify benchmark 摘要圖，包含 LOCOMO recall 和 QA accuracy
這些數字適合當成方向參考。Graphify 的價值不只是單點 QA，而是能把關係路徑保存下來讓 Agent 反覆查詢。

Codex 使用要注意什麼

Graphify 支援 20 個以上 assistant 平台。對 Codex 使用者來說，官方特別提到 Codex 用 `$graphify`，不是 `/graphify`。另外如果要做 parallel extraction，需要在 `~/.codex/config.toml` 的 `[features]` 下設定 `multi_agent = true`。

這點和 Codex 作為 AI 代理 的方向很搭。Codex 如果只靠當下上下文，很容易在大型 repo 裡反覆找檔案。Graphify 可以先把核心結構整理好，讓後續任務更像查地圖，而不是每次重新探路。

可以匯出到 Obsidian、Neo4j 和 MCP

aivi 的整理提到 Graphify 有很多可選輸出，包括 Obsidian、SVG、GraphML、Neo4j Cypher、直接推送 Neo4j、MCP server 和 wiki 風格 Markdown。這代表它不是只服務某一個 assistant，而是可以把 graph 變成團隊知識資產。

如果你已經有 GraphRAG 使用本地 Ollama 的經驗，可以把 Graphify 看成更偏工程專案的知識圖譜入口。它不是取代 GraphRAG，而是把 repo、文件與工程關係先整理成一個可操作的圖。

我會怎麼導入

第一步只跑 code。因為 code map 是 local-first，不需要 LLM token，風險最低。

第二步打開 `graph.html` 看社群是否合理，再讀 `GRAPH_REPORT.md`，確認 god nodes 和 surprising connections 是否真的有幫助。

第三步才把 docs、PDF、圖片或影片加進來，並明確估算語義 pass 會用到哪個模型和多少成本。

如果是私有專案，我會先禁用媒體語義分析，只讓 tree-sitter 解析程式碼。等到確定 graph 有價值，再逐步開文件和圖片。這樣比較符合安全直覺，也不會一開始就把整個公司資料夾丟進模型。

我的判斷

Graphify 的核心價值不是炫酷的圖，而是讓 Agent 對大型專案有可追溯的結構記憶。它把「讀懂專案」變成一個可重複、可更新、可查詢的輸出，而不是每次都靠模型臨場發揮。

我會把它放進 AI coding 工作流的前置步驟。陌生 repo 先 Graphify，需求進來前先看 graph report，修改前查 path，修改後用 hook 或 watch 更新圖譜。這樣 Agent 比較不會只看局部檔案就亂改。

延伸資源

FAQ

Graphify 和 RAG 有什麼不同？

RAG 常用向量相似度找片段，Graphify 建立可 traversal 的知識圖譜。它更重視 import、call、inherit、文件引用和設計決策這類關係。

Graphify 會把程式碼送到雲端嗎？

程式碼 map 是 local-first，透過 tree-sitter AST 解析，不需要 LLM。文件、PDF、圖片和影片的語義分析才會使用 assistant model 或你設定的 backend。

Codex 可以用 Graphify 嗎？

可以。官方支援 Codex，並提醒 Codex 使用 `$graphify`。若要 parallel extraction，需要在 Codex config 啟用 `multi_agent = true`。

Graphify 適合私有專案嗎？

適合先從程式碼圖譜開始，因為 code parsing 可以本地完成。若要分析文件、圖片或影片，建議先確認使用的模型和資料外送邊界。

dots.tts 是什麼？3 秒聲音復刻背後的開源 TTS 架構整理

dots.tts 是什麼？3 秒聲音復刻背後的開源 TTS 架構整理

by | 7 月 15, 2026 | 未分類

開源 TTS 最近很熱，但 dots.tts 值得特別看，原因不是只有聲音像，而是它把文字轉語音的路線又往前推了一步，它是一個 2B 參數的全連續端到端自回歸 TTS 系統，官方說明裡最關鍵的一句話是，整條管線不使用離散 token，而是用連續 latent 來完成語音生成。

如果你已經看過 Qwen3-TTS 的音色設計，或之前玩過 VoxelCPM 本地聲音復刻，dots.tts 可以放在同一條脈絡裡理解，以前很多 TTS 工具在可用性上已經不差，現在競爭點開始變成音色相似度、情緒穩定度、跨語言保真，以及能不能進一步做成即時語音 Agent 的底層能力。

先講結論

dots.tts 最適合被理解成一個偏研究與工程兼具的開源 TTS 底座。它不是只把文字念出來，而是把語意編碼器、LLM、自回歸 flow-matching 聲學頭、48 kHz AudioVAE 和 speaker x-vector 接成一條完整語音生成管線。

它目前最吸引人的地方有三個。

第一，官方釋出 pretrained、SCA 和 MeanFlow distilled 三種 checkpoint。

第二，SCA 版本主打更好的 voice cloning 表現。

第三，MeanFlow 版本用比較少的取樣步數換取推理速度，比較適合在產品或本地服務裡評估。

dots.tts 是什麼

dots.tts 是一個 2B 參數的 fully continuous end-to-end autoregressive text-to-speech 系統。官方 README 寫得很直接，它的骨幹由 semantic encoder、LLM 和 autoregressive flow-matching acoustic head 組成，底層則接 48 kHz AudioVAE。

這裡的重點是 fully continuous。傳統語音生成常會把聲音先離散化成 codec token，再讓模型預測 token，dots.tts 選擇不要走這條路，而是在連續 latent 空間裡處理語音。這個設計會讓架構更複雜，但它也讓音色、韻律和情緒細節有更大的保留空間。

三個 checkpoint 怎麼選

官方目前釋出三個 Hugging Face checkpoint，它們共用同一個 backbone，差別在品質、速度與對 voice cloning 的優化方向。

版本定位建議步數適合情境
dots.tts-base預訓練 checkpoint10 到 32想先確認基本品質與架構
dots.tts-soarSelf-corrective-aligned 版本10 到 32重視聲音復刻和音色相似度
dots.tts-mfMeanFlow distilled student4重視速度與部署成本

我會先從 dots.tts-soar 開始測，因為 voice cloning 通常是大家最在意的部分。如果要做服務化，才把 dots.tts-mf 拉進來比較延遲與硬體成本。

它的架構重點

官方架構可以拆成四層來看。AudioVAE 負責把 48 kHz mono waveform 編碼成連續 latent，也負責還原成聲音。Semantic encoder 會把新生成的 VAE patch 重新編碼成較緊湊的語意表示，LLM 由 Qwen2.5 1.5B Base 初始化，直接吃 BPE text。最後的自回歸 flow-matching acoustic head 則負責預測下一段聲音 latent。

這個設計有一個很有意思的方向。它不只是 TTS，也比較像是在替語音互動系統準備底座，官方提到 1T1A interleaved mode，可以讓一個 BPE token 和一個 audio step 交錯，目標是低延遲 streaming。這就會和 本地即時語音 Agent 的方向接起來。

數據上有多強

官方 benchmark 裡最直觀的是 Seed-TTS-Eval，dots.tts SCA 在中文測試的 WER 是 0.94，英文是 1.30，中文 hard set 是 6.60，平均 WER 是 2.95。這組數字和 Qwen3-TTS、CosyVoice 3、F5-TTS 放在一起看，已經是開源 TTS 裡非常前段的位置。

模型參數量英文 WER中文 WER中文 hard WER平均 WER
dots.tts SCA2B1.300.946.602.95
Qwen3-TTS1.7B1.231.226.763.07
CosyVoice 31.5B2.221.125.833.06
F5-TTS0.3B2.001.538.674.10
dots.tts 與其他開源 TTS 在 Seed-TTS-Eval 平均 WER 的比較
平均 WER 越低代表文字內容錯誤率越低。這張圖只取官方 README 表格中的部分模型，方便快速比較。

另一個值得注意的是 MiniMax Multilingual，官方寫到 dots.tts SCA 的平均 speaker similarity 是 83.9，並且在 24 種語言裡有 19 種取得 SIM 領先，另有 2 種並列，這代表它的聲音相似度不是只在中文或英文好看，而是有跨語言保存音色的能力。

本地部署先看這幾件事

官方建議用 Python 3.10 到 3.12 開新的 conda environment，再從 source 安裝。這類語音模型通常對套件版本很敏感，所以我會照官方 constraints 跑，不會一開始就混用自己環境裡的 torch、transformers 或音訊套件。

conda create -n dots_tts python=3.10 -y
conda activate dots_tts
python -m pip install --upgrade pip
python -m pip install -e . -c constraints/recommended.txt

最小測試可以用 CLI。voice cloning 建議給一段乾淨 reference audio，官方建議大約 10 秒就好，太長不會帶來更好的結果。更重要的是 prompt text 要和 reference audio 實際說的內容一致，不一致會讓穩定度變差，甚至出現 word-level 錯誤。

dots.tts   --model-name-or-path rednote-hilab/dots.tts-soar   --text "這是一段語音合成測試"   --prompt-audio /path/to/reference.wav   --prompt-text "參考音訊實際說出的文字"   --num-steps 10   --output clone.wav

我會怎麼測 dots.tts

第一輪不要急著做長文朗讀，先準備三種 reference audio，分別是乾淨女聲、乾淨男聲、帶一點情緒的自然說話，每段控制在 8 到 12 秒，背景聲音越少越好，然後用同一段中文、英文和中英混合文字跑三次，看它的穩定度和語言切換表現。

第二輪才測情緒與語氣，這裡不要只聽像不像，還要看文字內容是否漏字、重複、破音，還有語尾是否自然，TTS 如果只追求音色相似，很容易忽略可讀性，真正能進工作流的 TTS，應該是長時間輸出也不容易出錯。

第三輪測 streaming，官方 Python API 提供 generate_stream，這對語音助理、客服機器人、角色互動很重要，這也能和我之前整理的 audio.cpp 本地語音 AI 底座 放在一起看，未來本地語音工作流很可能會走向 ASR、LLM、TTS 都可替換的模組化架構。

限制也要先看清楚

dots.tts 不是所有語言都一樣穩，官方風險與限制裡提到，低資源語言會有 WER gap，特別是阿拉伯文、印地文、土耳其文、越南文這類資料覆蓋比較吃緊的語言，它可以保住 speaker similarity，但文字正確率不一定跟高資源語言一樣漂亮。

另一個限制是訓練資料偏 speech-heavy，AudioVAE 雖然原則上是 modality-agnostic，但這次釋出的模型不涵蓋唱歌，也不是統一的 speech 加 sound generation 模型。所以如果你的需求是歌曲翻唱、音效生成或完整聲音設計，它不是最直接的答案。

我的判斷

dots.tts 最值得關注的不是 3 秒復刻這種口號，而是它把開源 TTS 拉到更接近產品級底座的位置，2B 參數、連續 latent、自回歸 flow matching、SCA 對齊、MeanFlow 蒸餾，這些都不是單純 demo 型專案會一次放齊的東西。

如果你只是想快速產生中文旁白，現成工具可能更省事，如果你想研究本地 voice cloning、即時語音 Agent、跨語言音色保留，或把 TTS 放進自己的產品工作流，dots.tts 很值得列入測試清單。

延伸資源

FAQ

dots.tts 適合拿來做聲音復刻嗎？

適合評估，尤其是 dots.tts-soar。官方把它定位成 voice cloning 表現最好的 checkpoint，但實際品質仍取決於 reference audio 是否乾淨，以及 prompt text 是否和參考音訊一致。

dots.tts-mf 和 dots.tts-soar 差在哪裡？

dots.tts-soar 偏向品質與聲音復刻，dots.tts-mf 是 MeanFlow distilled student，官方建議 4 steps，目標是降低推理成本與提升速度。

參考音訊要多長？

官方建議大約 10 秒。更長不一定更好，乾淨、高取樣率、低背景噪音、自然說話，比單純拉長音訊更重要。

dots.tts 可以做唱歌或音效生成嗎？

不建議把它當成這類任務的主要方案。官方限制裡寫到這次釋出偏 speech-heavy，沒有覆蓋唱歌，也不是 speech 加 sound 的統一生成模型。