# CloudCode 一站式云端AI工作台 Original: Author: [奶爸](https://lifelonglearn.ing/users/3b04650c-8231-499b-8ef0-381fc4d7efb0) Published: 2026-02-20T01:43:17Z Updated: 2026-10-12T16:33:06Z Version: 2 ## v0 到 v1 之前 v0 版本的时候（介绍在上面v1文章里），也是我初步入门 harness，几个头部 coding agent 也都用过了，那时候我的需求只是把 coding agent 挪到云端，释放我本地电脑，AMD 的机器，发热严重。这半年多时间，cloudcode 用的也很舒服，而且 cloudcode v1.0 版本也是从 v0 版本上热开发热更新来的，但是是完全不同的设计。之前的 v0 版本： ![老v0版本](https://lifelonglearn.ing/upload/07e021d3-b12f-cd80-c063-9afea2e0206d.png) v0 版本很简单，最开始借助了 opencode web 来当作操作界面，本质上就是个基于docker的多opencode web 实例管理工具。解决了它同域名下 opencode web 多实例管理的问题，现在他们也还不支持子路径部署，因为这涉及前端资源加载、数据存储等一系列问题，细节也挺多。后面我又接入了 cloudcli（一个第三方的多agent web ui）来使用 Claude code 和 codex。 后面经过半年我通过 v0 cloudcode 做了很多事情，加上多了一些其他需求且接受了来自社区的一些AI经验和新闻，还有受不了opencode占用十几个GB的SQLite了，我准备了 v1.0 的重构。这次重构完全剔除了 opencode web、cloudcli 内置一套基于 pi 底座的 web ui，然后设计理念分为3部分。 ## 设计理念 UI 风格是基于我之前断断续续关注的 Dear-ImGUI 的紧凑专业型风格，因为平常我都不开自己电脑，基本都是空闲的时候手机上操作一下，移动端优先。紧凑型的设计可以在移动端展示更多的内容。 然后就是场景，核心设计了三种使用场景，这也是我自己对 harness 理解的一份答卷，是我自己(可能的)需求的一个落地。 ### 1. 工作台 ![Screenshot20261007at105607.png](https://lifelonglearn.ing/upload/cb2a5bea-ad5d-6ceb-8202-37ce70b8aca0.png) 工作台是我直接上手去处理需求和查看所有agent的会话使用的，还有便捷的文件管理和终端及简单的查看工作区变动用的工具，这是最直接的使用场景，人直接操作。 ### 2. workflow workflow 其实 v0 里面也有，但是 v0 我自己根本没用过（没有时间😂也不算有需求），只是让 AI 自己做出来自己测了一下。但是 v1.0 的 workflow 是真正可用的 workflow。 ![工作流定义](https://lifelonglearn.ing/upload/2b5dcb92-3c9e-dcd2-a43b-6a155b4f31e9.png) ![运行记录](https://lifelonglearn.ing/upload/321b8ef3-8350-bc6a-448b-de46f4be9f69.png) workflow 是借助 AI 处理标准化流程用的，[bonds](https://lifelonglearn.ing/bonds-app) 是我做的一个PRM系统，它重写了monicahq/monica 但是说实话我使用它的时间不超过1h，因为我太忙了，没精力维护个人关系。但是他有几个忠实用户一直在提 issue，那我都不用也不看代码，怎么有用户用且实现正确的呢？因为我都是通过 opencode web、cloudcli 一步一步监督着实现的，AI 对方案的选择、AI 的实现、本质上就是我的 taste。其实我的 taste 就那几个，比如尽量减少持久化的数据，非必要不持久化，比如要做适合所有用户的通用能力而不是issue要求什么就实现什么等。我感觉上是完全可以标准化的，那么这个项目将变为一个完全自维护的项目。 所以我真正的让 workflow 变得能用，真正测试了它，这是 bonds 上的一个[测试 PR](https://lifelonglearn.ing/r/go?url=aHR0cHM6Ly9naXRodWIuY29tL25haWJhL2JvbmRzL3B1bGwvMjky)，0 监督，全 AI 实现。workflow 的设计很大程度上源于我对 n8n 的使用体验，融合了 agent 节点，它也有几种 trigger。 ### 3. 办公室 模型都是那个模型，你创建几个角色拉到一起结果就大于1了？哈哈，听我狡辩。 ![Screenshot20261007at112646.png](https://lifelonglearn.ing/upload/6d1abfa1-21e6-194b-0753-393762d47b63.png) 「办公室」解决的实际上是上下文隔离和注意力增强的问题，避免同一个会话上下文过长造成注意力偏移或者历史context的首因效应先入为主影响后续的对抗性操作。这个我也测试了但是目前我自己还没有一个明确需求不算深入验证。 ## 总结 全局实现了全 agent 一处配置，AGENTS.md、MCP、Skills 的多处双向同步，一处配置所有实例所有 agnet 一起用。 workflow 和办公室也都有给各 agent 提供 mcp，都不需要人工一点一点创建。 整体底层都是借助 pi/claude/codex 的 harness，我只做缝纫工，借助他们的 compact 等的基础能力我更放心，不选择自己实现一个垃圾不可靠的context工程体系。 ## 体验一下 okay，到这里可能有些同学已经心里痒痒了，也想在自己 8C16G 的服务器上体验一下？虽然 CloudCode 目前不准备开源，docker 中的代码也经过编译时混淆，但是仍然提供 docker 使用： 在 README 部分有部署说明。欢迎留言互相交流～