Claude Code负责人公开本地开发流程：不用Copilot、不联网、全靠本地Agent协作

用AI辅助写代码，总会遇到网络延迟、隐私担忧、工具链割裂这些问题。Claude Code的负责人Boris Cherny最近在X上分享了他的日常做法：完全不用Copilot，不联网，所有工作都由本地Agent协作完成。不少硅谷工程师仔细看了他的终端截图，发现这不是在炫技，而是一套可以复现的AI自动化工作流。

他的工作流具体怎么做？

Boris的终端里运行着三个本地Agent，各司其职：

1. 代码生成Agent：基于Claude模型，但完全离线，跑在本地的Ollama上。
2. 测试Agent：自动监听代码文件变更，触发Jest测试并生成覆盖率报告。
3. 部署Agent：检测到测试通过后，自动构建Docker镜像并推送到本地Registry。

一个关键细节：这三个Agent之间不通过HTTP API通信，而是用Unix管道和文件监听来传递数据。比如，代码生成Agent写完一个文件，测试Agent通过chokidar监听到这个变更，立刻启动测试——延迟低于200ms，比调用云端API快一个数量级。

这和Agent协议趋势有什么关系？

Boris的做法看起来有点“复古”，但实际上踩中了MCP（模型上下文协议）和A2A（Agent-to-Agent）协议正在解决的核心问题：

• MCP强调的“上下文本地化”：他的Agent直接读取本地文件系统、Git历史、项目依赖树作为上下文，能获取的信息比云端Agent深得多。
• A2A追求的“低耦合协作”：三个Agent通过标准输入输出流通信，任何一个Agent崩溃都不会影响整体——这正是A2A协议里“进程级隔离”的一种实践。

行业动向：LangChain最近推出的LocalAIAdapter、HuggingFace的transformers-agent本地模式，都指向同一个方向：把Agent的“身体”留在本地，只让“大脑”偶尔上云。

三个可以直接用的实战技巧

技巧1：用Named Pipe替代HTTP API

# 创建命名管道
mkfifo /tmp/agent_comm

# Agent A写入
echo "test_passed" > /tmp/agent_comm

# Agent B读取（阻塞式等待）
read status < /tmp/agent_comm

好处：没有网络开销，进程间通信延迟极低，适合需要高频协作的场景。

技巧2：本地模型与云端模型的混合路由

# 判断任务该交给本地还是云端模型

![配图](https://yitb.com/usr/uploads/covers/cover_mcp_20260513_081641.jpg)

def route_task(task):
    if contains_sensitive_data(task):  # 如果包含API密钥、客户数据等
        return LocalOllamaAgent()       # 走本地Llama3
    else:
        return ClaudeAPIAgent()         # 复杂推理任务走云端

实际效果：有电商团队采用类似方案后，每月API成本降低了超过70%，并且客户数据完全没有离开本地环境。

技巧3：用文件监听实现“无API协作”

const chokidar = require('chokidar');
const watcher = chokidar.watch('./src', {
  ignored: /(^|[\/\\])\../, // 忽略隐藏文件
  persistent: true
});

watcher.on('change', (path) => {
  console.log(`检测到${path}变更，启动测试Agent...`);
  spawn('node', ['./agents/test-agent.js', path]);
});

实测效果：比轮询检测节省了大量CPU资源，从代码变更到测试启动的延迟从几秒降到了半秒左右。

需要注意的几个坑

1. 上下文窗口限制：本地模型（如Llama3）通常只有8K上下文，需要设计一个上下文摘要Agent，定期压缩历史对话。
2. 资源竞争：如果多个Agent同时读写同一个文件会冲突——使用文件锁（flock）或消息队列来解耦。

3. 调试困难：建议给每个Agent定义统一的日志格式，方便追踪问题：

   [2024-06-15 14:30:22][CodeAgent] 生成函数calculateTotal() → 耗时1.2s

可以立即开始的行动

1. 今天就能试：用mkfifo创建一个命名管道，让两个简单的脚本通过管道通信（很快就能跑通）。
2. 本周可落地：在现有项目中引入chokidar监听文件变更，实现“保存即测试”。
3. 进阶方向：研究MCP协议中local_resource字段的定义，尝试把本地Git仓库作为Agent可访问的上下文源。

核心思路：未来的AI开发可能不是“人+Copilot”，而是“人调度一组Agent”。Boris的工作流之所以引起关注，是因为他提前实践了一种更自主、更本地化的AI协作模式。