过去一年，很多人对 AI 工具的默认印象还是：要么订阅一个闭源产品，要么打开网页聊天框，要么按月给某个 SaaS 交钱。
这个路径当然顺手。闭源产品体验好，模型强，省心，打开就能用。可问题也很明显：贵、受限、不透明，还经常把你的工作流锁在别人的产品里。
最近我看到一个越来越清楚的变化：便宜但能打的本地 AI 工具，正在从极客玩具变成真实替代方案。
这不是一句开源情怀口号。今天 GitHub Trending 里冒出来的几个项目，信号很扎实：DeepSeek-TUI 是跑在终端里的编码 Agent，local-deep-research 主打本地、加密和私有文档研究，9router 做免费 AI coding 路由和 fallback。它们不完全是同一类产品，但都在回答同一个问题：
如果我不想完全依赖闭源平台，有没有一套更便宜、更可控、也足够能干的 AI 工作流？
我觉得答案正在变成：有，而且越来越像样。
为什么大家开始认真看本地 AI 工具
以前本地 AI 工具给人的感觉，很像 Linux 桌面早期的某些时刻。
能用，但折腾。
你要会装环境，要懂模型格式，要知道显存够不够，要处理依赖冲突。最后好不容易跑起来，效果还可能比闭源产品差一截。普通用户看一眼就走了，开发者也未必有耐心天天折腾。
但现在情况有点不一样。
第一，模型能力的底线抬高了。DeepSeek、Qwen、Llama 系列这类模型，把“本地可用”的水平往前推了一大截。你未必能在所有场景里打赢最强闭源模型，但很多日常任务已经够用。
第二，工具层开始成熟。过去大家折腾的是模型本身，现在更多人在补外壳、流程、路由、记忆、检索和权限。也就是说，本地 AI 不再只是“我能在机器上跑一个模型”，而是开始变成“我能在自己的工作流里用一个 Agent”。
第三，用户对成本和主权越来越敏感。模型订阅、API 额度、隐私条款、企业合规，这些东西叠在一起，就会让人开始想：有没有办法把一部分能力拿回自己手里？
这才是本地 AI 工具升温的底层原因。
不是大家突然变得热爱折腾，而是闭源方案的便利性开始和成本、隐私、控制权发生冲突。
DeepSeek-TUI：终端入口为什么又香了
DeepSeek-TUI 这类工具有个很有意思的点：它没有试图把自己包装成一个华丽的新桌面应用，而是直接回到终端。
这对普通人可能不够性感。可对开发者来说，终端本来就是工作现场。
代码、Git、日志、构建、部署、脚本，全都在那里。一个编码 Agent 如果能自然地待在终端里，它就少了一层切换成本。你不需要在网页、IDE、聊天框之间来回复制粘贴，也不用把上下文搬来搬去。
这类工具真正吸引人的地方，不只是“它支持 DeepSeek”，而是它代表了一种很务实的方向：
把 AI 放回工作发生的地方。
这件事很重要。很多 AI 产品失败，不是因为模型不够强，而是因为入口太别扭。你明明在终端里干活，却要切到网页里问一句，再复制回来，再改，再跑。一次两次还行，天天这样就烦了。
终端 Agent 的优势就在这里。它不一定最漂亮，但够近。离工作越近，越容易被反复使用。
local-deep-research：私有文档才是本地 AI 的硬场景
如果说终端编码是开发者入口，那么 local-deep-research 这类项目踩中的，是另一个更大的需求：私有研究。
很多人对 AI 搜索和研究工具的期待，不只是“帮我查互联网”。真正有价值的材料，往往在本地：
- 公司内部文档
- 项目历史记录
- 客户资料
- 会议纪要
- 个人笔记
- PDF、表格、合同、邮件归档
这些东西才是上下文的金矿。
问题是，你未必愿意把它们全部上传到某个闭源服务里。尤其是企业、咨询、金融、法律、医疗、研发团队，这种顾虑不是矫情，是基本常识。
所以我很看重本地研究 Agent 这条线。
它的核心卖点不是“离线也能用”这么简单，而是：你的知识资产可以留在自己的边界里，同时还能被 AI 调用。
这会改变很多人的使用习惯。过去你可能只敢把公开材料丢给 AI。以后你可以让 AI 在本地读你的私有资料、做摘要、交叉引用、生成研究报告，甚至持续维护一个私有知识库。
这比“又多一个聊天机器人”有意思多了。
9router：便宜不是小事，是生产力问题
9router 这类路由和 fallback 工具，看起来没有那么酷，但我觉得它很现实。
很多 AI 重度用户都知道，真正用起来以后，成本不是小数目。写代码、批量总结、跑自动化、做内容生产、处理文档，只要频率上来，模型调用就会变成账单问题。
所以“路由”会变得重要。
简单说，你不需要每个任务都调用最贵的模型。轻任务用便宜模型，难任务再升级。某个服务挂了，就切到另一个。某个模型今天慢，就临时 fallback。某些场景用免费额度，某些场景用本地模型。
这听起来像工程细节，但它直接影响一个 AI 工作流能不能长期跑下去。
很多工具演示时很惊艳，真放进日常流程里，三天后你发现成本太高、速度不稳、失败率太难看，就不想用了。
便宜，不是降级词。
在 AI 工具里，便宜意味着你敢多试，敢批量跑，敢把它放进自动化流程。一个每天只能小心翼翼用十次的工具，很难变成生产力基础设施。一个成本低到你愿意随手用的工具，才有机会变成习惯。
本地 AI 真能替代闭源方案吗
我不想把话说得太满。
如果你追求最强模型能力、最省心体验、最完整生态，闭源方案现在依然很强。ChatGPT、Claude、Gemini 这类产品不是摆设，它们在通用能力、产品打磨和多端体验上还有明显优势。
但“替代”不一定意味着全面打败。
更现实的替代，是分场景替代。
比如：
- 写脚本、改代码、跑简单任务，可以用本地或低成本 Agent
- 处理私有文档，可以优先放在本地研究工具里
- 批量总结和格式转换，可以走便宜模型或路由工具
- 高价值决策、复杂推理、关键交付，再调用强闭源模型
这种组合，比单押一个闭源产品更健康。
我越来越不喜欢“一个超级应用吃掉所有工作流”的想象。真实世界没那么整齐。更可能出现的是：本地工具、开源模型、低成本路由、闭源强模型，各自待在合适的位置上。
普通用户未必会关心这套架构叫什么。但他会在意三个很朴素的问题：
便不便宜？
靠不靠谱？
我的资料安不安全？
谁能同时回答好这三个问题，谁就有机会从小众工具变成日常工具。
我会怎么用这类工具
如果现在让我给一个普通开发者或小团队建议，我不会说“立刻抛弃闭源模型”。这太激进，也没必要。
我的建议是分三层试。
第一层，把低风险任务迁到本地或低成本工具。比如代码解释、日志分析、草稿生成、格式转换、批量摘要。这类任务错了也容易发现，适合练手。
第二层，把私有上下文放到本地研究工具里。不要一上来就追求全自动，先让它帮你读文档、找关联、做摘要，慢慢建立信任。
第三层，给高成本模型加路由。别让每个请求都默认走最贵的 API。能便宜解决的，就便宜解决。解决不了，再升级。
这套玩法不炫，但很像真实生产力工具的成长路径。
先省钱。
再稳定。
然后才谈替代。
真正的变化：AI 工具开始从云端神坛回到个人工作台
过去几年，AI 给人的感觉有点像一座远处的云端神庙。你把问题送进去，等它把答案赐下来。
现在这个画面正在变。
越来越多工具开始回到你的终端、你的电脑、你的文件夹、你的私有知识库。它们可能没那么华丽，甚至还有点粗糙，但方向很对：AI 不应该只存在于某个网页聊天框里，它应该嵌进你每天真正工作的地方。
这也是我看好本地 AI 工具的原因。
它们短期内未必会让闭源产品失去地位。但它们会不断拿走那些对成本敏感、对隐私敏感、对流程控制敏感的场景。
这些场景一开始看起来零散，积累起来就很大。
最后一句。
便宜但能打，本来就是技术普及最可怕的组合。过去很多产品不是输给了“更强”，而是输给了“够用、更便宜、离用户更近”。
本地 AI 工具现在就在往这个方向走。
闭源方案当然还强，但它们不能再假设用户永远只会留在云端聊天框里了。
参考链接
- GitHub：Hmbown/DeepSeek-TUI，Coding agent for DeepSeek models that runs in your terminal: https://github.com/Hmbown/DeepSeek-TUI
- GitHub：LearningCircuit/local-deep-research，本地化、加密、支持私有文档的研究代理: https://github.com/LearningCircuit/local-deep-research
- GitHub：decolua/9router，免费 AI coding 路由与 fallback 聚合: https://github.com/decolua/9router
- GitHub：addyosmani/agent-skills，Production-grade engineering skills for AI coding agents: https://github.com/addyosmani/agent-skills
- Hacker News：AI is breaking two vulnerability cultures: https://news.ycombinator.com/item?id=48030930