把脑子里那堆乱七八糟的待办倒进一个框里，几秒钟后拿回一张排好优先级、算好截止日期的任务清单——整个过程不联网，数据不出本机。

打开网易新闻 查看精彩图片

这是一个叫 LazyDesk AI 的开源项目，作者把它提交到了 Hacktoberfest 开源 AI 挑战赛第三周，主题是「慢而稳」。它要解决的是几乎每个打工人每天都在经历的小摩擦：脑子里同时装着「周四前交数据库作业」「明天复习图表」「明早给教授发邮件」「这周末买菜」，这些碎片散落在便签、发给自己的聊天消息和乱七八糟的会议记录里。

传统任务管理器的做法是让你一条条手动录入：点「新建任务」、敲标题、下拉选优先级、点日历控件选日期、再打个分类标签。十条任务就是十遍这套流程。作者的原话是，等你录完，人已经累趴了。

它到底省了什么

LazyDesk AI 的卖点很直接：零手动表单。你把混乱的笔记粘进去，它返回一份结构化清单，日期自动换算成 YYYY-MM-DD 格式的日历截止日。按作者的估算，每天能省下 15 到 20 分钟手动排期和算日期的时间。

隐私是另一条主线。所有推理都在本地完成，个人想法和工作日程不会离开你的笔记本电脑，也不会被拿去训练模型。

技术栈拆开看

  • 前端：React 18 加 Vite，深色玻璃拟态界面，带 Ollama 健康状态实时监控、行内任务编辑和优先级筛选。
  • 后端：FastAPI 加 Pydantic v2，负责时区感知的提示词合成，把「明天」「周四前」这类相对时间解析成精确的 ISO 日期字符串。
  • 推理：Ollama 本地跑开源权重模型，可选 Meta Llama 3.2（3B）或 Gemma 2（2B），约束式 JSON 解码，温度设到 0.1，完全离线，零云端遥测。

工程上有两个细节值得说。小模型偶尔会把输出包进 markdown 代码块，或者多嘴说几句废话，所以作者写了一个按花括号配平提取 JSON 的解析器，再叠上严格的 Pydantic 模型校验，保证任务结构稳定。另外项目带了 39 个通过的单元和集成测试，覆盖 Ollama 故障恢复、超时处理、边界清洗和日期计算。

为什么不用云 API

作者给出的理由有三条。一是数据主权：日常想法、个人日程和机密会议记录不该传到第三方数据中心，也不该被用来训练闭源模型。二是成本和可预期性：云 API 有速率限制、按 token 计费和订阅费，而 Llama 3.2 这种 30 亿参数的模型在消费级笔记本上能跑到 40+ tokens/秒，完全免费。三是「慢而稳」本身：断网或者服务商下线接口，云 API 就废了，本地开源权重模型是可以永久运行、可审计的软件产物。

项目以 MIT 协议完全开源。对于每天被待办追着跑、又不想把日程交给云端的人来说，这套「本地小模型 + 严格结构校验」的组合，提供了一个不用牺牲隐私的选项。