castor 自托管代理
Python 编写的自托管 AI 代理，面向客户运营、内部自动化、知识检索与定时报告四类流程，可部署在笔记本、工作站或自有服务器上，采用开源方式发布。
价格免费 + 付费
平台Web / API / CLI / Self-hosted
归类企业服务
收录2024-01-01
复核2024-01-01
编辑评分
4.1 / 5
★★★★☆
DeepFounder Ai编辑总结
DeepFounder AI 是一家 2024 年成立的独立软件实验室，既开发能落到真实业务里的 AI 代理，也做代理赖以稳定运行的底层设施——持久记忆、问题跟踪、协调与存储。公开仓库 6 个，落地产品 4 个，其中 2 套系统用 Rust 编写，全部支持自托管，代理与数据默认留在用户自己的硬件上。接口走 REST、MCP、CLI 这类朴素形式，代码与方法公开。适合愿意自己部署、对数据不出内网有硬要求的团队；反过来，想要登录即用的云端托管服务、没有运维人力的用户，在这里会比较吃力。
DeepFounder Ai是什么？
DeepFounder AI 是一家成立于 2024 年的独立软件实验室，做的事情分三层：开发面向真实工作流的 AI 代理，构建代理所依赖的基础设施，以及把这两者部署到用户自己的硬件上。它强调自托管优先与开放优先，代码、接口和方法都对外公开。
目前对外可见的产品有四款。castor 是一款用 Python 编写、可自托管的 AI 代理，面向客户运营、内部自动化、知识检索和定时报告等场景，可部署在笔记本、工作站或自有服务器上，采用开源方式发布。mnemos 是用 Rust 写的云记忆基础设施，为 AI 代理提供带来源和索引的持久 wiki，通过 REST、MCP 和 CLI 暴露能力。LineAgent 同样用 Rust 编写，是基于单个 SQLite 文件的问题跟踪器，让代理自行提交、分诊和关闭工作项。llm-wiki 则是给 Claude Code 用的个人 wiki 工具，用 Shell 编写，像一个在岗的资料管理员，负责收录、综合、交叉链接和提醒。
从使用方式看，这套产品线是围绕“代理自己干活”设计的：普通用户或业务团队拿到 castor 这类代理后，可以把它接进客户运营、知识库或报表流程；开发者通过 REST、MCP、CLI 接入 mnemos 与 LineAgent，把记忆和任务跟踪接到自己的代理里；对数据合规在意的团队则可以直接在自己服务器上跑全套，避免数据离开内部环境。
DeepFounder Ai核心功能
mnemos 代理记忆
为 AI 代理提供持久记忆的云服务，本质是一份带来源标注和索引的 wiki，通过 REST、MCP、CLI 三种接口读取与写入，用 Rust 实现并开源。
LineAgent 问题跟踪
专为 AI 代理设计的问题跟踪器，底层是单个 SQLite 文件，代理可以通过 REST、MCP、CLI 自行提交、分诊并关闭自己的工作项，用 Rust 编写且开源。
llm-wiki 个人知识库
给 Claude Code 使用的个人 wiki，由 LLM 持续维护：自动收录新内容、做综合整理、建立交叉链接，并主动提醒用户回看，用 Shell 编写。
自托管部署
代理与基础设施默认跑在用户自己的硬件上，可以是笔记本、工作站或自有服务器，不强制使用云端，数据不会离开所在环境，除非用户主动发送。
朴素接口
对外统一提供 REST、MCP、CLI 三类接口，基础设施层用 Rust 编写，强调接口形状简单、存储可靠，把复杂度留在系统内部而非暴露给调用方。
DeepFounder Ai值不值得用？
如果你的团队已经在用 AI 代理、但被记忆丢失或任务跟踪混乱卡住，DeepFounder 这套组合有明确价值：mnemos 管记忆、LineAgent 管任务、castor 做执行，三者都能自己部署，数据不出内网。对数据合规卡得很死的行业，自托管优先这一点比功能数量更重要。但它不是开箱即用的云端产品：没有托管服务形态，要自己准备硬件和部署，小团队得有懂 Python、Rust 和 CLI 的人。产品线才 4 款、实验室 2024 年成立，生态与周边还在早期，选它之前要先确认自己有承接能力。
建议选它的情况
- 对数据出境有硬性限制、必须把代理跑在内网或自有服务器的团队
- 已有 AI 代理但缺少持久记忆与任务跟踪组件的开发者
- 愿意用 REST、MCP、CLI 这类朴素接口自己搭建工作流的工程团队
不建议选它的情况
- 希望注册即用、不想碰部署与运维的个人用户
- 团队里没有 Python 或 Rust 工程能力、只能依赖托管 SaaS 的组织
- 需要成熟商业支持、SLA 与长期版本承诺的企业采购场景
DeepFounder Ai使用建议
入门先把路子走对
- 先看仓库再选产品实验室公开了 6 个仓库、4 款产品。先按自己的场景对号入座：要做执行选 castor，要记忆选 mnemos，要任务跟踪选 LineAgent，再决定从哪个入手。
- 从笔记本单机跑通castor 可部署在笔记本或工作站上。先用一台机器把代理和它的依赖跑通，确认流程可用，再往服务器上迁移，能省掉大量环境排查时间。
- 接口按需选一种mnemos 与 LineAgent 同时提供 REST、MCP、CLI。写代码调用用 REST，接 Claude 类工具用 MCP，脚本化运维用 CLI，不必一开始就三套都接。
进阶省时间也省钱
- 记忆与任务分开存mnemos 是带来源与索引的 wiki，LineAgent 是单文件 SQLite。前者适合沉淀可追溯的知识，后者适合流转中的待办，混在一起会拖慢检索。
- 用来源字段做审计mnemos 的记忆条目本身带来源标注。把来源字段当作审计线索保留下来，代理给出的结论就能回溯到原始材料，排查错误时省事。
- 跟踪文件当轻量队列LineAgent 底层是单个 SQLite 文件，方便备份和迁移。把代理产生的临时任务也写进去，可以顺带获得一份完整的执行轨迹。
DeepFounder Ai适合谁用？
数据敏感行业团队
推荐金融、医疗等不允许数据离开内网的场景，代理与记忆系统都在自有硬件上运行，无需把材料发给第三方云。
代理应用开发者
推荐已经在写 AI 代理、卡在记忆持久化和任务跟踪上的开发者，可以直接接 mnemos 与 LineAgent，不用自己造轮子。
自动化流程负责人
推荐需要把客户运营、知识检索、定时报告串成一条代理流水线的业务团队，castor 的自托管形态适合嵌进现有环境。
无运维人力的个人
不推荐想直接注册账号就用上代理、不愿意配置服务器和命令行的用户，这里没有对应的托管产品形态，上手成本偏高。
DeepFounder Ai优点和缺点
优点
- 产品与基础设施默认自托管，数据不离开自有硬件，除非用户主动发送
- 4 款产品覆盖代理执行、持久记忆、问题跟踪与个人 wiki，链条相对完整
- 6 个仓库全部开源，代码、接口与方法对外公开，可自行审阅与改造
- 接口统一为 REST、MCP、CLI 三类，接入方式简单，学习成本低
- 2 套系统用 Rust 编写，底层存储走 SQLite 这类稳妥方案
缺点
- 没有登录即用的托管形态，部署与运维需要自行承担
- 实验室 2024 年成立，产品线尚在早期，周边生态与文档积累有限
- 4 款产品分属 Python、Rust、Shell 三种技术栈，团队要准备多种技能
- 具体定价与商业授权方式未公布，采购前需联系确认
DeepFounder Ai关键指标
DeepFounder Ai常见问题
这套产品是免费的吗，怎么收费？＋
现有产品均以开源方式发布，代码公开可获取。至于是否另外提供付费支持或商业授权，官方未说明收费方式与档位，需要直接联系团队确认。
现在主要有哪些产品可以用？＋
四款：castor 是 Python 编写的自托管 AI 代理；mnemos 是 Rust 写的代理持久记忆服务；LineAgent 是基于单个 SQLite 文件的问题跟踪器；llm-wiki 是给 Claude Code 用的个人 wiki。此外还有 6 个开源仓库和 2 套 Rust 系统。
数据会不会离开我自己的服务器？＋
默认不会。实验室把自托管作为默认形态，代理及其基础设施跑在用户的笔记本、工作站或自有服务器上，不强制使用云端，数据不会离开所在环境，除非用户主动发送。
接入需要什么技术条件？＋
基础设施层提供 REST、MCP、CLI 三种接口，懂 HTTP 调用或命令行即可接入。castor 是 Python 项目，mnemos 与 LineAgent 用 Rust 编写，自行部署时要具备相应的运行环境与工程能力。
和直接用云端代理服务相比，差别在哪？＋
主要差别在部署位置与数据流向。这里的代理和记忆系统跑在用户自己的硬件上，数据不出内网，适合有合规要求的场景；代价是需要自行准备机器并完成部署，没有开箱即用的云端形态。
