AI工具速递 | 9月26日:Ollaya 把决策模型搬回本地,10ms 出结果

Ollaya — 决策模型的 Ollama，本地 10ms 出结果

当你只想让模型回答"这封邮件是退款还是开发票"这类选择题，却要走一遍 token-by-token 生成，既慢又贵。Ollaya 把决策模型拉到本地：拉取、加载、通过 HTTP 服务，全程 Ollama 式体验，但底层是单次前向传播的决策模型。

核心能力有三个。第一，速度：laya:multilingual 五问请求端到端 8.1ms，decider:2b 也只要 190ms，而 TypeSafe 托管 API 要 236-276ms。第二，模型库现成：Laya（英文+100 语言）、decider（Qwen3.5 微调，选项 letter logits 一次读出）、NLI、GLiClass、Qwen3Guard 安全分类，开箱即用。第三，API 兼容：直接实现 /v1/systemone，TypeSafe 官方 Python SDK 0.7.1 改两个环境变量就能切到本地。

差异化在"决策"与"生成"的分离：生成模型写长文，决策模型只做判断，两者搭配才是完整 Agent 栈。Ollaya 是本地侧目前最顺手的入口。

适合谁： 需要低延迟意图分类、Agent 动作选择、内容审核的开发者；需要自由文本生成的不用看。

评价： 值得上手

git-bug — 把 bug tracker 塞进 Git 里

团队在 GitHub 上写代码，bug 却放在 Jira，离线时看不了、换平台时迁不走。git-bug 把 issue 作为 Git 对象存进仓库，push/pull 跟代码一起走，离线可用，永远不锁定 vendor。

它不是玩具：CLI、终端 UI、Web UI 三端齐全，支持桥接 GitHub/GitLab/Jira 双向同步，GraphQL API 可接编辑器。最妙的是不污染项目——所有数据存在 refs/bugs/ 下，工作目录零文件。

相比 GitHub Issues，它把"bug 也是代码"贯彻到底：review 用 git bug pull，CI 挂之前先 git bug ls。GPL-3.0 协议是唯一的门槛。

适合谁： 厌恶平台锁定、经常离线办公、或想把 issue 跟代码版本绑死的团队；必须用私有 SaaS 高级功能的团队绕行。

评价： 值得上手

disktree — Rust+GPUI 磁盘清理 treemap

df -h 告诉你磁盘满了，但不知道是谁干的。disktree 把家目录画成嵌套矩形，面积即真实磁盘占用，扫一眼就能定位到那个 50GB 的 Docker 镜像或日志目录。

它是 Omarchy 桌面生态的一员，用 Rust + GPUI 渲染，跟系统主题一致。交互上"标记-预览-确认"三段式：先框选要删的目录，侧栏列出汇总，确认后才真正删除，永久路径还会再提示一次，误删成本高。

macOS 版也给了（需手动清 quarantine 标记），但主战场是 Linux/Wayland。跟 ncdu 比，可视化让"哪块大"变成直觉；跟 Baobab 比，GPUI 的流畅度和主题一致性更好。

适合谁： Linux 桌面用户、Omarchy 用户、需要图形化磁盘分析的运维；纯 CLI 党继续用 ncdu。

评价： 值得上手

zh-tech-writing — 中文技术文档 Agent Skill

让 Claude Code 写 README，输出一股 AI 腔："随着……不断发展""不仅……更……"结尾还带感叹号。这个 Skill 把阮一峰《中文技术文档的写作规范》整理成可执行规则，外加一份 14 条"AI 腔清单"，写完自动逐条扫描替换。

流程清晰：先定读者和目标，再按"句子 20 字以内、主动语态、用事实代替形容词"写，接着跑 AI 腔清单，最后调 autocorrect 自动补中英文空格和全角标点。找不到事实时会直接问，而不是编。

差异点在"清单化"：不是模糊的"写得自然点"，而是 14 条可命中的具体错误模式，改前改后对照列出来。对中文技术写作者是刚需。

适合谁： 用 Claude Code 写中文 README、设计文档、接口说明的开发者；英文文档或营销文案不适用。

评价： 值得上手