NateBJones-Projects/ringer

它解决的问题

Ringer 解决了使用昂贵的尖端 AI 模型进行日常实施任务时成本高、可靠性低的问题。它允许你将复杂的规划和审查委托给高级模型，同时将实际的编码、迁移和测试工作卸载给一群更便宜、并行的 worker。

工作原理

你定义一个任务清单（一个 JSON 文件），其中包含 AI 的规范、用于验证输出的 shell 命令以及预期文件。Ringer 会并行生成多个 worker 来执行这些任务。关键是，它不信任 worker 声称的完成状态；它会自动执行你提供的检查命令。如果检查失败，Ringer 会注入失败上下文后重试一次任务。所有活动都会在本地实时仪表板 Ringside 中跟踪。

适用人群

适用于希望扩展 AI 辅助开发工作流，而不希望成本随每行代码线性增长的开发者和团队。它非常适合那些需要自动化重复性任务（如脚手架搭建、批量转换或测试套件生成）同时保持严格结果验证的人。

亮点

• 并行执行： 同时运行多个 worker 代理，加速构建和实施任务。
• 验证优先： 使用可执行的 shell 命令验证结果，确保“完成”意味着代码确实可用。
• 成本高效： 允许对机械性任务使用更便宜、专门的 worker 模型，同时保留高级模型用于高层决策。
• Ringside 仪表板： 提供本地实时 Web 界面，监控 swarm 进度、token 使用情况和任务判定。
• 可插拔引擎： 通过灵活的配置系统支持多种 worker CLI（如 Codex、Grok 或 OpenCode）。
• 安全与控制： 包括任务级沙箱、敏感数据编辑和 linting 工具，以捕获常见的 swarm 配置错误。