莫潇羽@无忆研习社（www.wuyi.wiki）原创内容，转载请注明出处。
快速摘要
LobsterAI 是网易有道于 2026 年 2 月正式开源的一款全场景个人助理 Agent，基于 Electron + React + TypeScript 构建，支持在本地电脑上 7×24 小时自主运行。它不只是一个聊天对话工具，而是能真正替你执行文档生成、数据分析、视频制作、浏览器自动化等 16 种内置技能的"数字助手"。所有数据存储在本地 SQLite 数据库中，不会上传到云端，兼顾了隐私与安全。同时支持通过钉钉、飞书、Telegram 等 IM 平台进行手机远程操控，还能设置定时任务实现周期性自动化工作。 如果你对 AI Agent 这个方向感兴趣，或者希望有一款本地化的智能助手帮你处理日常工作，往下看——莫潇羽（无忆研习社站长）将为你带来从底层原理到实际部署的全面拆解。
一、背景：AI 助手赛道正在经历什么变化
过去一年多，AI 领域的焦点已经悄然发生了转移。最初人们关注的是"大模型"本身的能力——谁的参数更多、谁的评测分数更高。但随着各家大模型的基础能力逐渐趋同，行业的注意力开始转向一个更务实的方向：Agent（智能体）。
Agent 和传统的 AI 对话工具有什么本质区别？简单来说，传统 AI 助手更像是一个"顾问"——你问它问题，它给你答案，但最终动手干活的还是你自己。而 Agent 更像是一个"执行者"，你告诉它你想要什么结果，它会自主规划步骤、调用工具、操作系统，最终把成果直接交付给你。
这个思路在海外已经有了一些比较成熟的实践。比如 OpenClaw 这个开源项目就展示了令人惊叹的桌面自主操控能力——AI 可以直接操作你的电脑完成复杂任务。但 OpenClaw 本质上是一个偏极客向的工具，需要使用者具备命令行操作和环境配置的基础，普通用户很难直接上手。
另一个值得关注的方向是 Claude Cowork，它利用具备较强编程能力的模型，通过编程来完成各类任务。这种"用代码解决问题"的思路效果非常好，但同样有一定的使用门槛。
莫潇羽@无忆研习社认为，LobsterAI 的出现，恰好填补了这两者之间的空白。它把 Agent 的强大执行能力和消费级产品的易用性做了一次融合，而且针对国内用户的办公场景做了深度适配，这在目前的开源 Agent 项目中是比较少见的。
为了让大家更直观地理解"Agent"和"传统 AI 对话工具"的区别，莫潇羽用一个日常生活的例子来说明。假设你需要做一份数据分析报告，传统 AI 对话工具的工作方式大概是这样的：你把数据贴给它，问它应该怎么分析，它会给你一段分析思路和方法论，然后你需要自己打开 Excel、按照它的建议手动操作。而 Agent 的工作方式完全不同：你把数据文件交给它，告诉它"帮我分析这份数据，做成带图表的报告"，它就会自己打开文件、读取数据、选择合适的分析方法、生成图表、排版报告，最后把完成的报告文件交到你手上。
这就是从"给建议"到"给结果"的根本性转变。而 LobsterAI 正是在这条路径上做出了一个比较完整的开源实现。
另一个值得关注的趋势是"本地优先"的 Agent 设计理念。随着人们对数据隐私和安全意识的不断增强，越来越多的用户开始关注 AI 工具是否会将自己的数据上传到云端。LobsterAI 从设计之初就选择了本地化路线——所有的任务执行、数据存储都在你的电脑上完成，不依赖也不上传到远程服务器。这种设计思路在当前的市场环境下具有很强的吸引力。
二、LobsterAI 到底能做什么
在深入技术细节之前，我们先从"用户视角"来理解 LobsterAI 到底能帮你完成什么工作。
LobsterAI 的定位是"全场景个人助理 Agent"，核心理念可以用一句话概括：你动嘴，它动手。 你不需要了解任何技术细节，只需要用自然语言告诉它你想做什么，它就会自主规划任务、调用工具、生成结果。
具体来说，它目前能覆盖的工作场景包括但不限于以下这些方面。
在文档处理方面，你可以让它生成 Word 报告、Excel 数据表、PPT 演示文稿，也可以让它解析 PDF 文件提取关键信息。比如你可以直接说"帮我把这份销售数据做成一个带图表的 Excel 报表"，它就会自动完成数据整理、图表生成和格式排版。
在信息检索方面，它内置了联网搜索能力，可以帮你查找资料、整理行业动态、对比产品信息。你不再需要自己在浏览器里翻来翻去，直接告诉它"帮我搜索一下最近一周人工智能领域的重要新闻"，它就会帮你完成搜索、筛选和整理。
在内容创作方面，它可以帮你撰写文案、生成设计海报，甚至基于 Remotion 框架直接为你制作视频。如果你需要一个简短的产品介绍视频或数据可视化动画，只需要描述你的需求即可。
在自动化操作方面，它集成了 Playwright 浏览器自动化引擎，可以帮你完成批量网页操作、表单填写、数据抓取等任务。这对于需要做大量重复性网页操作的场景非常实用。
在邮件管理方面，它支持通过 IMAP/SMTP 协议收发邮件，可以帮你分类整理邮箱、自动回复常见邮件、提取邮件中的关键信息。对于每天需要处理大量邮件的人来说，这个功能可以大幅减少花在邮件上的时间。你甚至可以让它定期帮你检查邮箱，将重要邮件的摘要发送到你的手机上。
在日程规划方面，你可以让它帮你制定项目计划、安排工作日程、创建待办事项清单。它可以根据你描述的项目目标和时间约束，自动拆解任务、分配优先级、设定里程碑节点。对于项目管理者来说，这比手动在项目管理工具里逐条录入要方便得多。
以上只是比较常见的使用场景。由于 LobsterAI 支持自定义技能扩展，你还可以根据自己的需求创建新的技能，这个后面会详细讲。
三、核心技术架构深度剖析
接下来进入本文的重头戏——技术架构分析。作为无忆研习社（www.wuyi.wiki）的站长，莫潇羽认为了解一个开源项目的底层架构是用好它的前提。
3.1 整体技术栈
LobsterAI 的技术栈选择非常清晰：
前端渲染层：React 18 + Redux Toolkit + Tailwind CSS
桌面框架层：Electron（Chromium + Node.js）
构建工具层：Vite（开发热重载）+ electron-builder（打包发布）
数据存储层：SQLite（全本地化存储）
AI 执行层：Claude Agent SDK（Cowork 系统核心）
IM 网关层：钉钉 Stream SDK / 飞书 SDK / Telegram Bot API / Discord Bot
沙箱隔离层：QEMU + Alpine Linux 虚拟机这套技术栈有几个值得注意的设计考量。
首先是选用 Electron 作为桌面应用框架。Electron 的优势在于跨平台能力——同一套代码可以同时支持 macOS（包括 Intel 和 Apple Silicon 芯片）、Windows 和 Linux 三大操作系统。对于一个需要深度操作本地文件系统和执行系统命令的 Agent 产品来说，Electron 提供了浏览器环境（Chromium）和系统级能力（Node.js）的完美结合。简单来说，Chromium 提供了渲染 HTML/CSS/JS 界面的能力，Node.js 提供了与操作系统交互的能力（读写文件、执行命令、网络通信等），两者的结合使得 Electron 应用既有漂亮的界面，又有强大的系统操作能力。像 Visual Studio Code、Slack、Discord 等知名应用都是基于 Electron 构建的。
其次是前端选用 React 18 + Redux Toolkit 的组合。Redux Toolkit 用于管理复杂的全局状态（比如多个 Cowork 会话的状态、IM 消息的状态等），React 18 的并发特性也能更好地处理 AI 推理过程中的流式输出。
再次是数据层选用 SQLite 做全本地化存储。这意味着你的所有聊天记录、配置信息、记忆数据都保存在本地的一个 .sqlite 文件中，不会上传到任何云端服务器。对于注重数据隐私的用户来说，这是一个非常重要的设计决策。
3.2 进程隔离架构
作为一款基于 Electron 构建的桌面应用，LobsterAI 严格遵循了 Electron 的安全最佳实践，采用了三层进程隔离架构。
主进程（Main Process） 是整个应用的"大脑"。它负责以下几个核心职责：
- 窗口管理：创建和管理应用窗口的生命周期
- SQLite 持久化：所有数据的读写都在主进程中通过 SQLite 完成
- Claude Agent SDK 执行引擎：AI 推理和工具调用的核心逻辑
- IM 网关：与钉钉、飞书、Telegram、Discord 等外部平台的通信
Preload 脚本（Preload Script） 是主进程和渲染进程之间的"安全桥梁"。它通过 Electron 的 contextBridge 机制，只暴露一组经过严格审查的 API 给渲染进程。这意味着渲染进程无法直接访问 Node.js 的能力，从而有效防止了恶意代码通过前端界面获取系统级权限。
渲染进程（Renderer Process） 负责用户界面的呈现。它运行在一个类似浏览器的沙箱环境中，使用 React 18 + Tailwind CSS 构建界面。所有需要访问系统资源的操作都必须通过 Preload 脚本向主进程发起 IPC（进程间通信）请求。
用一个通俗的比喻来解释：主进程相当于"办公室里能拿到所有钥匙的管理员"，渲染进程相当于"在前台接待区和用户交流的接待员"，Preload 脚本则相当于"管理员和接待员之间的对讲机"。接待员不能直接进入后台操作，必须通过对讲机请求管理员来执行。
┌─────────────────────────────────────────────────────┐
│ Electron 应用 │
│ │
│ ┌──────────────┐ IPC通信 ┌──────────────────┐ │
│ │ 渲染进程 │ ◄────────► │ 主进程 │ │
│ │ │ Preload │ │ │
│ │ React 18 │ 桥接 │ SQLite 存储 │ │
│ │ Redux Toolkit│ │ Agent SDK 引擎 │ │
│ │ Tailwind CSS │ │ IM 网关 │ │
│ │ │ │ 窗口管理 │ │
│ └──────────────┘ └──────────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────┐ │
│ │ 沙箱环境（可选） │ │
│ │ QEMU + Alpine VM │ │
│ └──────────────────┘ │
└─────────────────────────────────────────────────────┘3.3 Cowork 系统：Agent 的核心引擎
Cowork（协作系统） 是 LobsterAI 最核心的模块，也是它区别于普通聊天机器人的关键所在。
从技术角度理解，Cowork 是一个基于 Claude Agent SDK 构建的 AI 工作会话系统。你可以把它想象成一个"AI 工位"——每当你给 LobsterAI 下达一个任务，它就会在 Cowork 系统中开启一个独立的工作会话。在这个会话中，AI 可以自主规划执行步骤、调用各种内置工具、读写文件、执行命令，最终将完成的成果交付给你。
Cowork 系统支持三种执行模式，用户可以根据具体场景灵活选择：
auto 模式 是默认的智能模式。AI 会根据当前任务的上下文自动判断应该使用本地执行还是沙箱执行。对于简单的文件操作和文档生成，它会选择本地执行以获得更快的速度；对于涉及网络请求或系统命令的复杂任务，它可能会选择沙箱执行以确保安全性。
local 模式 直接在你的电脑上执行所有操作。优点是速度快、延迟低，可以直接访问你本地的所有文件和工具。缺点是如果 AI 执行了错误的命令，可能会影响到你的系统环境。
sandbox 模式 在一个隔离的 Alpine Linux 虚拟机（基于 QEMU 虚拟化技术）中执行所有操作。这相当于给 AI 分配了一个独立的"虚拟电脑"，即使它执行了有问题的命令，也不会影响到你的主系统。代价是执行速度会稍慢一些，因为需要虚拟机的开销。
莫潇羽的建议是：日常使用推荐 auto 模式，如果你对安全性特别敏感或者要执行一些不太确定结果的任务，建议开启 sandbox 模式。
为了帮助大家更好地理解这三种模式的差异，莫潇羽@无忆研习社整理了一个对比：
执行模式对比：
auto 模式：
适用场景：日常使用，大多数常规任务
执行速度：快（智能选择最优方案）
安全等级：中等（根据任务性质动态调整）
资源消耗：按需分配
local 模式：
适用场景：简单的文件处理、文档生成
执行速度：最快（直接在本机执行）
安全等级：较低（直接访问本机资源）
资源消耗：最低
sandbox 模式：
适用场景：执行不确定的脚本、处理外部数据
执行速度：较慢（需要虚拟机开销）
安全等级：最高（完全隔离）
资源消耗：较高（需要运行虚拟机）从 Cowork 系统的工作流程来看，当你下达一个任务指令后，系统内部大致会经历以下几个阶段。首先，AI 会对你的自然语言指令进行理解和解析，提取出任务的核心目标和约束条件。接着，AI 会基于目标制定一个执行计划，确定需要调用哪些工具、按什么顺序执行。然后，AI 开始逐步执行计划中的每一步操作——可能是读取一个文件、调用一个搜索接口、生成一段文档，或者执行一个系统命令。在执行过程中，如果遇到需要权限审批的操作，系统会暂停执行并等待你的确认。最后，当所有步骤完成后，AI 会将最终的成果文件（文档、表格、图片等）保存到指定位置，并通过界面或 IM 消息通知你任务已完成。
这个过程和人类执行任务的方式非常相似——先理解需求、再规划步骤、然后逐步执行、最后交付成果。区别在于 AI 的执行速度远快于人类，而且不会因为疲劳或粗心而犯错（当然，AI 的"犯错"方式和人类不同，这也是为什么权限审批机制很重要的原因）。
3.4 权限审批机制
Cowork 系统中有一个非常重要的安全设计：权限审批（Permission Gating）。
所有涉及以下敏感操作的工具调用，都需要用户手动审批后才能执行：
- 文件系统访问（读取、写入、删除文件）
- 终端命令执行（Shell 命令）
- 网络请求（HTTP/HTTPS 请求）
在实际使用中，当 AI 需要执行这些操作时，界面上会弹出一个 CoworkPermissionModal（权限确认对话框），清晰地展示 AI 即将执行的操作内容，你可以选择"允许本次"或"允许本会话内所有同类操作"。
这个设计有效地解决了"让 AI 操作电脑是否安全"的顾虑——你始终拥有最终的控制权。
四、16 个内置技能详解
LobsterAI 内置了 16 个技能（Skills），这些技能覆盖了日常工作中的主要场景。每个技能的配置信息都存储在项目的 SKILLs/skills.config.json 文件中。
下面莫潇羽@无忆研习社为大家逐一介绍这些技能的功能和适用场景。
4.1 文档处理类
web-search（联网搜索） ——这是 LobsterAI 获取外部信息的"眼睛"。当你需要查找实时信息、研究某个话题、对比多个产品时，AI 会自动调用这个技能从互联网上检索相关内容，并整理成结构化的信息呈现给你。
docx（Word 文档生成） ——用于生成格式规范的 Word 文档。适合撰写工作报告、项目方案、合同模板等需要正式排版的文档。AI 会自动处理标题层级、段落格式、页眉页脚等排版细节。
xlsx（Excel 表格生成） ——用于生成 Excel 数据表格。适合数据分析、报表制作、数据清洗等场景。AI 不仅能生成表格数据，还能自动添加图表、设置公式、调整格式。
pptx（PPT 演示文稿制作） ——用于生成 PowerPoint 演示文稿。适合制作工作汇报、项目展示、培训课件等。AI 会自动设计版式、配色和内容布局。
pdf（PDF 文档处理） ——用于解析和处理 PDF 文件。可以提取 PDF 中的文字内容、表格数据，也可以对 PDF 进行格式转换。
4.2 创意生产类
remotion（视频生成） ——这是一个非常亮眼的技能。Remotion 是一个基于 React 的视频生成框架，LobsterAI 集成了这个框架后，可以通过编程的方式为你生成视频内容。适合制作数据可视化动画、产品宣传短片、社交媒体视频等。
canvas-design（绘图设计） ——用于生成海报、图表、信息图等视觉设计作品。如果你需要快速制作一张活动海报或数据图表，这个技能可以帮你省去打开专业设计工具的时间。
frontend-design（前端 UI 设计） ——用于快速生成前端界面原型。适合产品经理、设计师做快速原型验证，也适合开发者快速搭建 UI 框架。
develop-web-game（网页游戏开发） ——用于快速开发基于网页技术的小游戏。这个技能更偏娱乐和创意，你可以让 AI 帮你快速制作一个简单的网页小游戏。
4.3 自动化工具类
playwright（浏览器自动化） ——基于 Playwright 自动化框架，可以帮你完成各种浏览器操作。比如自动填写表单、批量下载文件、定期检查网站更新等。对于需要做大量重复性网页操作的用户来说，这个技能非常实用。
scheduled-task（定时任务） ——用于创建和管理周期性自动化任务。你可以用自然语言告诉 AI "每天早上 9 点帮我收集科技新闻"，它就会自动创建一个定时任务，到点自动执行。
imap-smtp-email（邮件收发） ——通过 IMAP/SMTP 协议与你的邮箱对接，可以帮你收取邮件、发送邮件、分类整理邮箱。
4.4 辅助工具类
weather（天气查询） ——查询天气信息。虽然功能简单，但作为日常助理的一部分，这个技能可以在你需要的时候快速提供天气数据。
local-tools（本地系统工具） ——提供文件管理、系统信息查询等本地操作能力。
create-plan（计划制定） ——帮你制定项目计划、拆解任务、安排时间线。适合项目管理和个人时间规划。
skill-creator（自定义技能创建） ——这是一个"创造技能的技能"。你可以通过它来扩展 LobsterAI 的能力，创建全新的自定义技能。新技能创建后可以在运行时热加载，无需重启应用。
五、实用功能场景深度解读
理解了技术架构和技能体系之后，我们来看几个非常实用的功能场景。这些场景也是莫潇羽在研究这个项目时觉得最有价值的部分。
5.1 手机远程操控：随时随地指挥你的"数字助手"
LobsterAI 支持桥接到多个主流 IM 平台，包括钉钉、飞书、Telegram 和 Discord。配置好之后，你可以直接在手机上通过这些 IM 软件给电脑上的 LobsterAI 发送指令。
这个功能的实际体验是怎样的呢？想象一下这样的场景：你正在出差的路上，突然想起明天有一个重要的汇报需要准备 PPT。你拿出手机，打开钉钉，给 LobsterAI 发一条消息："帮我根据上次的季度数据做一份工作汇报的 PPT，重点突出业务增长的部分。" 等你到了酒店，打开电脑，PPT 已经生成好了。
再比如，你在上班路上想起昨天收到的一份数据文件还没来得及分析。你在飞书上给 LobsterAI 说一声："帮我分析桌面上那份 sales_data.xlsx，把关键指标做成图表，生成一份简要分析报告。" 到公司打开电脑，报告就在桌面等着你了。
从技术实现上来说，IM 网关层通过钉钉 Stream SDK、飞书 SDK、Telegram Bot API 和 Discord Bot 等标准接口与各个 IM 平台对接。你在手机上发送的消息会通过这些平台的服务器转发到你电脑上运行的 LobsterAI 主进程，主进程解析指令后启动 Cowork 会话执行任务，完成后将结果通过 IM 平台返回给你。
配置步骤也非常简单：
第一步：打开 LobsterAI 的 Settings（设置）面板
第二步：选择你要接入的 IM 平台
第三步：填入对应平台的 Token 或 Secret
第四步：保存配置，开始使用需要注意的是，不同 IM 平台获取 Token 的方式略有不同。以钉钉为例，你需要在钉钉开放平台创建一个企业内部应用，获取 AppKey 和 AppSecret。飞书则需要在飞书开放平台创建应用并获取 App ID 和 App Secret。Telegram 需要通过 BotFather 创建一个 Bot 并获取 Token。
5.2 定时任务：让 AI 按时为你工作
定时任务是 LobsterAI 的另一个核心功能。它允许你用自然语言创建周期性的自动化工作流。
你只需要像和人说话一样告诉 AI 你的需求，比如：
- "每天早上 9 点帮我整理科技新闻，生成一份简报放在桌面上"
- "每周一上午帮我汇总上周的邮件，标记出需要回复的重要邮件"
- "每天下午 6 点帮我检查一下某个网站是否有更新"
- "每周五下午帮我生成一份本周工作总结"
AI 会自动解析你的需求，创建对应的定时任务，并按照设定的时间自动执行。执行结果会通过桌面通知或 IM 消息推送给你。
这个功能对于需要做大量重复性工作的人来说非常有价值。莫潇羽@无忆研习社认为，定时任务功能配合 IM 远程操控，基本上可以实现一个"永不下线的数字助手"的效果。
5.3 持久记忆系统：越用越懂你的 AI
LobsterAI 内置了一套持久记忆系统，这是让它区别于"一次性对话工具"的重要特性。
在你和 LobsterAI 对话的过程中，它会自动从对话内容中提取和记住以下信息：
个人信息方面，它会记住你的名字、职业、所在行业等基本信息。这样在后续的对话中，它可以更有针对性地为你提供帮助。
偏好习惯方面，它会学习你喜欢的内容格式（比如 Markdown 还是纯文本）、语言风格（正式还是随意）、排版偏好等。比如你告诉它"我比较喜欢简洁的 Markdown 格式"，下次它生成内容就会自动采用你喜欢的风格。
个人事实方面，它还会记住一些与你相关的具体信息，比如你常用的工具、你养的宠物、你的项目背景等。这些信息会让它在提供建议和执行任务时更加贴合你的实际情况。
最关键的是，这一切都是自动完成的，不需要你手动去设置或维护。所有记忆数据都存储在本地的 SQLite 数据库中，跨会话持久保存。
六、安全模型：多重防护让你放心使用
很多人第一次听说"让 AI 操作我的电脑"时，第一反应通常是担心安全问题。LobsterAI 在安全方面做了比较全面的设计，莫潇羽在这里为大家梳理一下它的安全防护体系。
6.1 进程隔离
前面已经详细介绍过，LobsterAI 的 Electron 架构采用了严格的进程隔离。上下文隔离（Context Isolation）已启用，Node 集成（Node Integration）已禁用。这意味着前端界面代码无法直接访问系统级能力，所有敏感操作都必须通过安全的 IPC 通道进行。
6.2 权限审批
所有涉及文件系统、终端命令、网络请求的工具调用都需要用户手动审批。你可以选择逐个审批，也可以在一个会话中批量授权同类操作。
6.3 沙箱执行
你可以选择在 Alpine Linux 虚拟机中执行任务，这样即使 AI 执行了意外的操作，也不会影响到你的主系统。虚拟机是一个完全隔离的环境，执行完毕后可以直接销毁。
6.4 工作目录边界
文件操作被限制在指定的工作目录内。AI 不能随意访问你电脑上的所有文件，只能在你授权的目录范围内进行读写操作。
6.5 本地数据存储
所有数据（包括聊天记录、配置信息、记忆数据）都存储在本地的 SQLite 数据库文件中（文件名为 lobsterai.sqlite，位于用户数据目录下）。数据不会上传到任何云端服务器，你对自己的数据始终拥有完全的控制权。
七、从零开始部署 LobsterAI：完整实操指南
终于到了大家最关心的实操部分。莫潇羽@无忆研习社将按照从环境准备到成功运行的完整流程，为大家提供一份尽可能详细的部署指南。
7.1 环境准备
在开始之前，你需要确保你的电脑上已经安装了以下基础工具。
Node.js 环境：LobsterAI 是基于 Node.js 和 npm 构建的，你需要先安装 Node.js。建议安装 LTS（长期支持）版本，目前推荐 Node.js 18 或更高版本。
安装方法（以 macOS 为例）：
# 如果你已经安装了 Homebrew
brew install node
# 验证安装
node -v
npm -v安装方法（以 Windows 为例）：
前往 Node.js 官网（https://nodejs.org/）下载 Windows 安装包，双击安装即可。安装完成后打开命令提示符（CMD）或 PowerShell，输入 node -v 和 npm -v 验证安装是否成功。
Git 版本控制工具：用于从 GitHub 克隆项目代码。大部分开发者的电脑上应该已经安装了 Git，如果没有的话：
# macOS
brew install git
# Windows
# 前往 https://git-scm.com/ 下载安装7.2 获取源代码
打开终端（macOS/Linux）或命令提示符（Windows），执行以下命令：
# 克隆 LobsterAI 仓库
git clone https://github.com/netease-youdao/LobsterAI.git
# 进入项目目录
cd lobsterai如果你的网络环境访问 GitHub 较慢，可以考虑使用国内的 Git 镜像服务来加速下载。
7.3 安装项目依赖
# 安装所有 npm 依赖包
npm install这一步会根据项目的 package.json 文件下载所有需要的依赖包。根据网络状况，这个过程可能需要几分钟时间。如果遇到下载速度慢的问题，可以配置 npm 镜像源：
# 配置国内镜像源（可选，加速下载）
npm config set registry https://registry.npmmirror.com
npm install7.4 开发模式启动
# 启动开发模式（Vite 开发服务器 + Electron 热重载）
npm run electron:dev执行这个命令后，Vite 开发服务器会在 http://localhost:5175 上启动，同时 Electron 应用窗口也会自动打开。在开发模式下，你对代码的任何修改都会自动触发热重载，方便进行调试和开发。
如果一切顺利，你应该能看到 LobsterAI 的主界面了。首次启动时，应用会引导你完成基本的配置步骤，包括选择语言、设置 AI 模型等。整个过程比较直观，按照界面提示操作即可。
7.5 生产构建与打包
如果你想把 LobsterAI 打包成一个独立的桌面应用程序（不需要 Node.js 环境就能运行），可以使用以下命令：
# 先进行生产构建
npm run build
# 代码质量检查（可选）
npm run lint然后根据你的操作系统选择对应的打包命令：
# macOS 打包（生成 .dmg 安装包）
npm run dist:mac
# macOS - 仅 Intel 芯片
npm run dist:mac:x64
# macOS - 仅 Apple Silicon 芯片
npm run dist:mac:arm64
# macOS - 通用版本（同时支持两种芯片）
npm run dist:mac:universal
# Windows
