SoduWork 上手体验：把 Codex、Claude Code 等 AI Agent 放进一个工作平台

平时我们用 AI，可能是打开 ChatGPT 聊聊天，或者使用 Codex、Claude Code 帮忙写代码、处理项目。每个工具都有自己的使用方式，如果只是自己使用，问题不大。

但如果是一个团队，情况就不太一样了。

比如，团队成员各自使用不同的 AI 工具，模型 API Key 也需要单独配置，任务做到了哪一步、结果怎么样，有时候也不太好统一管理。

有没有办法把这些东西放到一个地方？

最近我用的 SoduWork就可以解决我的这些困惑。

它可以把 AI 模型、Agent、任务管理和插件整合到一个平台中。简单来说，就是让团队不只是使用 AI 聊天，还能围绕具体任务安排 AI 干活。

一、认识 SoduWork

SoduWork 是一个面向团队及其 Agent 的 AI 工作平台。

它支持 Pi、OpenCode、Codex、Claude Code 等 AI Harness。可以简单理解为让 AI Agent 真正运行起来、调用工具并完成任务的运行环境。

它和普通 AI 聊天工具最大的区别，就是不只是让 AI 回答问题，而是希望把整个工作过程也管理起来。

比如，一个任务从创建、分配，到 AI 执行、检查结果，最后完成交付，都可以放在一个平台里进行管理。

目前比较值得关注的功能有：

• 多 Agent 协作：让不同的 Agent 参与任务。
• 任务管理：统一查看和管理 AI 任务。
• AI 复核：对任务结果进行检查。
• 插件工作流：通过插件扩展 AI 能做的事情。
• 团队管理：可以创建用户、分配权限和使用额度。
• 私有化部署：可以把平台部署在自己控制的电脑或服务器上。

二、开始安装：先把运行环境准备好

第一次接触 SoduWork，建议先在自己的电脑上跑起来。

它提供了几种部署方式：

部署方式	适合什么情况	数据库
源码运行	自己体验、单机测试	SQLite
Docker 部署	小团队使用	PostgreSQL 16
团队部署	正式团队使用	PostgreSQL

如果只是想先体验一下，我更建议选择源码运行。不需要额外准备数据库，直接在自己的电脑上就可以完成部署。

这里要注意，源码运行和 Docker 部署是两套独立的安装方式，两边的数据不会自动同步。

后面想换部署方式，需要另外处理数据迁移。

1. 检查电脑环境

在安装之前，需要先准备好几个基础工具：

工具	版本要求
Python	3.12+
Node.js	22.19+
npm	随 Node.js 一起安装

打开电脑终端，分别输入下面的命令：

python --version
node -v
npm -v

如果能正常显示版本号，就说明对应环境已经安装好了。

如果还没有安装，需要先把它们安装好。

注意：第一次启动 SoduWork 时需要联网下载一些依赖和 Electron 运行环境，所以尽量保证网络正常。

2. 下载项目源码

环境准备好之后，就可以下载 SoduWork 了。

项目 GitHub 地址：

https://github.com/mdiri-ai/SoduWork

打开项目仓库，点击：Code → Download ZIP

把源码下载到电脑上，解压即可。

3. 启动 SoduWok

解压完成后，进入 SoduWork 项目根目录。

Windows 用户：

直接双击：

start.cmd

macOS 用户：

双击：

start.command

第一次启动时，可能需要稍微等一会儿，因为系统会自动处理依赖安装、管理页面构建、数据库初始化等操作。

随后会启动 Hub 服务、管理后台和桌面客户端。

4. 设置管理员账号

第一次启动时，系统会要求设置一个管理员账号的密码。

按照页面提示设置密码即可。

这里有一个要求：密码长度需要在 12～128 个字符之间，而且需要输入两次确认。

设置完成后，不要着急关闭启动窗口，等它完成初始化。

5. 打开管理后台

当终端出现类似下面的信息时：

SoduWork is ready:

http://127.0.0.1:18989

Administrator: admin

就说明服务已经启动成功了。

接下来打开浏览器，访问：

http://127.0.0.1:18989

如果进入的是项目介绍页面，点击「进入管理后台」，就可以看到登录界面。

使用刚刚设置的账号密码登录：

账号：admin
密码：自己设置的管理员密码

到这里，SoduWork 就已经在本地运行起来了。

三、配置模型和用户

前一节讲完了安装，环境已经就绪。这一节开始配置平台，让它能真正跑起来 AI 任务。

要做的事情分三块：先把团队成员建好，再接入模型网关、配上模型供应商和 API Key，最后把桌面客户端启动起来。

1. 创建用户

进入管理后台后，可以进行用户管理。SoduWork 支持创建不同的用户账号，并根据团队情况分配使用权限。

例如，可以为团队成员分别创建账号，再设置所属部门、使用权限和额度。

这样每个人都有自己的账号，不需要所有人共用一个管理员账号。

2. 接入模型网关

接下来就是模型配置了。

这里需要注意，SoduWork 并不自带模型 API Key，所以我们需要自己接入模型服务。

我这里采用的是模型网关的方式。

可以把模型网关理解成一个中间入口：平台通过它去连接不同的模型服务，不需要每次都直接对接不同的模型供应商。

3. 添加模型供应商和 API Key

模型网关接入之后，就可以继续添加模型供应商和 API Key。

配置完成后，还需要把模型授权给相应的团队成员。SoduWork 有一个非常实用的功能------管理员可以统一配置模型 API Key，再授权给员工使用。

这一设计很贴合我们团队日常工作的实际情况。

以前用 AI 工具时，要么每个人各自申请 Key、记在各自电脑里，要么把一份 Key 在小群里来回发。最后谁也说不清谁在用哪份 Key、额度还剩多少。

现在由管理员统一管起来，员工拿到授权就能用，不用再关心 Key 从哪来，管理员这边也能清楚看到资源分配情况。

对小团队来说，这几步配置省掉的是后面反复沟通和排错的麻烦，配置一次就能长期使用。

4. 启动桌面客户端

模型配置完成后，接下来需要检查桌面客户端。

正常情况下，首次启动项目时会自动启动客户端。如果客户端没有正常启动，也可以手动进入项目中的 client 目录。

打开终端，先进入 SoduWork 项目根目录，然后执行：

cd client
npm ci
npm start

常用命令：

• cd client：进入客户端目录。
• npm ci：安装客户端所需要的依赖。
• npm start：启动桌面客户端。

这里有几个小细节需要注意。

第一，执行命令时一定要确认自己已经进入 client 目录，不要直接在 SoduWork 项目根目录下执行。

第二，第一次启动或者依赖发生变化时，需要执行 npm ci。如果之前已经安装好依赖，日常启动就不需要重复安装，直接执行：

npm start

第三，如果启动时提示 Electron is missing，需要根据项目说明配置镜像、允许 Electron 安装脚本，并补装 Electron 相关文件。

如果客户端启动后提示「本机底座暂不可用」，则需要检查 hub-backend 目录下的 .venv 环境，并安装 requirements-runner.txt 中的依赖。

5. 检查模型是否配置成功

客户端成功启动后，使用前面创建的用户账号登录。然后检查之前配置的模型能不能正常显示。

如果模型已经出现在客户端中，就可以说明前面的模型配置和客户端连接基本完成了。

到这里，我们已经完成了 SoduWork 的基础部署，接下来就可以进入实际体验了。

四、让 AI 真正开始干活

最近做数据清洗时，手头有不少 CSV 文件需要先摸清整体情况。我随手把其中一个交给 SoduWork，让它统计每一列的空值数量。

1. 准备测试文件夹

首先，在电脑上创建一个文件夹，例如：

~/soduwork-test

然后在里面放入csv文件。

2. 设置聊天环境

打开 SoduWork 客户端，在首页可以看到消息输入框。

正式发送任务之前，先检查消息框下方的几个配置项。

Local / Cloud（本地 / 云端）

这里选择 Local。让 AI 在当前这台电脑上执行任务，而不是使用云端运行环境。

Work location（工作位置）

工作位置选择刚刚创建的 soduwork-test 文件夹。

选择之后，Agent 就可以在这个文件夹中读取和写入文件。

如果选择默认工作区，SoduWork 会为当前聊天单独创建一个文件夹；如果选择现有文件夹，Agent 就会直接在你指定的目录中工作。

Access（访问权限）

访问权限可以根据实际需要选择：

• Default access：默认权限，普通操作自动执行，涉及敏感操作时会先询问。
• Read only：只读权限，只能读取文件。
• Full access：完全访问权限，还可以写入文件、运行命令和使用网络。

建议先使用 Default access，遇到需要授权的操作时，根据提示确认。

Model（模型）

选择前面已经配置好的模型即可。

Runtime（运行时）

这里选择 Pi。

这些配置完成后，聊天环境就准备好了。

3. 创建并运行第一个任务

接下来直接在消息输入框中发送下面这段提示词，让 AI 在当前文件夹中编写一个 Python 脚本，读取 data.csv，统计每一列的空值数量，并将结果以 Markdown 表格的形式输出，最后运行这个脚本。

Write a Python script in this folder that reads data.csv, counts empty values in each column, and prints the result as a Markdown table. Then run it.

发送之后，就可以看看 Agent 如何完成任务了。

它需要读取 CSV 文件、编写 Python 代码，然后执行脚本并返回统计结果。

如果一切正常，页面上就会显示每一列对应的空值数量。

SoduWork 的方便之处在于，只需要描述想完成什么，Agent 就能在指定的工作目录中处理文件并执行任务。

4. 运行第一个插件

除了直接发送任务，SoduWork 还支持通过插件扩展 Agent 的能力。在客户端的消息输入框中，直接输入 /，就会弹出插件列表。

如果插件比较多，可以继续输入名称进行筛选。

这次我们选择 Plugin Developer（插件开发者）。

选中之后，按照对应的插件说明，在消息框中输入任务要求并发送即可。

借助插件，Agent 不只可以做普通的 AI 对话，还能调用具体插件来完成更具体的工作。

插件如何开发和运行，可以结合实际操作继续展开：从准备文件、配置聊天环境，到让 Agent 编写并运行 Python 脚本，再到尝试调用插件。

后续还会继续体验更多任务和 Agent 协作场景，大家期待一下吧。

写在最后

体验下来，我觉得 SoduWork 最牛的是它把原本分散的 AI 工具和团队工作流程放到了一起。

以前我们可能是自己打开 Codex 写代码，再切换到 Claude Code 处理其他事情。现在则多了一种思路------把这些 Agent 放到同一个平台中管理，让它们围绕任务开展工作。

如果你也在折腾各种 AI Agent，可以先把 SoduWork 部署起来，后面再看看它能不能真正融入自己的工作流程。

项目地址：https://github.com/mdiri-ai/SoduWork ，动动大家的小手，先来个star吧