MedXpert 跨机任务箱·低配省算力

AI 任务太烧钱？低配电脑也能跑大模型——白天派活，晚上回家让本地模型免费跑完，断网也不停。MedXpert 跨机任务箱：WorkBuddy×DSH（DeepSeek Harness）×本地 Ollama 三级协同，批量/重复/文档/敏感任务零云端消耗，复杂推理才上云端。L1-L5 分级路由已代码级实现（add 自动打标 + route 查询）、失败自动重试、同步包双机合并、防僵尸续跑，纯 Python 零依赖即下即用，旧电脑也能当执行节点。模型 API 涨价？跟它无关。省积分、断网续跑、离线任务队列、任务路由与成本控制都找它。

MedXpert 跨机任务箱 · 断网闭环 + 省算力路由

本文档中的「机器 A」指白天操作端（如办公室电脑），「机器 B」指执行端（如家用电脑）。可自由替换为任意两台设备。中文编写，面向中国用户与国内网络环境（WorkBuddy 生态），无需翻墙即可使用。

触发场景（Triggers）

当用户提到以下内容时，优先加载本技能：

• "任务箱" / "跨机任务" / "MedXpert 任务箱" / "离线任务" / "断网跑任务" / "任务队列"
• "省积分" / "省算力" / "省钱跑大模型" / "低配电脑跑模型" / "白天派活晚上跑"
• "本地大模型" / "Ollama" / "本地推理" / "数据不出门" / "敏感任务本地"
• "批量任务" / "重复任务" / "文档任务" / "任务路由" / "L1-L5" / "任务分级"
• "双机同步" / "taskbox" / "同步包" / "断网续跑" / "失败重试"
• English triggers: "offline taskbox" / "cross-machine task" / "task queue" / "offline tasks" / "run LLM locally" / "save API cost" / "low-spec machine"

优势与特点（为什么用它）

• DSH 执行层 × 本地模型协同（执行/推理解耦）：任务箱只存任务/状态/结果，执行层可接 DSH（DeepSeek Harness，开源 Agent 执行框架，"一切皆插件"，负责工具/会话/调度/日志编排）或任意 Worker，推理统一交给本地 Ollama——0 API 成本、断网可跑、数据不出门；云端大模型仅兜底复杂推理（L5 试跑不满意才升级）。模型 API 涨价也不影响任务箱运行。
• 低配友好 · 零硬件门槛：不需要高端 GPU 或云算力——普通/低配电脑用 Ollama 跑量化小模型（Q4）就能参与；复杂任务按 L4/L5 路由到云端，低配机只干自己干得动的活（批量/重复/文档类），一台能开机的旧电脑也能当执行节点。
• 省算力路由（L1-L5 任务分级，代码级实现）：批量/重复/文档/敏感任务免费路由到本地大模型（0 云端消耗），云端算力只留给检索/生图/复杂推理——高频大额项归零，是省积分/省成本的核心机制。local_taskbox.py add 自动按关键词+优先级打级别标签（--level 可手动覆盖），route 子命令可随时查看分级。
• 断网完整闭环：本地任务箱 + 同步包，不依赖任何云端 API / MCP，拔网线也能完整跑完。
• 零依赖、下载即用：纯 Python 标准库（json/os/argparse/subprocess），无 pip install、无第三方包、无需虚拟环境。
• 双机智能合并：同步包按任务 ID 去重、保留 updated_at 较新者，两台机器互不覆盖。
• 数据不出门：无外联、无凭证读取；敏感/NDA/客户任务详情只在本地流转，合规友好。
• 三条通道自适应：实时直连 / 云文档信箱 / 断网兜底，按机器 B 网络状态自动降级，不中断。
• 防僵尸续跑：云文档队列模式带"心跳 + 重试次数"，断电重连自动续跑。
• 执行端可替换：任务/结果/状态独立字段，可接任意执行端（Ollama、脚本、人工），不锁死。

一、适用场景

白天在机器 A 输入想法 → 换到机器 B 让本地大模型(deepseek/qwen via Ollama)跑，断网也能完整闭环；同时把批量/重复/文档类任务免费路由到本地执行，节省云端算力/积分。

典型场景：晚上让本地大模型整理知识图书馆

白天在 MedXpert 知识图书馆收集的法规资料、新枢纽素材、待归档文档，晚上交给本地模型批量整理，一觉醒来直接收结果：

1. 白天（机器 A）：把白天攒下的待整理素材逐个 add（标题+详情+来源）。批量/文档/敏感类自动路由 L1 本地，不占云端。
2. 晚上（机器 B）：断网跑 offline_worker.py——本地模型逐条生成摘要、提炼要点、按生命周期 7 阶段（需求立项→分类路径→技术文件→质量体系→注册申报→审评获批→上市后）归类打标，对应图书馆整理规范。
3. 早上（机器 A）：import 回收结果 → 人工复核 → 归档入库，白天积累的素材一晚上消化完。
4. 收益：敏感/NDA/客户资料不出门（合规友好）；0 云端消耗（省下批量整理这块最肉的开销）；本地模型只干它干得动的批量活，复杂研判仍走 L4 云端。

示例任务写法： python local_taskbox.py add "整理FDA指南更新" "5 份 2026 年新指南，每份出 200 字摘要并按 7 阶段打标" --priority 5 --source a → 自动路由 L1，晚上由机器 B 免费跑完。

快速上手（三步）

1. 装好环境：机器 B 安装 Ollama，断网前 ollama pull qwen2.5:7b（或 deepseek-r1:8b）把模型拉好。
2. 跑通最小闭环：机器 A add 一个任务 → export 同步包 → 带到机器 B import → offline_worker.py --model ... 跑完 → export 带回 → import 收结果（对照第六节示例）。
3. 再上规模：接云文档队列（通道 B）或 DSH 执行层（第八节），配定时自动化（第九节清单）。

任务写法建议（怎么写效果最好）

• 标题一句话说清目标（≤100 字），如"整理出差清单"；不要用"帮我看看"这种模糊标题。
• 详情给足上下文（≤5000 字）：背景、约束、期望输出各一句，模型跑出来才贴合需求。
• 指定优先级 1-9（越大越先跑）；急事给 7-9，普通给 5。
• 敏感内容勿写入任务详情（密码/token 一律不进任务箱）。
• 批量任务逐个 add 即可；大批量一次导入在路线图中（add --file，见"限制与说明"）。

二、三级协同与沟通机制（WorkBuddy × DSH × 本地模型）

三级定位

层级	角色	干什么
WorkBuddy（云端/机器 A）	总调度	接用户派活 → 生成任务卡 → 投递队列；取回结果 → 校验 → 交付；复杂推理兜底（L4/L5）
DSH（DeepSeek Harness）	执行层	从队列取任务 → 编排工具/会话/调度/轨迹 → 调推理层 → 结果写回
本地大模型（Ollama）	推理层	批量/重复/文档/敏感任务推理：0 成本、断网可用、数据不出门

沟通机制（任务卡协议）

• 任务卡字段：任务ID | 标题 | 详情 | 优先级 | 状态(queued/running/done/failed) | 来源 | 创建/更新时间 | 结果

任务卡实例（taskbox.json 中的一条）：

json

{
  "id": 1,
  "title": "整理出差清单",
  "detail": "护照、转换插头、名片",
  "status": "done",
  "priority": 7,
  "source": "a",
  "created_at": "2026-08-18 09:00:00",
  "updated_at": "2026-08-18 21:30:00",
  "result": "【结论】共 3 项必带…【下一步】…"
}

• 队列介质：本地 taskbox.json（断网）/ 云文档智能表格（联网，带心跳+重试）
• 状态流转：投递(queued) → 执行(running) → 完成/失败(done/failed)；断电重连靠心跳+重试续跑
• 双机合并：同步包 export/import，按任务 ID 去重、保留 updated_at 较新者，互不覆盖
• 结果回传：执行层写回结果字段 → 同步包/云文档 → WorkBuddy 取回校验 → 交付用户

决策链（谁说了算）

• 路由：WorkBuddy 按 L1-L5 分级决定本地/云端；执行层只消费队列，不关心任务来源
• 执行：DSH 自主编排（工具/会话/轨迹），推理统一走本地 Ollama；云端仅在 L4/L5 兜底
• 验收：WorkBuddy 校验结果质量，L5 不满意可升级云端重跑

三、分工（谁干什么）

角色	职责
机器 A（白天）	用户派活，WorkBuddy 把任务写成标准"任务卡"投递
云文档信箱（乐享/金山）	云端中转：任务队列 + 结果归档（联网时）
机器 B（晚上）	执行层：拉待办 → 调本地 Ollama 跑 → 结果写回（可换 DSH 编排）
DSH（执行层，可选）	DeepSeek Harness：工具调用/会话/调度/轨迹编排；推理用本地 Ollama
WorkBuddy 云端	从信箱取回结果 → 校验整理 → 交付

四、信息传递：三条通道（按机器 B 网络状态选）

1. 通道 A 实时直连：机器 B 在线 + Tailscale → 直接调 Ollama，不中转
2. 通道 B 云文档信箱（推荐默认）：机器 B 联网但异步 → 乐享智能表格当任务队列
3. 通道 C 断网兜底：机器 B 无网 → 本地任务箱 taskbox.json + 同步包搬运

B 与 C 共存：联网走云文档，断网走任务箱，靠同步包按任务 ID 去重合并（保留 updated_at 较新者），不冲突。

五、省算力路由规则（核心）

任务分级表

级别	任务类型	示例	路由	云端消耗
L1 本地	批量/重复/文档/敏感	知识库分批精读、摘要、格式转换、脚本、NDA/客户资料	机器 B 本地 Ollama	0
L2 云端	联网检索/资讯	AI 日报、查资料、新闻	云端	少
L3 云端	生图/视频	封面、视频	云端	多
L4 云端	复杂推理/高质量写作	法规分析、方案设计、正式文档	云端好模型	该花则花
L5 试跑	中难度推理	先本地小模型试，效果不行再云端	本地→云端降级	0→少

路由规则（local_taskbox.py 内置，add 时自动执行）

• 批量/重复/文档/敏感 → 本地（L1）
• 需联网检索 → 云端（L2）
• 生图/视频 → 云端（L3），本地小显存跑不动
• 复杂推理/高质量 → 云端（L4）；中难度先本地试，不满意再降级云端（L5）
• 优先级 8-9 自动升 L4（重要决策先给好模型）、优先级 1-3 自动落 L1（批量杂活最省）
• 敏感/NDA/客户资料优先本地：数据不出门，顺带解决合规
• 手动覆盖：add ... --level L2 可强制指定级别（如标题关键词误判时）

分级规则表（ROUTE_RULES，可按团队习惯自行增删）

级别	命中关键词（示例）	路由
L1 本地	批量/重复/文档/整理/汇总/翻译/摘要/格式转换/脚本/NDA/客户/敏感/清单	本地 Ollama
L2 云端检索	查/搜索/新闻/资讯/日报/检索/最新/行情	云端
L3 云端生图	图片/封面/海报/视频/logo/头像/配图	云端
L4 云端复杂	分析/方案/评估/报告/规划/策略/合规/风险/决策	云端好模型
L5 试跑降级	总结/改写/润色/起草/初稿/大纲	本地→云端

边界（诚实说明 + 输入输出约束）

• 本地小模型（7B/8B 档）：只干中低难度活，复杂活质量打折 → 用 L4/L5 规则兜住
• 模型权重断网前须 ollama pull 好
• 省的不是全部：L2/L3/L4 照花，省的是 L1 那块最肉的
• 输入约束：任务标题 ≤100 字、详情 ≤5000 字（文本文件）；敏感凭证（密码/token）一律不入任务详情
• 输出约束：Worker 结果强制「【结论】+分点+【下一步】」结构（≤300 字）；失败任务 result 字段以 [调用失败] 开头标明原因
• 路由是启发式的：ROUTE_RULES 关键词匹配，不保证 100% 精准——重要任务请用 --level 手动指定；拿不准的升级 L4 求稳
• 最低配置参考（按机器选模型）：
  • 纯 CPU / 核显（8GB 内存）：可跑 3B 量化（慢但能用），适合简单批量任务
  • 8GB 显存独显 / 16-32GB 内存：7B-8B Q4 约 20-30 tok/s（甜点档，推荐）
  • 更高配置：14B+ 或直接走云端 L4/L5
  • Ollama 支持 CPU-only 运行，没独显也能跑，只是慢；模型越小越流畅。

六、通道 B 具体玩法（云文档智能表格当队列）

在乐享（或金山）建一张智能表格，字段： 任务ID | 标题 | 详情 | 状态(待处理/进行中/已完成/失败) | 结果摘要 | 创建时间 | 心跳 | 重试次数

• 投递：机器 A 端 WorkBuddy insert 一行
• 执行：机器 B Worker 扫"待处理" → 改"进行中" → 跑完写回结果 → 改"已完成"
• 防僵尸：断电重连后看"心跳 + 重试次数"，超时任务重置续跑
• 机器 B 端读写云文档需联网 + 平台凭证；断网时自动落到通道 C

七、通道 C 断网执行（本地任务箱）

核心文件（本 skill 目录）

• local_taskbox.py：本地 JSON 任务箱，状态机(待处理/进行中/已完成/失败) + L1-L5 自动路由（add 打标、route 查询）+ 同步包 export/import（按 id 去重、保留 updated_at 较新者）。纯标准库，断网可跑。
• offline_worker.py：读本地待办 → 逐条调本机 Ollama → 结果写回；失败自动重试（指数退避）+ 级别过滤（默认只跑 L1）+ 防僵尸续跑（running 超 60 分钟自动重置）。

用法

bash

python local_taskbox.py add "标题" "详情" --source a            # 自动路由打 L1-L5 标签
python local_taskbox.py add "整理FDA收费" "…" --level L1        # 手动指定级别
python local_taskbox.py list                                   # 全部任务（含级别列）
python local_taskbox.py route                                  # 级别分布总览
python local_taskbox.py route 3                                # 单任务级别说明
python local_taskbox.py done <id> "结果"     # 手动标记完成
python local_taskbox.py fail <id> "原因"     # 手动标记失败
python local_taskbox.py delete <id>          # 删除任务
python local_taskbox.py export sync_out.json
python local_taskbox.py import sync_out.json
python offline_worker.py --model qwen2.5:7b                     # 默认只跑 L1 本地级
python offline_worker.py --level all --retry 3                  # 全部级别 + 最多重试 3 次

使用示例（完整流程 + 实际输出）

text

机器 A（记想法，自动路由）：
$ python local_taskbox.py add "整理出差清单" "护照、转换插头、名片" --priority 7
已添加任务 #1：整理出差清单（路由 L1）   ← 命中"整理/清单"关键词 → 本地最省
$ python local_taskbox.py add "查资料" "FDA 收费规则"
已添加任务 #2：查资料（路由 L2）          ← 命中"查"关键词 → 云端检索
$ python local_taskbox.py add "评估欧盟MDR合规差距" "现有CE文件对照"
已添加任务 #3：评估欧盟MDR合规差距（路由 L4）  ← 命中"评估/合规" → 云端复杂推理
$ python local_taskbox.py list
[1] queued   P7 L1 整理出差清单  (a)
[2] queued   P5 L2 查资料  (a)
[3] queued   P5 L4 评估欧盟MDR合规差距  (a)
$ python local_taskbox.py route
当前任务箱级别分布：
  L1 × 1  本地执行（批量/重复/文档/敏感 → 本地 Ollama，0 云端消耗）
  L2 × 1  云端检索（需联网查资料/资讯 → 云端）
  L4 × 1  云端复杂推理（分析/方案/合规 → 云端好模型，该花则花）
  （合计 3 个任务）

机器 B（断网执行，默认只跑本地级 L1）：
$ python local_taskbox.py import sync_out.json
已合并 3 个任务（来自 sync_out.json），当前共 3 个
$ python offline_worker.py --model qwen2.5:7b
== 处理 #1 [L1]：整理出差清单（模型 qwen2.5:7b）
== 完成 #1，结果长度 128
没有 L1 级待办任务，退出。（可用 --level all 处理全部）   ← L2/L4 云端任务不占用本地

说明：offline_worker.py 默认 --level L1 只跑本地级任务；L2/L3/L4 云端任务留在任务箱， 由云端侧（WorkBuddy/DSH）联网处理，避免本地小模型硬啃检索/复杂任务。--level all 仅用于 全量试跑或 L5 试跑降级（先本地出初稿，不满意再升云端）。

机器 A（回收结果）： $ python local_taskbox.py import result.json 已合并 3 个任务（来自 result.json），当前共 3 个 $ python local_taskbox.py list [1] done P7 L1 整理出差清单 (a) [2] queued P5 L2 查资料 (a) ← 云端任务等联网后由云端侧处理 [3] queued P5 L4 评估欧盟MDR合规差距 (a)

text

## 八、DSH 执行层对接（DeepSeek Harness）

DSH（DeepSeek Harness）是 DeepSeek 开源的 Agent 执行框架（2026-08 发布，MIT，"一切皆插件"：模型/工具/会话/调度/日志全插件化，Cordis 内核）。本任务箱的执行层可对接 DSH：**DSH 负责 Agent 编排（工具调用/会话/调度/轨迹），推理统一交给本地 Ollama**——0 API 成本、断网可跑、数据不出门，模型 API 涨价也不受影响。

### DSH 接入本地 Ollama（官方内置功能，无需插件）
1. 启动：`npx @deepseek-ai/dsh web`（需 Node.js ≥22.19），浏览器打开 `http://127.0.0.1:3080`
2. 设置 → 模型 → **添加自定义提供方**：
   - Provider ID：`ollama-local`
   - API 地址：`http://127.0.0.1:11434/v1`（Ollama 的 OpenAI 兼容端点，注意带 `/v1`）
   - API 协议：`openai-completions`
   - API 密钥：任意占位符（Ollama 不校验，但 DSH 要求非空）
   - 模型目录：点「获取可用模型」自动拉取（如 qwen2.5:7b / deepseek-r1:8b）
3. 保存后即可在模型选择器选用本地模型。

### 与任务箱配合（执行/推理解耦）
- 任务箱 = 任务队列（存任务/状态/结果）；DSH = 执行层（编排）；Ollama = 推理层。
- 批量任务可用 DSH 的 PTC/极简模式跑；长任务有轨迹可回溯（append-only 会话日志 + Trajectory 视图，可恢复/分叉/回放）。
- 结果写回任务箱 → 同步包 / 云文档信箱回传。

### 跨机（局域网 / 外网）
- 局域网：Ollama 设 `OLLAMA_HOST=0.0.0.0`，DSH 填 `http://<局域网IP>:11434/v1`；**仅限可信内网**（Ollama 无鉴权）。
- 外网：用 Tailscale / WireGuard 组私网，填 tailnet IP（与通道 A 一致）；切勿将 Ollama 直曝公网。

### 注意
- DSH 为 v0.1 开发者预览版，官方声明「会有破坏性变更」，生产环境慎用。
- 官方 Python SDK 暂不支持 Windows（Linux/macOS）；Windows 建议用 Web UI 或 WSL。
- 对接细节以官方文档为准：`github.com/deepseek-ai/deepseek-harness` · `deepseek-harness.github.io`

## 九、落地操作清单（未完成项按序做）
1. **建云文档智能表格**：字段见第六节，作为通道 B 的队列
2. **写机器 B Worker 脚本**：扫表 → 调 Ollama → 写回结果（可用 offline_worker.py 为底改造，或对接 DSH 执行层，见第八节）
3. **配定时自动化**：每晚定时扫表（机器 B 任务计划 / WorkBuddy HOURLY 自动化二选一）
4. **实测一周**：记录云端消耗前后对比，按数据调路由分级表

## 十、备选云端中转（金山文档）
金山文档 .dbt 做共享任务队列 + WorkBuddy HOURLY 自动化 + Worker 提示词 + 开机自启，与乐享二选一即可。

## 限制与说明
- 任务标题建议 ≤100 字，详情 ≤5000 字（文本文件，过长影响可读性）。
- 优先级 1-9，数字越大越先处理；默认 5。
- 任务箱文件 `taskbox.json` 与脚本同目录，纯文本 JSON，可直接查看/备份。
- 两台机器不要直接共享同一 taskbox.json 并发写；正确姿势：各自维护 → export/import 同步包交换。
- **已实现（v2.4.0）**：L1-L5 分级路由（自动打标 + route 查询 + --level 覆盖）、Worker 失败重试（指数退避）、级别过滤执行、防僵尸续跑。
- **路线图（规划中）**：定时自动跑（`--schedule`/配置文件）、本地 Web 界面、批量操作（`add --file`、`done --all`）、多任务并发（`--parallel`）、云文档队列直连 Worker——实现后无缝升级，命令保持向后兼容。

## FAQ（常见问题）

- **Q：L1-L5 分级是怎么自动判定的？会误判吗？**
  按关键词规则表（ROUTE_RULES）匹配标题+详情，优先级 8-9 强制 L4、1-3 强制 L1，未命中默认 L1（本地最省）。启发式规则有误判可能——批量/重复/文档类关键词强、决策类强；重要任务用 `add --level L4` 手动指定最稳。
- **Q：怎么查看某个任务被路由到哪一级？**
  `python local_taskbox.py route` 看级别分布总览；`route <id>` 看单任务级别及含义说明。
- **Q：Worker 调用模型失败会怎样？会卡住吗？**
  不会卡住。默认自动重试 2 次（指数退避：2s→4s），`--retry N` 可调；重试耗尽后任务标记 **failed**，结果字段写明 `[调用失败] 原因`，修正后重跑即可。
- **Q：断电/断网后任务会丢吗？**
  不会。任务先写盘（taskbox.json）再执行；running 超 60 分钟会被 worker 自动重置为 queued 续跑（防僵尸）。重启机器后重新 `python offline_worker.py` 即可。
- **Q：同时开两个 Worker 会不会重复处理？**
  会。同一任务箱文件不推荐并发写；如确有并发需求，请在两台机器各用独立任务箱，再通过同步包合并。
- **Q：导入别人的同步包会把我自己的任务搞乱吗？**
  不会。导入按任务 id 去重，只合并对方**更新过**（updated_at 较新）的任务，本地已有且更新的任务保持不动。
- **Q：taskbox.json 被我弄坏了怎么办？**
  程序会提示文件损坏并退出（不会静默清空）。用最近的同步包 `import` 重建即可；养成每次 export 后留一份备份的习惯。
- **Q：模型没装 / 名字写错会怎样？**
  任务会标记 failed，结果字段写明 `[调用失败] ...` 原因，不会卡死；修正后重跑即可。换模型用 `--model`，不用改代码。
- **Q：任务能写多长？优先级怎么填？**
  标题 ≤100 字、详情 ≤5000 字；优先级 1-9（越大越先跑，默认 5），超范围会报错提示。
- **Q：结果输出格式是怎样的？**
  Worker 会强制按「【结论】开头 + 分点正文 + 【下一步】结尾」的结构输出（≤300 字），保证结果规范可读。
- **Q：DSH 官方链接打不开 / 找不到对接文档？**
  搜索"DeepSeek Harness"进入官网 `deepseek.com/harness` 或 GitHub `deepseek-ai/deepseek-harness`；DSH 为 v0.1 预览版、迭代很快，对接细节一律以官方最新文档为准，本技能内容会随版本跟进更新。

## 安全
- 同步包不含任何密钥；任务详情勿写密码/token。
- 两机各自 taskbox.json 独立，靠同步包按 id 合并，互不覆盖结果。
- 断网闭环不依赖任何云端 API / MCP；模型权重在本地，Ollama 仅监听 127.0.0.1。

## 版权与许可

- © 2026 **注册老炮**。本技能为原创作品，以 **MIT 协议**开源发布，可自由使用、修改、再分发（保留上述版权声明即可）。
- **免责声明**：本技能按「现状（AS IS）」提供，不提供任何明示或默示的担保（包括但不限于适销性、特定用途适用性、不侵权）；因使用、误用本技能或其输出导致的任何直接或间接损失，作者不承担责任。
- 本技能零云端依赖（断网模式），不收集任何数据；任务详情请勿写入密码 / token。
- 使用本地大模型执行任务时，请遵守所用模型的开源许可条款。