本地、能办事、越用越省大模型。

整套环境留在本机

推理、数据和检索服务跑在你自己的电脑上，不依赖 Docker Desktop，也不把对话默认转发到托管接口。

安装包本身不大。第一次启动会补齐运行组件和你选的模型；准备好之后，对话和模型都在你的机器上。识图、语音播报、图片生成等能力，也按模块装在同一套本机环境里，用到哪一层就补哪一层。

模块化：先想清楚怎么做，再组织成话

每一句话不会直接丢给大模型自由发挥。它会先判断：这是闲聊、要查事实、要翻文档、要回忆、要识图或生图，还是要写一段较长的内容，然后再走下一步。

会说的部分交给模型，会办事的部分由调度来定。不会的事，尽量在进模型之前就拦住。时间和日期的不同说法，也会落到同一次真实查询上。各能力按模块衔接，以后接新工具或新设备，也更容易接到同一条调度链上。

准确性靠约束，不靠恳求

要时间就读时钟，要相对日期就做日历计算，要回忆就检索，要依据文档就先查知识库。没有对应能力时，回复是明确的做不到。

工具给出的日期和星期会被锁定。后面的话可以自然，但不能另算一个星期，也不能把今天和明天的结果串用。

肌肉记忆：变快，但不背过期事实

常见意图会形成肌肉记忆，例如「这句话是要报时」。命中之后仍该用工具就用工具，再把结果说成人话。

所以可以同时做到：常用说法越来越快，时间、日期和检索结果仍以当次为准。变快的是路径，不是拿旧答案糊弄你。

成长留在你的机器上

对话、赞同、反对和实际走通的路径会留下样本。你可以在本机训练并部署负责「下一步怎么做」的小模型。失败会给出原因，不会留下一个看起来成功、实际是空的结果。

这是在改进办事方式，不是用你的数据去微调一个通用大模型。对话所用的大模型，仍是你选定并放在本机的模型。

知识库、识图与多模态能力

导入自己的文档后，系统会分块并建立索引，再按语义检索。命中的内容作为证据来组织回答；没有找到就说明没有找到。

PDF、扫描件和图片里的印刷文字、表格结构可以识别后再使用。语音播报在本机合成；图片生成与编辑在本机生图引擎上完成。它读的是字和表、按你的提示出图，不会假装看见文档里没有的内容。

数据边界

对话、记忆、知识库原文、反馈和训练产物默认在本机。生成调用打到本机推理服务，不打到第三方聊天接口。

第一次补齐运行组件和模型需要访问 Evolux 自己的分发地址，这是安装，不是每次回答都上传内容。卸载默认保留数据，只有你明确选择彻底删除时才清掉。

可扩展性：在稳妥的节奏里往外长

当前版本已经把「调度中枢 + 本机能力模块 + 肌肉记忆」叠在一起。后面我们会继续按同一思路扩展，而不是推倒重来。

例如：在你选择开启时，接入常见云端模型接口，让更快的接口参与调度决策，或让更强的模型处理更重的多模态与深度思考——记忆与核心数据仍优先留在本机。插件与 Agent、Skills 也会按模块接入，方便把你自己的功能接到同一套工作台上。

肌肉记忆也会往「按场景训练」演进：不同扩展能力或外接设备，可以各自留下习惯路径，同时仍受统一调度中枢约束——既提高日常手感，又为更多场景留出空间。这些都会按可验证的节奏推进，而不是一次画完整张蓝图。