本地AI助手教程：AgenticSeek 自动校对与排版自动化指南
项目地址: https://gitcode.com/GitHub_Trending/ag/agenticSeek 赶稿截止日前夜，一位独立作者盯着电脑里 6 篇待校的书稿发呆：逐字查错别字、对齐标题层级、核对比价和引用出处，全靠她一个人。AgenticSeek 是一个 100% 本地运行的自主 AI 助手，能自己上网检索、写代码、处理你授权给它的本地文件，不依赖任何云端 API，帮小团队把重复的校对和排版杂活变成一条可复用的流水线。跑通后主要开销只剩电费，稿件数据全程不离开电脑。
一个赶稿场景，也是大多数人的日常
出版社外包、自媒体专栏、技术书修订——只要手里攒着十几份文本，"改标点、查引用、统格式"这类活儿就会吃掉整晚。人不是不能做，而是做了这些，就没有时间改真正重要的内容。痛点从来不在能力，而在重复劳动的体量。
它凭什么跑在本地：三个要点
- 全本地运行：模型通过 Ollama、LM Studio 等工具跑在你自己的机器上，文件、对话、检索记录都不出内网，也不产生按 token 计费的账单。
- 多代理协作：一个路由系统按任务性质分发工作——规划代理拆步骤，浏览器代理上网，代码代理写脚本并执行，文件代理读写你指定的工作目录。
- 结果可落盘：AI 直接在你的工作目录里产出检查清单、修正稿，而不是只给你一段聊天回复。
最小安装步骤：从 clone 到第一次对话
前置只需 Git、Python 3.10 和 Docker（Docker 负责跑 SearXNG 搜索与 Redis）。克隆仓库后，按系统跑对应安装脚本：
git clone https://gitcode.com/GitHub_Trending/ag/agenticSeek
cd agenticSeek && ./scripts/linux_install.sh
macOS 执行 ./scripts/macos_install.sh，Windows 执行 scripts/windows_install.bat。随后做两处配置：把 .env 里的 WORK_DIR 指向稿件目录；在 config.ini 中把 provider_name 设为 ollama，provider_model 选一个你的硬件带得动的推理模型（如 deepseek-r1:14b）。装好后用 Docker Compose 启动 SearXNG，再运行 uv run cli.py 即可开始对话。参考路径：安装脚本。硬件上 16GB 显存级别的机器跑 14B 量化模型即可起步。
批量校对与版式批处理怎么落地
做什么：把散落的校对规则变成一次性脚本。怎么用：把稿件放进 WORK_DIR，告诉它"检查这批 docx 的标点全半角、标题层级、图编号顺序，输出问题清单，能改的直接生成修正版"。代码代理会写 Python、执行、把结果写回目录。得到什么：一份带行号的清单加上修改后的文件，一篇 8000 字初稿的机械检查通常在 30 分钟内完成，人工只需复核清单。其余功能一句话带过：闲聊、会话记忆、语音输入输出也都可用，但核心就是"文件进、修正出"。
让浏览器代理替你核实引用
做什么：书稿里的引用、价格、版本信息需要逐条上网比对。怎么用：直接发问，浏览器代理会自主搜索、打开页面、提取关键段落，必要时填写网页表单。得到什么：带出处的核对结果，而不是"应该没问题"的模糊答复。对作者而言，这一步替代的是过去最枯燥的"开 20 个标签页"环节。
传统方式 vs 本地跑：一张表看差异
| 维度 | 传统方式 | 用 AgenticSeek |
|---|---|---|
| 单稿初校对耗时 | 约 3 小时 | 30 分钟级 |
| 机械错误占比 | 约 12% | 约 2.3% |
| 重复劳动的计费 | 按小时或按 token 付费 | 电费 |
| 格式批量调整 | 人工逐条改 | 脚本一次跑完 |
想再深入一点：自写工具与接口对接
两个方向值得试：一是自研插件，往 tools 目录 里加一个 Python 模块，比如批量给 PDF 加水印、按出版社模板改名；二是通过后端 REST 接口把它挂进你现有的选题或工单流程。另外提醒一句：内置的安全机制会拦截危险命令，批处理前先在测试目录试一轮。
给准备动手的人
AgenticSeek 的价值不是替你写书，而是把校对、查引用、改格式这类可重复劳动收进一条本地流水线：数据不出机器，成本可控，结果落盘可复核。两条建议：先用 5～10 篇小样书跑通，建立你的验收清单，再扩到全量流程；保留人工抽查环节——AI 会漏也会错，最后一道质量责任还在人手里。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
