Agent 与自动化AI 资源
Proofhouse：多模型生成、实测、评测与版本留存的本地命令行工具
KM-it-ops/Proofhouse · Local Python command-line tool (on PyPI): describe what you want, pick any AI model, and it builds, tests, scores, and versions the result, with a spending limit on paid calls.
ELI5：它是什么，解决什么问题
Proofhouse 是一个本地 Python 命令行工具（已发布到 PyPI）。用户只需描述目标，再指定任意提供方的模型，它就会生成提示词、技能、MCP 服务器、网站、应用、图像、声音、视频乃至完整发布物料，并实际运行试跑、由裁判模型评分、迭代修订，同时按版本保留测试输出、评分与调用成本。它支持同一任务跨多个模型对比并生成并排页面；对每一次付费调用设置最高花费上限；可把产物安装到 Claude Code、Cursor、Codex，或将站点部署到 Netlify、Vercel 等平台。
核心能力与快速开始
★ 0 · Python
- 能做什么
- 通过自然语言描述目标，调用用户指定的任意模型（云端或本地）生成提示词、规则、MCP 服务器、hook、网站、跨平台应用、图像/语音/音乐、视频和整套发布物料；实际运行产物、由裁判模型评分并迭代修订；每个版本保留测试输出、评分与花费；支持同一任务在多模型上并行运行、评分、计成本并生成并排比较页面；对每次付费调用做最坏情况花费预估，超过 --max-cost-usd 或模型无定价时拒绝发送；提供离线 demo（不调用模型）；可选证据链命令记录约束、输出与检查结果。
- 适用场景
- 需要快速产出并验证提示词、技能或 MCP 工具定义的个人开发者；为落地页、PWA/移动应用、短视频等物料做原型生成与版本留存；在同一提示词上比较多个模型的效果与成本；在有限额度内让 Agent 循环执行任务直到检查通过；将生成的产物安装进 Claude Code、Cursor、Codex 或部署到 Netlify、Vercel、Cloudflare、Surge。
- 项目形态
- 可直接使用的工具
- 部署方式
- 本地命令行工具，通过 uv tool install proofhouse 或 pip 安装，非托管服务；Windows 需先设置 PYTHONUTF8=1。
- 主要依赖
- Python 3.11+；使用云端模型需相应提供方的 API Key（从环境变量读取）；本地模型需自备 Ollama、LM Studio、vLLM 或 llama.cpp 等运行环境；付费调用需设置花费上限。
- 使用限制
- 付费调用的美元数字为估算而非账单；裁判评分为模型建议而非证明；模型生成的 MCP 服务器、hook 与应用构建命令仅在 --allow-commands 下运行，该参数是显式选择而非隔离；模型档案为提示词指导，27 个档案中仅 10 个引用来源，其余标记为未验证；内置模型列表可能过时（超过 90 天标记为 stale）；case 证据链不调用模型也不评估质量。
- 许可证
- MIT
- 最近推送
- 2026-11-05 04:51
资料检查：2026-11-05 07:00 · 卡片整理：2026-11-05 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证
讨论 0
登录后参与讨论，阅读资讯无需注册。
还没有评论，来分享第一个看法。