Munder Difflin 语音控制平面实战如何用一句话指挥一整支 AI Agent 舰队【免费下载链接】munder-difflinA local multi-agent harness that works with your existing Claude Code, Codex subscriptions, allows you to run an office of agents项目地址: https://gitcode.com/GitHub_Trending/mu/munder-difflin语音是写代码最糟糕的输入方式却是运营一支 Agent 舰队最自然的方式。本文以 Munder Difflinv0.3.2 起提供的 Talk mode为案例拆解低带宽命令驾驭高带宽工作这一核心带宽论点并从源码层面剖析语音编排通道的回读确认、michael-voice 审计身份、硬性消费上限与闲置自动断线等工程护栏帮助你判断并搭建自己的语音 Agent 编排控制平面。每隔几个月就有人演示用语音写代码而观众的反应几乎总是相同的挺酷但没人想要。对着空气念一段 diff 绝对比敲键盘更糟糕于是整个品类被打上噱头的标签。这是对语音的误判——演示选错了负载。语音不适合作为创作通道却非常适合作为控制通道。带宽论点接口是通道负载必须匹配把任何接口都当作一条通道然后问这条通道的带宽能承载当前的负载吗代码是一种高带宽、高精度的负载。它充满符号、对空白敏感、强依赖位置。用语音表达它等于把结构串行化地塞进一条有损的音频通道还要祈祷转写能保留!与!的区别。敲键盘完胜而且毫无悬念。但编排是另一种负载。当你运营一支 Agent 舰队时你真正发出的东西极小委派Delegation——让某个人去修那个 flaky 的 auth 测试。状态查询Status——Dwight 在做什么看板上有什么审批Approvals——对杀掉它/不先别动。每一句都是一句话却会向外辐射成几分钟甚至几小时的高带宽工作——读文件、跑构建、写 diff——这些由Agent 自己完成。这就是语音成立的对称性所在低带宽命令驾驭高带宽工作。你提供意图舰队提供密度。这与 GOD 编排器(blog/src/posts/how-the-god-orchestrator-works.md) 对键盘输入强加的分工完全相同——语音只是把本就没怎么用到的键盘从回路里拿掉。带宽论点的另一半编排天然是环境性的ambient。你人在房间另一头一次过夜任务正在推进。一个状态问题不该让你起身走回工位一次完成也不该等到你恰好瞥见终端。语音让人在环境之外、舰队在环境之内成为常态。案例研究Talk mode 的架构与能力边界Munder Difflin 把上述论点实现为一个具体功能——Talk modev0.3.2 发布完整导览见 launching-munder-difflin-v0-3-2。按下Talk按钮你会获得一条通向 MichaelGOD 编排器的语音化身的低延迟语音通道OpenAI Realtime API over WebRTC自带密钥BYOK与异步终端工作区并行运行而非取代它。从源码看这条通道被刻意设计成两半见 session.ts 的模块注释读取侧read side覆盖整个 hive——任务看板、board 计划、记忆、Agent 名册、活动日志、token 用量。实现为 13 个只读 function-tooltools.tsget_floor_state、get_fleet_status、list_agents、get_agent_detail、get_tasks、get_board、get_cost、get_triggers、get_config、get_memory、get_activity、get_messages、get_app_info。每个工具的输出都被格式化成可朗读的短句无 Markdown、无项目符号、无星号因为最终是 TTS 读出来的。动作侧action side完整编排动词集——创建并分配任务、派遣 Agent、暂停 / 转向 / 停止、spawn 与 hire 新工人、终止它们、编辑调度。注意不在列表里的东西写代码。语音通道从不触碰编辑器只搬运工作——恰好是这条通道能承载的负载。双向闭环同样成立。语音派遣出去的工作会自己汇报完成监视器completion watcher检测到任务落地后会把事件推入进行中的会话让Michael 主动开口播报——完成后回应respond when done是头等行为带有屏幕 toast如果会话已关闭则走排队到通知queue-to-notification路径下次连接时作为你上次说话之后完成的摘要补送对应realtimeDrainCompletions与realtimeSetSessionLive见 session.ts。你以一句话委派结果以一句话返回——环境性的那一半就此兑现。会话状态机off → connecting → listening → responding → working语音会话不是一把开着或关着的开关而是一个显式状态机见 session.ts状态含义off无会话初始 / 断开后 / 致命错误connecting正在铸造临时 token 建立 WebRTC 连接listening已连接麦克风开启等待 / 正在听用户说话responding模型正在生成 / 播放音频回复working工具调用进行中麦克风静音直到其返回工具调用期间麦克风会被静音agent_tool_start/agent_tool_end事件驱动这不仅是体验细节更是安全设计确认提交发生在一个麦克风静音的瞬间环境噪音不可能混入一句同意。轮次切换使用语义 VADsemantic_vadeagerness: medium并支持 barge-in——用户打断时模型自动截断当前回复。麦克风采集带有回声消除 噪声抑制 自动增益echoCancellation: true, noiseSuppression: true, autoGainControl: true并尊重用户在设备选择器里选定的输入 / 输出设备。连接瞬间发生了什么完整调用链从按下 Talk 到 Michael 开口打招呼session.ts 展示了完整链路铸造临时凭证渲染进程调用window.cth.realtimeMintToken()由主进程把真实 OpenAI key解密一次向 GA ephemeral-secret 端点换取短期有效的临时 client secret见 src/main/realtime.ts 的mintRealtimeToken。真实 key 永不进入渲染进程。打开主进程麦克风权限门realtimeVoiceEnabled配置标志然后以 EC/NS/AGC 约束调用getUserMedia。建立 WebRTC 传输自定义OpenAIRealtimeWebRTC传输自持麦克风流与audio播放 sink模型为gpt-realtime-2语音为cedar。暖启动warm-start把一次 hive 快照作为第一条会话条目静默注入conversation.item.create且不触发 response让 Michael 的首次回答无需工具往返即可落地后续地板变化floor delta也以静默追加的方式持续喂入。关键设计v0.3.4 起快照不再写进 instructions——persona 工具的固定前缀保持字节稳定从而跨轮次、跨会话获得完整提示缓存缓存输入约便宜 99%。注入随机问候语并进入listening。控制平面需要护栏而不是氛围这是控制平面从比喻变成工程标准的地方。麦克风是一个嘈杂、可伪造、可能听错的输入设备却连接着kill这类动词。如果对此漫不经心你造出的就是一个带爆炸半径的噱头。Talk mode 的护栏才是最值得研究的部分而它们全部实现在受信任的主进程一侧src/main/realtimeActions.ts 开头的注释写得很明确渲染进程的工具只是薄调用者策略全部下沉到 MAIN纵深防御。破坏性动词的口头回读确认echo-back confirmation每个破坏性动作都被挡在一道口头回读后面Michael 复述他要做的精确动作并要求一个独特的确认令牌——绝不接受一个光秃秃的 yes因为一句随口的话就可能触发误杀。源码里的实现非常具体每个动词在VERBS表中声明自己的层级与确认词realtimeActions.tssoft级ping / dispatch / steer / create_task / assign_task / update_task / resume / auto_delivery / gate_tool / delete_task / unarchive立即执行destructive级spawn / kill / pause / halt / edit_schedule / clear_context / archive / create_schedule / update_setting必须先进入待确认槽。BARE_AFFIRMATIONS集合realtimeActions.ts列出了一长串绝不能单独授权破坏性操作的短语yes、yeah、yep、yup、ok、okay、sure、go、do it、please、affirmative、uh huh……环境语音 / 一句随口的 yeah 不可能确认一次 kill。confirmAcceptedrealtimeActions.ts只接受携带动作动词本身或字面 confirm 的短语例如对 kill 说confirm 或 kill否则返回为了安全我需要你说 confirm 或 kill而不是只说是。待确认动作有120 秒 TTLPENDING_TTL_MS过期自动作废新提案会取代旧的待确认项确认只消费一次提交失败也不能被再次确认。提交瞬间麦克风处于静音状态工具调用期间静音见上节杜绝任何杂音注入同意。硬性拒绝hard refusals与目标解析在上述分层之上还有硬性白名单realtimeActions.ts禁止对 GOD 编排器执行kill / pause / halt / archive——无论听成什么都没用直接拒绝并说明这必须走 UI唯一例外是clear_context可恢复且清掉 Michael 的上下文是真实的运维需求允许但同样需要确认。禁止一切全体 / 大规模操作isMassTarget会识别 all / every / everyone / everybody、*、agents / the team / fleet / everything 以及逗号或 and 连接的多个目标——命中即拒绝。语音目标匹配是防御性的resolveAgent先做精确 id、god/michael 别名、精确名字优先非归档再做部分匹配多个候选命中时要求说确切 id而不是猜测。任务卡片匹配则走scoreCard打分realtimeActions.ts归一化去除非字母数字、容忍截断与词序当前两名分数差距小于 0.08AMBIGUOUS_MARGIN时返回 spoken 的which one消歧而不是静默改错卡片——与 [bin/find-task.cjs 的 scoreTask] 同一套评分思想。michael-voice一个独立的审计身份凡由语音完成的操作都会在消息、看板与活动日志中被归属到独立的michael-voice身份VOICE_ACTOR常量见 realtimeActions.ts。每次提交后的attribute()realtimeActions.ts做两件事向 hive 活动日志写入{ kind: voice_action, actor: michael-voice, verb, target, ... }通过hiveSend给 GOD 终端发一条 inform 消息——语音编排器michael-voice刚刚做了 X提醒你别重复看板是唯一事实来源。一次语音派遣永远不会静默冒充某个 worker 或混进键盘命令——事后你总能分辨出哪些地板变化来自麦克风。这正是 observability-for-agent-fleets 主张的完整审计线索在语音通道上的延伸也与 human-in-the-loop-approving-ai-agents 的人机审批门禁一脉相承——只是把人类的点击换成了一句话。实时消费上限与闲置自动断线Realtime 语音是按量计费的所以会话被置于一个**实时成本仪表cost HUD**之下costStore.ts每次response.done上报的 token 用量经共享的音频价格表换算成美元累积提供可选的capUsd硬上限一旦usd capUsd即置overCap。与此同时一个每10 秒一跳的 cost-guard 定时器session.ts周期性检查两个条件任一命中即自动断开并记录断开原因cost-cap/idle硬消费上限被击中闲置超时距最后一次用量增量超过可配置的realtimeIdleDisconnectMs默认 3 分钟即DEFAULT_IDLE_DISCONNECT_MS 180_000设为 0 表示永不因闲置断开但消费上限依然是最后的失控防线。一道你不敢放心留着的控制平面就不是控制平面。忘记关的麦克风不可能静悄悄烧钱。密钥卫生BYOK 临时令牌Talk mode 是自带密钥模式OpenAI key 在Settings → AI Engines配置仅在 Electron 主进程中被解密并铸成短期有效的临时会话令牌——真实 key 永不抵达渲染进程IPC 通道为realtime:mintToken见 src/main/realtime.ts。没有 key 时 Talk 按钮会以可见的needs OpenAI key提示保持禁用而不是无声地死掉。从源码还能看到一条细致设计麦克风权限门不以是否有 OpenAI key为准key 与 CLI 引擎共享那会让纯 CLI 用户也打开麦克风权限而是单独的realtimeVoiceEnabled标志随会话开关同步翻转。纵深防御连提示注入都被消毒语音通道天然暴露于提示注入完成摘要、地板更新都来自外部文本而它们会被注入模型上下文。因此 session.ts 的sanitizeForVoice会在注入前折叠换行、剥离括号、剔除ignore/override ... instructions一类注入引导语、删除system:/assistant:角色标记并截断到 300 字符——即使外部摘要试图让 Michael忘记之前的指令进入模型的也只是中性化的通报。与此同时主进程对所有破坏性 / 禁止操作独立把关realtime:action/realtime:action:confirm/realtime:action:cancel三个 IPC见 realtimeActions.ts渲染进程哪怕被攻破也无法升级权限。完整动作动词表软操作与破坏性操作的边界Talk mode 的动作面在 v0.3.2 交付核心动词v0.3.4 扩展为完整控制集见 actions.ts 与 realtimeActions.ts 的分层层级动词说明软操作立即执行ping_agent给单个 Agent 发一条短消息dispatch_agent以四段式工作单OBJECTIVE / CONTEXT / CONSTRAINTS / DONE WHEN投递任务steer_agent向运行中的 Agent 注入实时转向指导最高优先级动词create_task/assign_task/update_task/delete_task看板卡片增改删优先级 1–10resume_agent恢复被暂停 / 停止的 Agentpause/halt 的撤销set_auto_delivery暂停 / 恢复某 Agent 的消息队列投递gate_tool封锁 / 放行某个命名工具如 Bash、WebFetch、Editunarchive_agent把归档 Agent 带回名册破坏性 / 昂贵需口头回读确认spawn_agent雇佣新 Agent引擎可选claude / codex / gemini / opencode / crush / pi / qwen / copilot / cursorkill_agent终止运行中的 Agent关终端 归档pause_agent/halt_agent暂停 / 硬停当前工作archive_agent/clear_agent_context归档 Agent / 排队清空其上下文按引擎解析正确的 clear 命令如 Grok/OpenCode/pi 是/newedit_schedule/create_schedule启用 / 禁用 / 删除 / 新建定时任务间隔最小 5 分钟默认 60update_setting修改语音白名单内的设置项二阶段提交confirm_action/cancel_action用用户真实说出的短语提交 / 撤销待确认动作注意update_setting的精细策略SETTING_POLICY见 realtimeActions.ts外观类低风险键notifications、officeTheme、terminalTheme、freeflowEnabled、autoUpdate、realtimeIdleDisconnectMs 等立即生效行为类键autoMode、defaultModel、godProvider、godModel、maxConcurrentWorkers、costCapTokens、maxTurns、slackEnabled、webhookEnabled、semanticMemory、multiWindow回读 old→new 并要求确认任何密钥、目录路径、集成配置不在表内一律拒绝——原始 config 携带凭据绝不允许从语音直达未校验的 config 写入。集成要点与测试保障如果你想在自己环境里启用这套语音控制平面仓库中的事实依据如下运行时前置条件自己的 OpenAI key 且账号具备 Realtime API 访问能力Settings → AI Engines 配置。语音会话只在hive 已配置时才能执行动作runAction第一步检查hiveEnabled()否则 Michael 会明确说hive 未配置我无法执行该操作。源码阅读起点渲染进程会话与状态机在 src/renderer/src/realtime/session.ts只读工具在 src/renderer/src/realtime/tools.ts动作工具在 src/renderer/src/realtime/actions.ts主进程安全脊柱在 src/main/realtimeActions.ts临时令牌铸造在 src/main/realtime.ts会话成本仪表在 src/renderer/src/realtime/costStore.ts。测试验证test/voice-messages.test.cjs 覆盖语音消息归属与消息内容路径语音动作脊柱因依赖注入设计而可单元测试——所有主函数经RealtimeActionDeps注入安全策略逻辑与 index.ts 接线解耦。一个值得借鉴的实现细节动作工具对confirm_action的处理要求传递用户真实说出的短语——主进程会拿它和确认词做归一化比对同时渲染侧每个工具调用都会先检查 preload 桥是否存在缺失时给出可诊断的提示而不是抛出一个晦涩错误。结语用负载来评判语音评判语音要看你把什么负载放上去。作为代码的创作通道它每次都会输给键盘。但作为一支舰队的控制平面——委派、状态、审批、完成播报——它是天然接口前提是它按基础设施来建造任何破坏性操作都要确认一个独立的审计身份消费上限以及对沉默的超时。这正是噱头与一架你真敢去飞的飞机之间的区别。Talk mode 的完整路径连接、提问、确认、spawn、kill、派遣、完成播报在发布前已用真实 key 做过端到端的人工验证——你也可以在本地安装 Munder Difflin 后把这条路径完整走一遍从一句话委派到一句话收到完成播报。相关版本演进与完整功能巡礼可继续阅读 launching-munder-difflin-v0-3-2、launching-munder-difflin-v0-3-3、launching-munder-difflin-v0-3-4若仓库含该发布说明见 CHANGELOG.md以及 how-to-talk-to-your-orchestrator。【免费下载链接】munder-difflinA local multi-agent harness that works with your existing Claude Code, Codex subscriptions, allows you to run an office of agents项目地址: https://gitcode.com/GitHub_Trending/mu/munder-difflin创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Munder Difflin 语音控制平面实战：如何用一句话指挥一整支 AI Agent 舰队
Munder Difflin 语音控制平面实战如何用一句话指挥一整支 AI Agent 舰队【免费下载链接】munder-difflinA local multi-agent harness that works with your existing Claude Code, Codex subscriptions, allows you to run an office of agents项目地址: https://gitcode.com/GitHub_Trending/mu/munder-difflin语音是写代码最糟糕的输入方式却是运营一支 Agent 舰队最自然的方式。本文以 Munder Difflinv0.3.2 起提供的 Talk mode为案例拆解低带宽命令驾驭高带宽工作这一核心带宽论点并从源码层面剖析语音编排通道的回读确认、michael-voice 审计身份、硬性消费上限与闲置自动断线等工程护栏帮助你判断并搭建自己的语音 Agent 编排控制平面。每隔几个月就有人演示用语音写代码而观众的反应几乎总是相同的挺酷但没人想要。对着空气念一段 diff 绝对比敲键盘更糟糕于是整个品类被打上噱头的标签。这是对语音的误判——演示选错了负载。语音不适合作为创作通道却非常适合作为控制通道。带宽论点接口是通道负载必须匹配把任何接口都当作一条通道然后问这条通道的带宽能承载当前的负载吗代码是一种高带宽、高精度的负载。它充满符号、对空白敏感、强依赖位置。用语音表达它等于把结构串行化地塞进一条有损的音频通道还要祈祷转写能保留!与!的区别。敲键盘完胜而且毫无悬念。但编排是另一种负载。当你运营一支 Agent 舰队时你真正发出的东西极小委派Delegation——让某个人去修那个 flaky 的 auth 测试。状态查询Status——Dwight 在做什么看板上有什么审批Approvals——对杀掉它/不先别动。每一句都是一句话却会向外辐射成几分钟甚至几小时的高带宽工作——读文件、跑构建、写 diff——这些由Agent 自己完成。这就是语音成立的对称性所在低带宽命令驾驭高带宽工作。你提供意图舰队提供密度。这与 GOD 编排器(blog/src/posts/how-the-god-orchestrator-works.md) 对键盘输入强加的分工完全相同——语音只是把本就没怎么用到的键盘从回路里拿掉。带宽论点的另一半编排天然是环境性的ambient。你人在房间另一头一次过夜任务正在推进。一个状态问题不该让你起身走回工位一次完成也不该等到你恰好瞥见终端。语音让人在环境之外、舰队在环境之内成为常态。案例研究Talk mode 的架构与能力边界Munder Difflin 把上述论点实现为一个具体功能——Talk modev0.3.2 发布完整导览见 launching-munder-difflin-v0-3-2。按下Talk按钮你会获得一条通向 MichaelGOD 编排器的语音化身的低延迟语音通道OpenAI Realtime API over WebRTC自带密钥BYOK与异步终端工作区并行运行而非取代它。从源码看这条通道被刻意设计成两半见 session.ts 的模块注释读取侧read side覆盖整个 hive——任务看板、board 计划、记忆、Agent 名册、活动日志、token 用量。实现为 13 个只读 function-tooltools.tsget_floor_state、get_fleet_status、list_agents、get_agent_detail、get_tasks、get_board、get_cost、get_triggers、get_config、get_memory、get_activity、get_messages、get_app_info。每个工具的输出都被格式化成可朗读的短句无 Markdown、无项目符号、无星号因为最终是 TTS 读出来的。动作侧action side完整编排动词集——创建并分配任务、派遣 Agent、暂停 / 转向 / 停止、spawn 与 hire 新工人、终止它们、编辑调度。注意不在列表里的东西写代码。语音通道从不触碰编辑器只搬运工作——恰好是这条通道能承载的负载。双向闭环同样成立。语音派遣出去的工作会自己汇报完成监视器completion watcher检测到任务落地后会把事件推入进行中的会话让Michael 主动开口播报——完成后回应respond when done是头等行为带有屏幕 toast如果会话已关闭则走排队到通知queue-to-notification路径下次连接时作为你上次说话之后完成的摘要补送对应realtimeDrainCompletions与realtimeSetSessionLive见 session.ts。你以一句话委派结果以一句话返回——环境性的那一半就此兑现。会话状态机off → connecting → listening → responding → working语音会话不是一把开着或关着的开关而是一个显式状态机见 session.ts状态含义off无会话初始 / 断开后 / 致命错误connecting正在铸造临时 token 建立 WebRTC 连接listening已连接麦克风开启等待 / 正在听用户说话responding模型正在生成 / 播放音频回复working工具调用进行中麦克风静音直到其返回工具调用期间麦克风会被静音agent_tool_start/agent_tool_end事件驱动这不仅是体验细节更是安全设计确认提交发生在一个麦克风静音的瞬间环境噪音不可能混入一句同意。轮次切换使用语义 VADsemantic_vadeagerness: medium并支持 barge-in——用户打断时模型自动截断当前回复。麦克风采集带有回声消除 噪声抑制 自动增益echoCancellation: true, noiseSuppression: true, autoGainControl: true并尊重用户在设备选择器里选定的输入 / 输出设备。连接瞬间发生了什么完整调用链从按下 Talk 到 Michael 开口打招呼session.ts 展示了完整链路铸造临时凭证渲染进程调用window.cth.realtimeMintToken()由主进程把真实 OpenAI key解密一次向 GA ephemeral-secret 端点换取短期有效的临时 client secret见 src/main/realtime.ts 的mintRealtimeToken。真实 key 永不进入渲染进程。打开主进程麦克风权限门realtimeVoiceEnabled配置标志然后以 EC/NS/AGC 约束调用getUserMedia。建立 WebRTC 传输自定义OpenAIRealtimeWebRTC传输自持麦克风流与audio播放 sink模型为gpt-realtime-2语音为cedar。暖启动warm-start把一次 hive 快照作为第一条会话条目静默注入conversation.item.create且不触发 response让 Michael 的首次回答无需工具往返即可落地后续地板变化floor delta也以静默追加的方式持续喂入。关键设计v0.3.4 起快照不再写进 instructions——persona 工具的固定前缀保持字节稳定从而跨轮次、跨会话获得完整提示缓存缓存输入约便宜 99%。注入随机问候语并进入listening。控制平面需要护栏而不是氛围这是控制平面从比喻变成工程标准的地方。麦克风是一个嘈杂、可伪造、可能听错的输入设备却连接着kill这类动词。如果对此漫不经心你造出的就是一个带爆炸半径的噱头。Talk mode 的护栏才是最值得研究的部分而它们全部实现在受信任的主进程一侧src/main/realtimeActions.ts 开头的注释写得很明确渲染进程的工具只是薄调用者策略全部下沉到 MAIN纵深防御。破坏性动词的口头回读确认echo-back confirmation每个破坏性动作都被挡在一道口头回读后面Michael 复述他要做的精确动作并要求一个独特的确认令牌——绝不接受一个光秃秃的 yes因为一句随口的话就可能触发误杀。源码里的实现非常具体每个动词在VERBS表中声明自己的层级与确认词realtimeActions.tssoft级ping / dispatch / steer / create_task / assign_task / update_task / resume / auto_delivery / gate_tool / delete_task / unarchive立即执行destructive级spawn / kill / pause / halt / edit_schedule / clear_context / archive / create_schedule / update_setting必须先进入待确认槽。BARE_AFFIRMATIONS集合realtimeActions.ts列出了一长串绝不能单独授权破坏性操作的短语yes、yeah、yep、yup、ok、okay、sure、go、do it、please、affirmative、uh huh……环境语音 / 一句随口的 yeah 不可能确认一次 kill。confirmAcceptedrealtimeActions.ts只接受携带动作动词本身或字面 confirm 的短语例如对 kill 说confirm 或 kill否则返回为了安全我需要你说 confirm 或 kill而不是只说是。待确认动作有120 秒 TTLPENDING_TTL_MS过期自动作废新提案会取代旧的待确认项确认只消费一次提交失败也不能被再次确认。提交瞬间麦克风处于静音状态工具调用期间静音见上节杜绝任何杂音注入同意。硬性拒绝hard refusals与目标解析在上述分层之上还有硬性白名单realtimeActions.ts禁止对 GOD 编排器执行kill / pause / halt / archive——无论听成什么都没用直接拒绝并说明这必须走 UI唯一例外是clear_context可恢复且清掉 Michael 的上下文是真实的运维需求允许但同样需要确认。禁止一切全体 / 大规模操作isMassTarget会识别 all / every / everyone / everybody、*、agents / the team / fleet / everything 以及逗号或 and 连接的多个目标——命中即拒绝。语音目标匹配是防御性的resolveAgent先做精确 id、god/michael 别名、精确名字优先非归档再做部分匹配多个候选命中时要求说确切 id而不是猜测。任务卡片匹配则走scoreCard打分realtimeActions.ts归一化去除非字母数字、容忍截断与词序当前两名分数差距小于 0.08AMBIGUOUS_MARGIN时返回 spoken 的which one消歧而不是静默改错卡片——与 [bin/find-task.cjs 的 scoreTask] 同一套评分思想。michael-voice一个独立的审计身份凡由语音完成的操作都会在消息、看板与活动日志中被归属到独立的michael-voice身份VOICE_ACTOR常量见 realtimeActions.ts。每次提交后的attribute()realtimeActions.ts做两件事向 hive 活动日志写入{ kind: voice_action, actor: michael-voice, verb, target, ... }通过hiveSend给 GOD 终端发一条 inform 消息——语音编排器michael-voice刚刚做了 X提醒你别重复看板是唯一事实来源。一次语音派遣永远不会静默冒充某个 worker 或混进键盘命令——事后你总能分辨出哪些地板变化来自麦克风。这正是 observability-for-agent-fleets 主张的完整审计线索在语音通道上的延伸也与 human-in-the-loop-approving-ai-agents 的人机审批门禁一脉相承——只是把人类的点击换成了一句话。实时消费上限与闲置自动断线Realtime 语音是按量计费的所以会话被置于一个**实时成本仪表cost HUD**之下costStore.ts每次response.done上报的 token 用量经共享的音频价格表换算成美元累积提供可选的capUsd硬上限一旦usd capUsd即置overCap。与此同时一个每10 秒一跳的 cost-guard 定时器session.ts周期性检查两个条件任一命中即自动断开并记录断开原因cost-cap/idle硬消费上限被击中闲置超时距最后一次用量增量超过可配置的realtimeIdleDisconnectMs默认 3 分钟即DEFAULT_IDLE_DISCONNECT_MS 180_000设为 0 表示永不因闲置断开但消费上限依然是最后的失控防线。一道你不敢放心留着的控制平面就不是控制平面。忘记关的麦克风不可能静悄悄烧钱。密钥卫生BYOK 临时令牌Talk mode 是自带密钥模式OpenAI key 在Settings → AI Engines配置仅在 Electron 主进程中被解密并铸成短期有效的临时会话令牌——真实 key 永不抵达渲染进程IPC 通道为realtime:mintToken见 src/main/realtime.ts。没有 key 时 Talk 按钮会以可见的needs OpenAI key提示保持禁用而不是无声地死掉。从源码还能看到一条细致设计麦克风权限门不以是否有 OpenAI key为准key 与 CLI 引擎共享那会让纯 CLI 用户也打开麦克风权限而是单独的realtimeVoiceEnabled标志随会话开关同步翻转。纵深防御连提示注入都被消毒语音通道天然暴露于提示注入完成摘要、地板更新都来自外部文本而它们会被注入模型上下文。因此 session.ts 的sanitizeForVoice会在注入前折叠换行、剥离括号、剔除ignore/override ... instructions一类注入引导语、删除system:/assistant:角色标记并截断到 300 字符——即使外部摘要试图让 Michael忘记之前的指令进入模型的也只是中性化的通报。与此同时主进程对所有破坏性 / 禁止操作独立把关realtime:action/realtime:action:confirm/realtime:action:cancel三个 IPC见 realtimeActions.ts渲染进程哪怕被攻破也无法升级权限。完整动作动词表软操作与破坏性操作的边界Talk mode 的动作面在 v0.3.2 交付核心动词v0.3.4 扩展为完整控制集见 actions.ts 与 realtimeActions.ts 的分层层级动词说明软操作立即执行ping_agent给单个 Agent 发一条短消息dispatch_agent以四段式工作单OBJECTIVE / CONTEXT / CONSTRAINTS / DONE WHEN投递任务steer_agent向运行中的 Agent 注入实时转向指导最高优先级动词create_task/assign_task/update_task/delete_task看板卡片增改删优先级 1–10resume_agent恢复被暂停 / 停止的 Agentpause/halt 的撤销set_auto_delivery暂停 / 恢复某 Agent 的消息队列投递gate_tool封锁 / 放行某个命名工具如 Bash、WebFetch、Editunarchive_agent把归档 Agent 带回名册破坏性 / 昂贵需口头回读确认spawn_agent雇佣新 Agent引擎可选claude / codex / gemini / opencode / crush / pi / qwen / copilot / cursorkill_agent终止运行中的 Agent关终端 归档pause_agent/halt_agent暂停 / 硬停当前工作archive_agent/clear_agent_context归档 Agent / 排队清空其上下文按引擎解析正确的 clear 命令如 Grok/OpenCode/pi 是/newedit_schedule/create_schedule启用 / 禁用 / 删除 / 新建定时任务间隔最小 5 分钟默认 60update_setting修改语音白名单内的设置项二阶段提交confirm_action/cancel_action用用户真实说出的短语提交 / 撤销待确认动作注意update_setting的精细策略SETTING_POLICY见 realtimeActions.ts外观类低风险键notifications、officeTheme、terminalTheme、freeflowEnabled、autoUpdate、realtimeIdleDisconnectMs 等立即生效行为类键autoMode、defaultModel、godProvider、godModel、maxConcurrentWorkers、costCapTokens、maxTurns、slackEnabled、webhookEnabled、semanticMemory、multiWindow回读 old→new 并要求确认任何密钥、目录路径、集成配置不在表内一律拒绝——原始 config 携带凭据绝不允许从语音直达未校验的 config 写入。集成要点与测试保障如果你想在自己环境里启用这套语音控制平面仓库中的事实依据如下运行时前置条件自己的 OpenAI key 且账号具备 Realtime API 访问能力Settings → AI Engines 配置。语音会话只在hive 已配置时才能执行动作runAction第一步检查hiveEnabled()否则 Michael 会明确说hive 未配置我无法执行该操作。源码阅读起点渲染进程会话与状态机在 src/renderer/src/realtime/session.ts只读工具在 src/renderer/src/realtime/tools.ts动作工具在 src/renderer/src/realtime/actions.ts主进程安全脊柱在 src/main/realtimeActions.ts临时令牌铸造在 src/main/realtime.ts会话成本仪表在 src/renderer/src/realtime/costStore.ts。测试验证test/voice-messages.test.cjs 覆盖语音消息归属与消息内容路径语音动作脊柱因依赖注入设计而可单元测试——所有主函数经RealtimeActionDeps注入安全策略逻辑与 index.ts 接线解耦。一个值得借鉴的实现细节动作工具对confirm_action的处理要求传递用户真实说出的短语——主进程会拿它和确认词做归一化比对同时渲染侧每个工具调用都会先检查 preload 桥是否存在缺失时给出可诊断的提示而不是抛出一个晦涩错误。结语用负载来评判语音评判语音要看你把什么负载放上去。作为代码的创作通道它每次都会输给键盘。但作为一支舰队的控制平面——委派、状态、审批、完成播报——它是天然接口前提是它按基础设施来建造任何破坏性操作都要确认一个独立的审计身份消费上限以及对沉默的超时。这正是噱头与一架你真敢去飞的飞机之间的区别。Talk mode 的完整路径连接、提问、确认、spawn、kill、派遣、完成播报在发布前已用真实 key 做过端到端的人工验证——你也可以在本地安装 Munder Difflin 后把这条路径完整走一遍从一句话委派到一句话收到完成播报。相关版本演进与完整功能巡礼可继续阅读 launching-munder-difflin-v0-3-2、launching-munder-difflin-v0-3-3、launching-munder-difflin-v0-3-4若仓库含该发布说明见 CHANGELOG.md以及 how-to-talk-to-your-orchestrator。【免费下载链接】munder-difflinA local multi-agent harness that works with your existing Claude Code, Codex subscriptions, allows you to run an office of agents项目地址: https://gitcode.com/GitHub_Trending/mu/munder-difflin创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考