Rerun：把你的AI订阅变成AI同事团队

从单次对话到常驻团队：Rerun 的定位

大多数人对 ChatGPT 或 Claude 的使用方式仍然停留在“打开对话框、提一个问题、拿到答案、关掉页面”。订阅费按月支付，但 AI 的价值被限制在一次次的即时问答里。Product Hunt 上排名第 3 的产品 Rerun 试图改变这一点：它把你的 AI 订阅转化为一支“AI 同事”团队。

每个 AI 同事都配有工具、一台“电脑”和一个共享工作区，可以按计划或触发条件自动运行，并在执行有风险的操作前先征求你的同意。更关键的是，Rerun 现已开源（AGPL v3），支持自托管。

核心机制：AI 同事到底怎么工作

Rerun 的设计思路是把 AI 从“工具”变成“成员”。拆解它的几个关键要素：

工具 + 电脑 + 共享工作区

每个 AI 同事都拥有可调用的工具和一台专属“电脑”，意味着它不只是输出文本，而是能在环境中执行实际操作。共享工作区则让多个 AI 同事之间、以及人与 AI 之间可以围绕同一份上下文协作，而不是各自为战。

按计划或触发条件运行

这是 Rerun 与普通聊天界面的分水岭。AI 同事可以按预设时间表自动启动，也可以由特定事件触发。换句话说，任务不再依赖你主动发起——AI 会在你需要的时候自己开始干活。

风险操作先确认

自动化最大的隐忧是失控。Rerun 的处理方式是在执行有风险的动作前向用户请求确认，把最终决策权保留在人手中。对于把 AI 接入真实工作流的团队来说，这个设计是能否放心使用的关键前提。

AI Agent 与普通对话式 AI 的区别：传统聊天模型是“输入—输出”的单轮映射，模型只能生成文本，无法主动改变外部状态。AI Agent（智能体）则在此基础上增加了目标分解、工具调用和循环执行能力：模型可以决定调用哪个工具、读取返回结果、再决定下一步，直到任务完成或需要人工介入。Rerun 中“工具 + 电脑”的组合，本质上就是给模型提供了可执行动作的行动空间；而“风险操作先确认”对应的是 agent 领域的 human-in-the-loop（人在回路）机制，用来在自主性与可控性之间取得平衡。

开源与自托管：为什么这一步很重要

Rerun 采用 AGPL v3 协议开源，并支持自托管。对于把它当作“AI 同事团队”来用的场景，这一点意义不小：

• 数据可控：AI 同事在你的工作区内运行，涉及的文件、任务和上下文都由你自己掌握，不必全部托管给第三方。
• 成本结构清晰：Rerun 复用的是你已有的 ChatGPT 或 Claude 订阅，而不是再叠一层按量计费的 API 开销。
• 可审计与可扩展：开源意味着团队可以审查它的行为逻辑，也能按自身需求改造。

AGPL v3 的选择也传递出明确信号：Rerun 希望保持开放，同时防止有人把它闭源包装成商业产品。

AGPL v3 是什么：GNU Affero 通用公共许可证第三版是一种强著佐权（copyleft）协议。它在 GPL v3 的基础上增加了一条关键条款：如果软件通过网络提供服务，使用者也有权获取其源代码。这意味着即使有人把 Rerun 部署成 SaaS 对外提供，也必须开放修改后的源码。对于希望防止“开源项目被闭源商业化”的团队来说，AGPL v3 是最常用的选择之一，但企业采用时也需注意其合规义务——与内部系统集成时可能触发源码开放要求。

自托管意味着什么：自托管指把软件部署在自己控制的服务器或本地环境中，而非使用厂商托管的云版本。对 AI 代理类工具而言，这直接决定了任务数据、文件和工作流上下文是否离开自己的基础设施。代价是需要自行负责部署、升级、备份与安全防护。

谁适合用，以及需要想清楚的事

从定位看，Rerun 面向的是已经在为 AI 订阅付费、但觉得“用得不够值”的个人和小团队。它把订阅从“按次消费”推向“持续产出”，让 AI 在后台按节奏推进任务，而不是每次都要人来推一把。

需要想清楚的地方同样存在。让 AI 同事自动运行并操作工具，意味着你要为它的行为设定清晰的边界——哪些操作可以直接做、哪些必须先问。Rerun 提供了确认机制，但规则怎么定、工作区如何隔离，仍取决于使用者自己。此外，自托管虽然带来控制权，也意味着运维责任落在自己身上。

Product Hunt 上 95 票、5 条评论、当日排名第 3 的成绩说明它踩中了“让 AI 订阅更值钱”这个真实需求。但作为早期项目，长期稳定性和多 AI 协作的实际体验，还需要更多使用者验证。

一句话总结

Rerun 把 AI 订阅从“问答窗口”改造成“能排班、有工具、会请示的同事团队”，开源和自托管则让这种自动化真正具备了被团队信任的基础。