微光札记

在这个 AI 工具泛滥的年代，我为什么选择 Alma？

一个允许你深度参与配置的工作系统。

公众号原文
在 2026 年，大多数 AI App 的版本号更新已经变成了一种表演。
新功能、新模型、新概念，轮番登场，目的只有一个： 降低使用门槛，让更多人能“马上用起来”。
Alma 走的是另一条路。
它当前的版本号是 0.0.233 。
这个数字意味着一件很现实的事：它并不打算服务所有人。

01. 第一次打开 Alma，大多数人会直接劝退
图片
如果你习惯的是：下载 App → 登录 → 输入问题 → 等答案
那 Alma 在第一分钟就会让你停下来：
  • 内置模型有限：你需要自己准备 DeepSeek、Claude 或 Gemini 的 API Key，然后配置各种设置项
  • 没有新手向导：很多功能需要先读文档或翻 GitHub Issue，无法“开箱即用”
  • 报错并不少见：而且错误信息并不会帮你“自动兜底”
从体验上看，它甚至有点像一个尚未完全收拾好的工程现场 。
但这并不是疏忽，而是取舍。
Alma 并没有试图把复杂性藏起来，而是选择把它完整地暴露给用户。
代价是学习成本，换来的是对系统行为的可理解性 。

02. Alma 的核心不是“更聪明”，而是“可控”
图片
很多 AI 工具的关注点在于：如何让模型看起来更聪明
Alma 的关注点则是：如何让用户知道系统在做什么，并且能干预它
1. 控制不止于提示词
以一个 Python 项目为例。
第一次运行：Alma 报错，提示找不到虚拟环境
第二次：我手动指定了虚拟环境路径
第三次：它会主动询问，是否在新项目中复用这一配置
这意味着：环境配置不再是一次性行为，而是可复用的系统参数。
它的记忆机制也不是模糊的“自动学习”，而是明确分层的结构：
  • 项目层：当前目录的技术上下文（例如 React + TypeScript）
  • 会话层：本次对话中引用过的文件与内容
  • 全局层：可设置项，长期偏好（如语言、输出格式）
这些记忆都是可见、可编辑、可删除、可备份的。
记忆不再是模型的“能力”，而是用户可管理的数据资产。
2. 技能与扩展：像管理文件，而不是“点按钮”
Alma 的 Skills 机制非常直接：
把 Skills 文件放进 ~/.alma/skills/ 目录即可生效。
甚至你已经在 Claude Code 里用的 Skills，它也可以直接读取。
这里没有复杂的市场、评分或推荐逻辑，只有一个假设： 你知道自己在装什么，也愿意为它负责。

03. 反馈不是“看日志”，而是看决策路径
图片
生成式 AI 最大的问题之一在于：
你很难判断一个答案是推理得出的，还是“看起来合理”。
以“今天小红书有什么新闻”为例，Alma 会在回复中展示一个可折叠的过程块，清楚标注：
  • 调用了哪些搜索
  • 读取了哪些文件
  • 如何综合这些信息生成最终结果
这是实时反馈，而不是事后排错。
你看到的不是结论，而是结论是怎么被构造出来的 。
当然，这种透明度也有成本：
  • 首次配置时间更长
  • 设置项更多
  • 每次提问通常慢 3–5 秒（需要加载记忆与技能）
Alma 并不试图掩盖这些代价。

04. 谁适合用 Alma？
图片
如果你的需求是：
  • 快速提问
  • 临时查资料
  • 不关心系统如何得出答案
那 ChatGPT 或其他成熟产品会更高效。
但如果你在意的是：
  • 行为是否可复用
  • 决策是否可回溯
  • 系统是否能随着你的工作方式一起演化
那么 Alma 值得你投入时间。
它不是一个“已经打磨完成的助手”，
而是一个允许你深度参与配置的工作系统。