两个免费开源AI工具：本地模型选择与自托管协作

先别问“怎么挑”，先问“我需要吗”

两个工具解决的不是同一类问题。whichllm 是一个命令行工具，帮你找出当前硬件能跑哪些本地大模型、哪个表现最好；Paca 是一个自托管项目协作平台，目标是替代 Jira 这类工具，并让 AI 代理像人类一样参与任务。把它们放在一起说，只是因为它们都在 GitHub 上免费开源、这一阵子热度不低。而“挑”这个动作是错的——正确的问题是：你遇到了哪种需求？本文信息截至 2026 年 8 月，依据的是两个项目在 GitHub 上的文档和快照（whichllm 快照 2026-05，Paca 快照 2026-06），不包含我们自己的部署实测。

whichllm：本地模型不是“装得下”就行

什么情况需要本地模型？常见三个理由：数据不想传到云端、在离线环境工作、想省掉按次计费的 API 支出。但本地跑模型有个很多人踩过的坑——能装进显存不等于好用。显存（显卡的专用内存，决定你能加载多大的模型）只解决了“放不放得下”，而模型的实际质量要看真实基准分数。whichllm 的做法是：自动检测你的硬件（支持 NVIDIA、AMD、Apple 芯片和纯 CPU），然后从 HuggingFace 拉取模型列表，结合 LiveBench、Artificial Analysis、Aider 等多个基准的合并分数，再按你的显存、速度和量化方式（一种压缩模型体积的技术，会影响质量和速度）排出推荐名次。

举项目快照（2026-05）里的例子：在 RTX 4090（24GB 显存）上，它推荐 Qwen3.6-27B，速度约 27 token/s；在 RTX 4060（8GB）上推荐 Qwen3-14B；Apple M3 Max（36GB）同样能跑 Qwen3.6-27B，但速度降到约 9 token/s；纯 CPU 机器也有推荐，比如 gpt-oss-20b（混合专家模型，速度约 6 token/s）。这些数字是动态的，会随 HuggingFace 上的模型更新而变化。

使用方式是一条命令，比如 whichllm --gpu "你的显卡型号"，它会输出排名列表；也能输出 JSON 格式，方便接进脚本。对不爱命令行的用户，这是主要门槛——你至少要知道自己的显卡型号、显存大小，并愿意在终端里敲命令。如果只是在手机上用 AI，或者用云端 API 就满足，那这个工具帮不上忙。

Paca：让 AI 代理成为团队成员的代价

另一类需求是团队协作。如果你的团队用 Jira、Trello 这类商业工具，会碰到两个烦恼：按座位收费，以及数据放在别人服务器上。Paca 的定位是“AI 时代的开源项目管理平台”，核心设计让 AI 代理和人类在同一个 Scrum 看板上工作——代理可以被分到迭代里、从待办里领任务、实时更新状态、帮忙写 BDD 测试场景（一种用自然语言描述行为来驱动开发的方式）。它支持用配置文件调整工作流、字段、看板布局和代理行为，项目说明里写“无需编码即可适配流程”；但插件系统需要把 Go、Rust、AssemblyScript 等语言编译成 WebAssembly 模块，这明显不是普通用户能玩的。

所以使用门槛要诚实说：免费和开源是真的，但“自托管”意味着你得出服务器、做部署、盯着维护和升级。即使只用默认配置，也得有人能看日志、解决问题。项目方在 README 对比表里写 Jira 等商业产品大约 8 到 20 多美元一个座位每月，而 Paca 免费——但请把自托管的人力成本算进去。如果团队里没有懂点技术的成员，这笔“免费”可能比订阅费更贵。

怎么判断该不该用

问自己四个问题。第一，你有本地硬件，且数据隐私或离线是硬需求吗？没有的话，云端 API 更省心。第二，你能接受命令行和基本的硬件参数吗？不能的话，whichllm 不适合。第三，你的团队是否有能力承担服务器运维？没有的话，Paca 的免费会变成负担。第四，你需要的只是“看板和任务管理”，还是真的想让 AI 代理深度参与迭代？后者才是 Paca 的初衷。两个项目都在快速迭代，文档和快照日期不同（whichllm 截至 2026-05，Paca 截至 2026-06），决定前最好去 GitHub 看看最新 README，确认项目是否仍然活跃。本文没有亲手部署，以上分析基于项目公开信息，不构成“好用”的保证。