Msty 的巧思：把 AI 聊天改成工作台

多数 AI 客户端把「选哪个模型」藏在一个下拉框里，用户选完就进入一条线性的聊天流。Msty Studio 的做法更像把几种模型、几套资料和几条工作线摊在同一张桌上：不是假装复杂性不存在，而是让用户看见复杂性，并且能把它拆开摆放。

这个产品最近仍在高频打磨工作台本身。Msty Studio 2.8.0 在 2026 年 6 月 11 日加入 Discover Hub 和 One Model Hub，用来管理本地模型、云端模型、Skills、Turnstiles、Prompts 和 Knowledge Stacks；2.8.3 又在 6 月 23 日修了 Crew Mode、Agent Mode、Knowledge Stacks、Persona Studio、Model Hub 等处的高摩擦 UI 问题。1 这不是一个只在聊天框旁边加按钮的产品，它一直在把 AI 使用过程里的「模型、资料、工具、角色」变成可管理对象。

Msty Studio 的官方功能页把它定位成一个同时连接本地和在线模型的工作区：用户可以在同一个 workspace 里接入 MLX、llama.cpp、Ollama 这类本地推理引擎，也可以接入托管模型服务。2 真正有意思的不是「支持很多模型」本身，而是 Msty 没有让模型选择停留在设置页里。

Split Chats 把同一个聊天窗口拆成多个并排的对话。官方博客对这个入口的描述很具体：点击右上角的 Add Split Chat，或用 Ctrl + T / Cmd + T，就像在浏览器里开新标签；每个 split chat 相互独立，可以放不同模型，也可以让本地模型和在线模型并排工作。3

这个交互改变了用户判断模型的方式。普通聊天产品默认用户先在脑子里判断「这次用哪个模型」，再把问题交给它。Msty 把判断过程前置到界面里：同一个问题可以同步发给多个 split，答案会在旁边同时长出来；如果用户不想同步，也可以关掉输入框旁边的 Sync。3 这不是多开几个窗口那么简单。Msty 把「模型比较」做成了默认动作，而不是让用户复制粘贴、来回切标签。

Split Chats 里还有几个小控件，反而能看出设计代价。用户可以隐藏 split，隐藏后该 split 不再接收或发送消息；可以删除 split，但删除前会确认；可以保存 split layout 作为 preset，也可以用右上角的小缩略图看哪些 split 被隐藏。3 这些控件说明 Msty 知道并排工作流会变乱。产品没有用「极简」掩盖这个问题，而是给并排状态补了可见性、撤退路径和记忆能力。

设计启发在这里：当模型差异会影响结果时，下拉框是一个过于干净的抽象。下拉框让选择看起来像一次性设置，Split Chats 则承认选择本身就是工作的一部分。对写代码、做研究、润色长文、比较本地和云端模型的人来说，判断哪条回答更可靠，本来就不该躲在聊天记录之外。

Msty 的第二个巧思是 Knowledge Stacks。官方文档把它描述成让用户和自己的内容聊天的机制，范围从单份文档到整个知识库；Msty 还特别写明，处理发生在用户设备上，内容由用户控制。4

普通 AI 聊天里的文件上传更像一次性材料：拖进去，问几句，下一次可能还要重新找、重新贴。Knowledge Stacks 把材料做成了一个有生命周期的对象。用户可以导入 PDF、Word、Markdown、TXT、CSV、JSON、EPUB，也可以导入 Obsidian vault、整个文件夹、Quick Notes 和 YouTube 链接；创建时还能选择 Save Draft、Compose，或在三点菜单里对已有 stack 进行更新和重组。5

这个对象化很关键。用户不再只是问「我该把哪些内容塞进这次 prompt」，而是在问「这次回答应该站在哪些资料上」。Msty 允许一个聊天里同时选择多个 stack，并让用户调相似度、引用 chunks 数量和可选 reranking；回答也强调 source-aware。4 这些控制项对新手不轻，但它们把 RAG 里最容易被黑箱化的部分露了出来：检索多少、匹配多严、用哪组资料。

Msty 在这里的折中也很清楚。文档建议用户先用默认设置，等结果不理想时再调 embedding model、chunk settings、processing options、similarity 和 chunks。5 这比「完全隐藏检索机制」更诚实。AI 回答一旦依赖外部资料，产品就必须让用户知道资料从哪里来、有没有被选中、检索范围有多宽。否则，所谓「基于资料回答」只是一句让人放心的文案。

Msty 的方向不是把 AI 做得像一个更聪明的搜索框，而是把 AI 使用过程拆成许多可配置对象：model、split、stack、persona、tool、workflow。它的官方首页也把自己称为 private AI workspace，并强调 local-first storage、no tracking、no forced sign-in；如果用户选择本地模型，聊天、模型、设置和 prompts 会留在设备上。6

这种设计有一个绕不开的代价：工作台越强，用户越需要理解桌面上每个东西的状态。第三方评测 Local AI Master 把 Msty 放在 2026 年「no-terminal」本地 AI 应用对比里，认为它适合想要文档聊天和整洁 UI 的用户，同时也提醒 Msty 是闭源软件，隐私承诺更多依赖厂商说明，而不是代码审计。7

Msty 自己的 changelog 也泄露了这种复杂度：近期版本修过展开侧栏遮住控制区、Knowledge Stack 选择器关闭过早、Persona Selector 和 Model Selector 菜单重叠、Split Chat 布局没有保留 persona / turnstile / shadow 配置等问题。1 这些不是偶发小瑕疵，而是工作台产品的日常成本。只要产品承认用户会同时管理模型、资料、工具和角色，界面就会不断面对「状态太多」的问题。

但这也正是 Msty 值得拆的地方。它没有把复杂度全部压扁成一个「Ask AI」按钮，而是把复杂度分配给一组可以命名、保存、隐藏、同步、重组的对象。对产品设计师来说，这比单纯追求极简更有参考价值：当 AI 的不确定性来自模型、资料和工具组合，好的界面不一定是少给控件，而是让控件对应真实的判断动作。

最后可以把 Msty 的选择压成一句话：不要让用户在黑箱里相信 AI，要让用户在工作台上比较 AI。Split Chats 解决「哪个模型更适合这件事」，Knowledge Stacks 解决「这次回答应该依据哪组资料」。两件事连在一起，Msty 把聊天框从一个答案入口，改成了一个可检查的实验台。