北京
任务清单拉得很长，却卡在"先做哪一件"上——这是很多人每天都会遇到的场景。一位开发者为此做了个叫 LazyDesk 的小工具，用本地运行的 AI 模型把原始任务整理成更有结构、可执行的计划。
LazyDesk 是一个网页应用：用户输入一串任务，它调用本机运行的模型，输出一份带优先级、分类和时长估算的排序方案。页面上还有一个可勾选的清单，勾掉一项，进度计数就跟着变。
它具体给出什么
- AI 生成的任务计划
- 建议的优先级与分类
- 预估任务时长与推荐执行顺序
- 可交互的任务勾选清单
- 实时进度计数
- 基于 Ollama 的本地推理
技术栈并不复杂：前端是 HTML、CSS 和 JavaScript，后端用 Node.js 加 Express，模型侧走 Ollama，跑的是 Qwen 2.5 3B。
数据怎么流
用户提交任务列表后，Express 后端接住输入，把提示词发给本机运行的 Ollama API，Qwen 模型生成整理好的计划，LazyDesk 再把结果渲染出来，并附上用于跟踪完成情况的清单。整条链路里，AI 推理都发生在用户自己的机器上。
选择本地推理，是作者想做的一次实验：不依赖外部 AI API，把模型跑在自己机器上。这个过程顺带练到了 API 集成、后端开发和本地推理几件事。
需要说明的是，模型给出的优先级和时长估算只是建议，用户应当自己过一遍，而不是当成精确结论。
做完了才发现的道理
这个项目让作者练了前端连后端、发 API 请求、处理错误、接入本地模型、动态更新界面。更直接的一条体会是：加一个 AI 模型只是应用的一部分，真正让模型对人有用的是外围的界面和工作流。
眼下的限制也很明确：刷新页面后，清单进度会重置。后续计划包括持久化任务存储、任务可编辑、截止日期，以及更好的进度跟踪。
项目代码放在 GitHub 上（Abhishek-gitty/LazyDesk）。本地跑起来需要装 Node.js 和 Ollama，下载 qwen2.5:3b 模型，执行 npm install，再用 node server.js 启动。作者把它定位为一个持续改进中的学习项目。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
