Msty

Msty 的定位是「为真实工作而生的私有 AI」（Private AI for real work）。它不是一个普通的聊天客户端，而是把四件事连成一套系统：私有工作区、有明确边界的 Agent、统一的模型连接网关，以及可控的知识上下文，面向个人、团队与组织。官方给出的背景是，75% 的知识工作者已在使用 AI 工作，问题不在于要不要用，而在于如何用得可控、用得安全；官方引用的调研还显示，使用生成式 AI 平均每周可节省约 2.2 小时。它不追求让 AI 替你做所有事，而是让 AI 在明确的边界内高效工作，把控制权交还给使用者。

核心能力

• 工作区（Workspaces）：按项目或团队隔离会话与上下文，让不同业务线的 AI 使用互不干扰，各自沉淀资料与使用记录，形成「一个工作区对应一项工作」的组织方式。
• 受限 Agent（Bounded Agents）：给 AI Agent 划定清晰的职责与边界，让它只做分内的事，而不是默认拥有无限权限，官方称之为「give AI agents a clear job and boundary」。
• 统一模型网关：从一个入口管理所有模型连接，保持模型无关（model-agnostic），团队切换模型不用改动工作流，官方称「control every model connection from one gateway」，并提供从个人到团队的不同档位产品选择。
• 知识治理：把可信资料整理成受约束的上下文再喂给模型，而不是随意投喂，官方称之为「turn trusted knowledge into governed context」，兼顾效果与合规。
• 本地与在线模型：支持在本地运行与云端模型之间灵活选择，数据敏感的场景可以留在本地处理，兼顾便利与可控。
• 行业场景方案：官方列举了教育、法律、运营等行业的落地方式，按实际工作形态组织系统，而不是一套配置打天下。

适合谁

既想用 AI 又担心数据外泄的个人与团队；需要在本地模型与云端模型之间自由切换、且要求模型无关的企业；以及想给 Agent 划定边界、让 AI 使用「有规矩」的知识工作者与管理者。对需要兼顾效率提升与数据安全合规的行业（如法律、金融、教育）尤其有吸引力。

注意事项

本地运行模型需要相应的硬件资源，推理速度与机器性能直接相关；接入云端模型时，数据仍会经过对应模型服务商，敏感数据需评估是否适合外发。系统的价值取决于知识库与权限边界的搭建质量，初始配置需要投入一定时间。官方引用的行业效率数据为调研统计，实际收益因人而异，建议先小范围试点再推广。

使用建议

建议先按项目建立工作区，把常用资料沉淀成知识库，再给 Agent 划清职责边界——顺序反过来容易失控。团队落地时可以先选一两个高频场景试点，跑通后再推广到更多部门，避免一上来就追求大而全。定期复盘工作区里的会话与知识库，删掉过时资料，保持系统轻量有效。把验证过的工作区模板与提示词沉淀成团队资产，新人上手会快很多。