本地优先的 AI LaTeX 写作台：写论文不怕断网泄密

1. 引言

写论文的人，往往都经历过这样的崩溃时刻：网络断线、排版到一半的 LaTeX 工程打不开；或是在线写作工具突然抽风，辛辛苦苦写的内容进了“别人的服务器”还无法导出；更让人不安的是，尚未发表的研究数据、公式推导、实验结论，被悄悄上传到云端，隐私毫无保障。

针对这些痛点，GitHub 开源项目Oleafly/Oleafly提出了一个新思路：本地优先（Local-First）的 AI LaTeX 写作台。它把 LaTeX 排版、AI 辅助写作、Git 版本管理全部搬进本地桌面应用，既能调用本地大模型推理，又支持 GitHub 同步与离线排版，真正做到“断了网也能写、数据不出本机”。

本文将拆解这一场景的核心理念与技术原理，帮助读者理解“本地优先 + AI + LaTeX”是如何落地的。

2. 场景痛点：为什么写论文需要“本地优先”

传统的论文写作方案，大致可以分为两类：

2.1 在线协作文档

以 Overleaf、Notion、飞书文档等为代表的云端工具，优点是协作方便、随处可用，但存在明显短板：

• 网络强依赖：断网或网络不稳定时，编辑体验大幅下降，甚至无法打开文档。
• 数据上云：论文草稿、实验数据、未公开的研究内容全部存储在第三方服务器，存在泄密风险。
• 受制于人：平台策略变化、服务终止、导出限制等都可能影响研究工作。

2.2 本地 LaTeX 编辑器

VS Code + LaTeX Workshop、TeXstudio 等本地方案，虽然数据在本机、离线可用，但又缺少两样东西：

• 缺少 AI 辅助：本地写作场景下，想获得智能续写、润色、公式补全，往往需要接入在线大模型，数据又要“出门”。
• 版本管理繁琐：论文反复修改，手动备份容易混乱，缺少像 Git 一样清晰的版本历史。

于是，一个自然的诉求出现了：既要本地化、离线化、隐私安全，又要有 AI 能力和版本管理。这正是 Oleafly 这类项目要解决的问题。

3. Oleafly 的产品形态与核心能力

Oleafly 定位为一个本地优先的 AI LaTeX 写作台，目标用户是需要撰写学术论文、技术报告、毕业论文的研究者与开发者。它的能力可以概括为以下几点：

• 本地 AI 写作：在本地调用大语言模型，提供续写、润色、翻译、公式建议等能力，无需将内容发送到外部 API。
• LaTeX 编辑与实时预览：内置 LaTeX 渲染能力，支持离线排版，写完即可本地编译预览。
• Git 版本化：内嵌 Git 版本管理，每次修改可提交、可回滚、可对比差异，像管理代码一样管理论文。
• GitHub 同步：需要备份或协作时，可将仓库同步到 GitHub，实现“本地为主、远端为辅”的备份策略。

这种设计让“写论文”这件事，从依赖云端服务的模式，回归到数据由自己掌控的模式。

4. 技术原理拆解

从技术栈角度看，Oleafly 的落地依赖几个关键能力：

4.1 TypeScript 桌面应用

项目采用TypeScript构建桌面应用，通常基于 Electron、Tauri 或类似框架。TypeScript 提供类型安全与工程化支持，方便维护复杂的编辑器状态、文件系统操作与 AI 交互逻辑。

桌面应用相比 Web 应用的优势在于：

• 可以直接访问本地文件系统。
• 可以启动本地进程、调用本地模型运行时。
• 无需浏览器沙箱，更适合承载重型的排版与推理任务。

4.2 内嵌 Git 版本化

论文写作天然需要版本管理。Oleafly 将 Git 嵌入应用内部，让用户无需手动敲命令即可完成：

• 初始化和提交论文工程。
• 查看每次修改的历史记录。
• 对比不同版本的内容差异。
• 回滚到任意历史版本。

Git 本身就是分布式版本控制系统，这也与“本地优先”的理念高度契合：即使没有网络，本地仓库依然是完整可用的。

4.3 本地 LLM 调用

这里的“本地 LLM”是核心亮点之一。应用通过本地推理运行时（如 Ollama、llama.cpp、ONNX Runtime 或本地模型服务）加载开源大模型，在用户设备上完成推理，从而保证：

• 论文内容不离开本机，降低泄密风险。
• 断网状态下依然可以使用 AI 能力。
• 用户可自由选择和替换本地模型。

相应地，本地推理对设备性能有一定要求，这也是这类工具需要在实际体验与隐私之间做出权衡的地方。

4.4 GitHub 同步 + 离线排版

Oleafly 并不排斥云端，而是把云端作为可选的同步与备份通道：

• GitHub 同步：当用户主动需要备份或跨设备协作时，可将本地 Git 仓库推送到 GitHub。
• 离线排版：LaTeX 编译引擎运行在本地，即使没有网络，也能正常生成 PDF。

这种“本地优先、云端可选”的架构，让用户在网络与隐私之间拥有更多选择权。

5. 整体架构示意

下面是该项目本地优先写作台的简化流程：

核心思路：写作、排版、AI 推理全部在本地完成，GitHub 仅作为用户主动触发的备份与同步渠道。

6. 使用场景举例

6.1 学术论文撰写

研究者可以在本地撰写 LaTeX 论文，使用本地模型完成摘要润色、段落改写、文献综述辅助，所有内容都保留在本机。论文未发表前，无需担心内容泄露。

6.2 毕业论文与学位论文

毕业论文通常篇幅长、修改频繁、格式要求严格。结合 Git 版本化，学生可以清晰地追踪每一次导师反馈后的修改，避免“改来改去改丢了”的情况。

6.3 离线写作环境

图书馆、实验室、出差途中，网络可能不稳定。本地优先的设计让写作与排版不受影响，AI 能力也能在线下持续使用。

7. 与纯云端方案、纯本地方案的对比

对比维度	Oleafly 本地优先方案	Overleaf 等云端方案	VS Code 等纯本地方案
数据隐私	高，数据默认本地	低，数据在云端	高，数据在本地
离线可用	高，可离线编辑、排版、AI	低，依赖网络	高，但通常无本地 AI
AI 辅助	支持本地模型	支持在线模型	需额外接入在线服务
版本管理	内嵌 Git	平台自带历史	需手动配置 Git
协作能力	可通过 GitHub 同步	强，实时协作	弱，需自行管理
模型选择灵活性	高，可自由替换本地开源模型	低，受平台提供模型限制	中，可自行接入但需额外配置
启动复杂度	中，需安装本地模型与项目依赖	低，打开浏览器即可使用	高，需配置 LaTeX 环境与插件

可以看到，本地优先方案并不是要完全取代云端协作，而是在隐私、离线与 AI 能力之间找到一个新的平衡点。

8. 可能面临的挑战

任何一个方案都有权衡，本地优先 AI LaTeX 写作台同样面临一些现实问题：

• 设备性能要求：本地大模型推理需要一定的 CPU/GPU 资源，低配电脑上体验可能受限。
• LaTeX 生态复杂度：不同模板、宏包、编译链的兼容性需要大量打磨。
• 模型能力差距：本地模型在学术写作、长文本理解上，与顶级在线大模型可能仍有距离。
• 协作便利性：相比在线实时协作，基于 Git 的同步对普通用户有一定学习成本。

这些问题也决定了这类工具更适合对隐私敏感、具备一定技术背景、愿意掌控自己写作环境的用户群体。

9. 总结

Oleafly 所代表的“本地优先 AI LaTeX 写作台”，本质上是在回答一个问题：当我们越来越依赖 AI 与云端工具写作时，如何重新拿回对内容和数据的主导权？

它的答案清晰而有代表性：

• 用TypeScript 桌面应用承载完整写作体验；
• 用本地 LLM提供 AI 能力而不让数据外流；
• 用Git管理论文版本；
• 用GitHub 同步 + 离线排版兼顾备份与独立性。

对于追求隐私、经常离线、又希望获得 AI 辅助的论文写作者来说，这是一种值得关注和实践的方向。随着开源本地模型的持续进步，可以预期，“本地优先”的智能写作工具会越来越成熟，也让“写论文不怕断网泄密”从愿景逐渐变成现实。

10. 快速上手

如果你已经对 Oleafly 的“本地优先 + AI + LaTeX”设计有了基本了解，下面可按实战步骤从零把它跑起来。由于具体命令可能随版本变化，建议以项目 README 和package.json中的脚本为准。

10.1 环境准备

在开始前，请确认本机已具备以下基础环境：

• Git：用于克隆仓库和后续版本管理。
• Node.js：推荐使用较新的 LTS 版本，并保留npm或pnpm作为包管理器。
• Ollama：用于本地模型推理，可按需选择是否启用。
• 可选：LaTeX 发行版，如 TeX Live、MiKTeX，用于本地编译和生成 PDF。

10.2 克隆 Oleafly 项目

打开终端，执行下面的命令将仓库克隆到本地：

gitclone https://github.com/Oleafly/Oleafly.gitcdOleafly

克隆完成后，建议先查看项目目录结构和 README，了解当前版本的启动方式：

ls-lacatREADME.md

说明：示例中的仓库地址按项目主页填写；如果仓库采用私有访问或子模块，请根据项目文档相应调整。

10.3 安装依赖

进入项目目录后，根据项目实际使用的包管理器安装依赖。以下分别给出常用的 npm 和 pnpm 示例：

# 使用 npmnpminstall# 或使用 pnpmpnpminstall

如果项目包含多个工作区，通常也可以按同样的方式安装全部依赖。安装完成后，可以先运行基础检查，确认依赖正常：

npmrun lintnpmrun typecheck

10.4 配置本地模型

Oleafly 的核心能力之一是通过本地 LLM 完成写作辅助。下面以 Ollama 为例，演示如何准备本地推理服务。

首先确认 Ollama 已安装并处于可用状态：

ollama--versionollama serve

然后拉取一个适合本机硬件的中文或英文开源模型，例如llama3.1、qwen2.5或项目推荐的基础模型：

# 拉取本地模型，体量越大对硬件要求越高ollama pull qwen2.5:7b# 查看已安装模型ollama list

随后在项目配置文件中设置 Ollama 服务地址和模型名。以下为常见环境变量配置示例，请以项目 README 中的字段名为准：

# .env 或本地配置OLEAFLY_LLM_PROVIDER=ollamaOLEAFLY_OLLAMA_BASE_URL=http://127.0.0.1:11434OLEAFLY_OLLAMA_MODEL=qwen2.5:7b

若项目提供图形化配置界面，也可以在设置页中直接选择 Ollama 作为本地模型后端，并填写上述地址和模型名称。

10.5 启动应用

依赖安装完成、本地模型配置妥当后，即可启动 Oleafly：

npmrun dev

或按项目脚本启动桌面构建版本：

npmrun startnpmrun desktop

启动后，Oleafly 会打开本地桌面应用。你可以新建论文工程并选择本地 LaTeX 模板，观察 AI 续写、润色、公式建议等功能是否正常调用本地模型。

10.6 验证离线写作与版本管理

为了确认“本地优先”真正生效，可以做一个简单验证：

1. 断开网络或保持离线状态。
2. 在 Oleafly 中新建或打开一个 LaTeX 论文工程。
3. 尝试使用本地模型完成润色或续写，观察功能是否仍可正常工作。
4. 对论文修改进行一次 Git 提交，确认版本历史已记录：

gitstatusgitadd.gitcommit-m"test: offline writing with local model"gitlog--oneline

以上步骤完成后，你就拥有了一套“数据默认留在本机、可离线写作、可 Git 版本管理、需要时再同步到 GitHub”的 LaTeX 写作环境。