它默认提供了 relay 服务，如果对数据安全要求比较高的话，可以自己用 Cloudflare Woker + Durable Objects 来 relay，有现成的接口：

https://github.com/getpaseo/paseo/blob/main/packages/relay/src/cloudflare-adapter.ts

深挖了一下，绝大部分都用 WordPress，慢得要命。

简单说一下我自己的配置：

1. 利用 cloudflare Worker + Durable Object 搭了自己的 relay service；

2. 选了离我比较近的 Durable Object，用了自己的域名降低延迟，愿意付费的同学可以开启 Argo Smart Routing 进一步降低延迟；

3. 在 vps 上安装 paseo，在 config 里填写上面的 relay service，然后启动 paseo daemon，会直接产生一个二维码，显示还是 app.paseo，不要近，只是用来配对；

4. 拿手机扫码，手机上的 paseo app 就连上了的 vps 上的 paseo，在配置里可以看到是不是用了自己的 relay service；

5. 同理在其他机器上也可以这样配对。

这样一来，唯一的代码就在 vps 上，relay 在我自己的 worker 上，延迟也在100ms 之内。

新加坡外交部长的本地 agent 配置

https://gist.github.com/VivianBalakrishnan/a7d4eec3833baee4971a0ee54b08f322

在找工作的朋友不妨试试这个工具，非常巧妙的工具链，唯一要注意的是，找到的很多 opening 已经失效了，需要强调一下找还有效的 opening。

试用了一下，学到了很多：

1. 随手填一点信息，它就能自动填充不少信息到相关的文件里，冷启动非常快；

2. 按照模版把自己的简历都进去之后，它获得更多的信息，而且转为 md 之后，方便后续为任意一个工作机会改写；

3. 它已经 orchestra 好了整个流程，只要启动相应的 skill 就行，而且会给出明确的指示，非常清晰；

4. 每一步都会给出具体进展，有问题也会及时报告，比如某些公司的 job board 的链接找不到信息，更新了正确连接之后，它自动会改写相关文件，然后重新往下跑；

5. 它会自动调取工具，比如先从有 api 的平台搜索工作，然后用 agent browser 检索其他平台或者公司网页，都不需要用户再干预；

6. 找到工作机会之后，可以按照你之前写明的偏好打分，然后给出投递顺序；

7. 等你确认之后，就可以按照以上顺序改写你的简历，然后投递。

整个 orchestrare 用起来非常顺利，而且兼顾灵活性，这才是整套系统最值得学习的精华。

https://github.com/santifer/career-ops

这个项目给我的启发非常大，今天把手中的一个项目改成了类似的 orchestration。

这样一来，一个客户项目和另外两个项目都可以用同一套 orchestration 来管理，效率大大提高。

本来陆陆续续构建了一些工具，但零零散散不好用，每新起一个项目都要重新启用 agent。现在有了这层 orchestration layor，大部分的流程都被抽象了出来，直接代码化了，agent 掉用起来更方便，我的认知负担也大大降低。

这段时间所有任务都跑在了 Paseo 里，感觉比原来在终端里跑 claude-code 舒服多了：

1. 在家里的服务器上跑 paseo daemon，随时随地可以拿手机或者笔记本跑 paseo client，不用每次 ssh，不用每次查看 tailscale 的状态；

2. 所有的更新都在服务器上，本地需要的话，就 git pull，编辑还是在 paseo 里，写到服务器上，不再有冲突；

3. 多项目之间协同也更加容易，比如 submodule 里要改主项目的代码，跑去主项目改没有完整的 context，现在可以用 /paseo-handoff 这个技能，完美解决这一问题。

https://paseo.sh/docs/skills

Paseo 支持 pi，所以在本地用 olmx 跑了 qwen3.6 35B 的模型，然后就可以在 Paseo 里方便得调用了。

一些简单的任务就丢给本地模型跑，比如设置了一些重复性的工作：

1. 每天凌晨读取前一天每个项目的 commits，然后生成项目进度；

2. 汇总项目进度之后，生成每日总结；

3. 每周一早上生成前一周的总结。

每个总结的角度和颗粒度不一样，比如周总结就要帮我梳理经验教训。

看了一下，qwen3.6 跑这些任务的效果已经不错了。

三个 agent 自己玩起来了：

1. 我在 paseo 里让 codex 帮我配置 pi 跑本地模型；
2. 让 codex 把 pi 生成的结果通过 paseo 丢给 claude 评估；
3. claude 评估完，丢回给 codex，让它指挥 pi 更新自己的 prompt。

发现本地模型的最大好处就是隐私性，虽然慢了点，但是放心地把财务数据丢进去跑。

昨天和一个在微软工作的朋友聊天，他说他们内部也在使用一款类似 Paseo 的工具。