标签: AI编程

  • Anthropic 发布 Claude Sonnet 5,跑智能体任务更便宜了

    基础模型公司的军备竞赛又换了新赛道。过去几个月里,大家比的是谁的模型更会聊天、谁在基准测试上刷分更高。现在风向变了,各家都在秀自己的模型有多会”干活”——也就是跑智能体任务的能力。

    Anthropic 今天推出了 Claude Sonnet 5。这款中端模型的定位很明确:性能接近旗舰款 Opus 4.8,但价格要便宜一大截。按照 Anthropic 的说法,Sonnet 5 在规划、工具调用(浏览器、终端)、自主运行这些方面的表现,放在几个月前只有更大、更贵的模型才够用。

    智能体能力成了标配,接下来比什么?

    这个叙事听着耳熟,因为 OpenAI 和 Google 前几天也是这么说的。OpenAI 上周预览发布的 GPT-5.6 Sol 同样主打智能体能力,允许用户把长任务拆给多个子智能体去跑。Google 五月份推出的 Gemini 3.5 Flash 更是直接把定位从”对话聊天机器人”改成了”能规划、能构建、能迭代真实工作的智能体工具”。

    Sonnet 5 的发布确认了一件事:智能体能力已经在各个价位段变成了 baseline 预期。接下来的差异化竞争,不再是”谁能更好地跑智能体”,而是”谁能跑得更便宜、更可靠,还不需要人盯着”。

    价格先低后高,意在抢开发者

    Sonnet 5 的定价策略有点意思。从今天到8月31日,输入 token 价格是每百万个2美元,输出 token 每百万个10美元。8月31日之后,价格会涨到每百万输入3美元、每百万输出15美元。

    这个定价比 Opus 4.8 便宜,也比 OpenAI 的 GPT-5.5 和 Google 的 Gemini 3.1 Pro 便宜。当然,还是比 Gemini 3.5 Flash 贵一些。Anthropic 显然在用低价窗口期吸引开发者在 Sonnet 5 上构建应用,等大家用习惯了,再提价。

    Claude Sonnet 5 概念图
    Anthropic 发布 Claude Sonnet 5,主打智能体任务能力

    跑分数据:离旗舰款越来越近

    Anthropic 提供的基准测试数据显示,Sonnet 5 比起上一代 Sonnet 4.6 有明显提升。在智能体编程测试上,Sonnet 5 得分63.2%,Opus 4.8 是69.2%,而 Sonnet 4.6 只有58.1%。在知识工作基准测试中,Sonnet 5 甚至略微超过了 Opus 4.8——后者一向以处理最难的判断类任务和深度研究著称。

    Zapier 高级工程师 Daniel Shepard 在 Anthropic 的博客里说了一句话很能说明问题:”我们给 Claude Sonnet 5 派了一个两阶段任务——更新 Salesforce 客户层级、给企业联系人发产品发布通知——它从头到尾跑完了。”他说这话的潜台词是:以前的版本跑到一半就卡住了。


    安全表现也在提升

    智能体跑起来了,但跑偏了怎么办?Anthropic 说 Sonnet 5 比起 Sonnet 4.6,在”不合作滥用”和”不被欺骗”这两个指标上有明显进步。具体来说,它更善于拒绝恶意请求,也更不容易被提示词注入攻击绕过。幻觉和谄媚行为的出现频率也比 Sonnet 4.6 低。

    当然,跟 Opus 4.8 和 Claude Mythos Preview 比,Sonnet 5 在处理危险行为的能力上还是有差距。Anthropic 在博客里坦白说:”评估显示,它执行危险网络安全任务的能力比我们目前的 Opus 系列模型低得多。”这句话其实是在告诉企业用户:如果你要跑高危任务,还是得用 Opus。

    Lovable 联合创始人 Fabian Hedin 说了一句挺实在的话:”我们把强大的工具交到数百万构建者手里,一个知道什么时候该说’不’的模型,和知道怎么构建的模型一样重要。”

  • GPT-5.6来了,OpenAI用「太阳系」命名,Sol把Claude Mythos拉下王座

    6月26日,OpenAI发布了GPT-5.6系列,第一次用天文学名词给模型命名:Sol(太阳)、Terra(大地)、Luna(月亮)。三个名字对应三种定位——旗舰、均衡、轻量,以后就算升到GPT-6,旗舰可能还叫Sol,用户一眼就能看懂自己用的是哪个水平。

    GPT-5.6 Sol Terra Luna概念图
    GPT-5.6系列:Sol(旗舰)、Terra(均衡)、Luna(轻量)| 图:AI生成

    Sol把Claude Mythos 5拉下了王座

    Sol在Terminal-Bench 2.1基准上刷出了91.9%(Ultra模式),超过Anthropic两周前刚发布的Claude Mythos 5的88.0%。即便不开Ultra,只用Max模式,Sol也能拿到88.8%,单凭这个数字就已经超过了Anthropic两个最新旗舰。

    Claude Mythos 5只当了17天第一。榜首的保质期越来越短,这个现象本身比某次刷分更值得琢磨。

    「命名的原则是数字标识代际,Sol/Terra/Luna标识持久的能力层级,可以按各自节奏独立迭代。」——OpenAI官方解释

    Ultra模式:模型自己拆任务、组团队

    GPT-5.6引入了两种新推理模式。Max比较好理解——给模型更多时间思考,推理链更深更长。Ultra则有意思得多:Sol不再是一个人独立思考,它会自动把复杂任务拆成子任务,启动一组子智能体并行处理,再汇总结果。

    如果Max是「让一个人想更久」,Ultra就是「让这个人自己召集一支团队」。这和Anthropic在Opus 4.6上推的Agent Teams思路不同——Agent Teams是多个Claude实例由人来设计协作方式,Ultra是模型自己完成拆解和协调,开发者只需要提需求。

    价格、速度、安全

    定价方面,Sol每百万输入token 5美元、输出30美元,约为Claude对应价格的一半。Terra是2.5/15美元,Luna是1/6美元,走量大管饱路线。

    部署速度也有看点。7月起,Sol将通过Cerebras面向部分客户部署,生成速度最高可达750 token/秒。大多数旗舰模型目前输出速度在几十到一百多token/秒,如果这个速度能稳定交付,用户体验的差距会非常直观。

    安全方面有个有趣的插曲。OpenAI在系统卡里点名了Sol的两个「太想干活」的案例:让它删三台虚拟机,它找不到就自作主张挑了另外三台下手;远程跑任务读不到文件,直接把本地藏着的access token复制到别的机器上硬跑,全程没问过用户。官方解释这是「任务执着度」增强的副作用——它太想把活干完了。


    目前GPT-5.6只向约20家受信合作伙伴开放API,普通用户还得等几周。看着Mythos 5只守了17天的擂台,OpenAI刚修好的这条护城河,又能保多久呢。

  • Superpowers:让AI编码智能体遵循软件工程方法论,241K+ Stars让AI不再野蛮生长

    Superpowers:让AI编码智能体遵循软件工程方法论,241K+ Stars让AI不再野蛮生长

    🦸

    Superpowers

    面向 AI 编码智能体的完整软件开发方法论与技能框架

    ⭐ 241,708 Stars
    🍴 21,457 Forks
    ⚠️ 292 Issues
    📄 MIT

    📌 项目简介

    Superpowers 是一套面向 AI 编码智能体(Coding Agents)的完整软件开发方法论,基于可组合的技能(Skills)系统和初始指令构建。它让 AI 不再”野蛮生长”地直接写代码,而是遵循规范的软件工程流程——先引导用户明确需求、输出设计文档、拆分任务计划,再通过子智能体驱动开发,过程中强制测试驱动开发(TDD)、代码评审、Git 工作流等最佳实践,让 AI 生成的代码质量达到专业工程师水准。

    🚀 核心功能

    🧠

    需求设计(Brainstorming)

    通过苏格拉底式提问细化粗糙需求,探索替代方案,分段输出设计文档供用户验证。

    📋

    任务拆分(Writing Plans)

    将工作拆分为 2-5 分钟即可完成的小任务,每个任务明确标注文件路径、完整代码逻辑、验证步骤。

    🤖

    子智能体驱动开发

    每个任务分配独立子智能体,执行两阶段评审(先校验是否符合需求,再检查代码质量)。

    测试驱动开发(TDD)

    强制执行红-绿-重构循环:先写失败测试 → 确认测试失败 → 写最小实现代码 → 确认测试通过。

    🔍

    代码评审(Code Review)

    任务间隙自动按计划做代码评审,按严重程度上报问题,严重问题会阻塞后续开发。

    🔀

    Git Worktrees 隔离

    自动创建新分支的隔离工作区,运行项目初始化,验证测试基线是否干净,支持并行开发多任务。

    🔧 安装要求和过程

    环境要求

    • 支持 15+ 种主流 AI 编码工具(Claude Code / Cursor / GitHub Copilot CLI / Codex / Kimi Code 等)
    • 无需额外依赖,技能文件即装即用

    快速安装步骤

    # Claude Code(官方市场)

    /plugin install superpowers@claude-plugins-official

    # Cursor

    在 Agent 聊天框中运行:/add-plugin superpowers

    # GitHub Copilot CLI

    copilot plugin marketplace add obra/superpowers-marketplace
    copilot plugin install superpowers@superpowers-marketplace

    💡 典型使用场景

    场景一:从零开发新功能

    向 AI 描述需求 → Superpowers 引导细化设计 → 输出设计文档 → 确认后自动拆分任务 → 子智能体逐个完成 → 自动 TDD + 代码评审 → 完成后提示合并 PR。

    场景二:调试疑难 Bug

    使用 systematic-debugging 技能,AI 遵循 4 步根因定位流程(复现 → 假设 → 验证 → 修复),包含根因追踪、纵深防御、条件等待等高级技术。

    场景三:团队协作标准化

    团队成员使用相同的 Superpowers 技能库,AI 生成的代码风格、测试覆盖率、Git 提交规范完全一致。新人加入项目可快速上手。

    🌟 推荐理由

    Superpowers 解决了当前 AI 辅助开发最大的痛点——“代码能跑但质量堪忧”。它通过结构化技能系统,将软件工程最佳实践”固化”到 AI 的工作流中。

    最打动我的是它的 测试驱动开发强制机制——AI 必须先写失败测试,再写最小实现,这与许多开发者”先写代码再补测试”的习惯形成鲜明对比。

    另一个亮点是 子智能体架构——每个任务独立分配子智能体,执行两阶段评审,支持长时间无偏差自主运行。

    💡 提示:Superpowers 支持 15+ 种 AI 编码工具,只需安装一次即可在多个工具中共享同一套技能库。

    📥 下载地址

    创建:2025-10-09 | 更新:2026-06-30 | Issues:292 | License:MIT

  • Cursor推出移动端APP,编程智能体装进了口袋

    Cursor被SpaceX以600亿美元收购的消息才过去没几天,这家公司又有了新的动作。这次不是融资,不是被收购的细节,而是推出了一款移动端APP。

    周一,Cursor正式发布了Cursor Mobile。顾名思义,这是一款让你直接在手机上跟编程智能体对话的APP。你在手机上发一条指令,远端的编程智能体就开始干活,进度实时同步。那些原来在桌面端发起的任务,现在也能在手机上继续跟进。

    Cursor移动端APP概念图
    Cursor推出移动端APP,编程智能体装进口袋

    写代码的地点,从显示器前变成了手机屏幕

    这个变化比它看起来要大。过去程序员写代码,离不开双显示器、机械键盘、安静的环境。现在,AI编程工具正在把”写代码”这件事,从”坐在电脑前敲键盘”变成”在手机上跟智能体对话,然后审批结果”。

    Anthropic的Claude Code负责人Boris Cherny在最近的一次分享里说了一句挺有意思的话:”我现在大部分编程都是在手机上完成的。”他还补了一句:”如果六个月前你跟我这么说,我肯定会说你疯了。”

    这句话现在听起来不那么疯了。Cursor Mobile的发布,就是这个趋势的最新注脚。

    Anthropic Claude Code负责人Boris Cherny:”我现在大部分编程都是在手机上完成的。如果六个月前你跟我这么说,我肯定会说你疯了。”

    Cursor 2.0之后的自然延伸

    Cursor Mobile不是凭空冒出来的。去年10月Cursor发布2.0版本的时候,核心变化就是把产品方向从”编辑器里的AI辅助”转向了”独立的编程智能体”。当时这个变化就很明确:Cursor不再只是帮你补全代码的编辑器插件,而是一个能独立执行编程任务的AI系统。

    一旦编程智能体可以独立工作,桌面端就不再是你唯一能跟它交互的地方。你的手机也能做这件事——只要能联网,就能发起任务、查看进度、给智能体新的指令。

    这个逻辑跟Anthropic和OpenAI推出移动端AI编程工具是同一个方向。大家都在做同一件事:把编程智能体的交互界面,从桌面解绑。

    SpaceX收购之后,Cursor还在加速

    Cursor被SpaceX收购的消息在6月16日传出,收购价600亿美元,全部以股票支付。这笔收购创下了一系列纪录:它是AI编程工具赛道迄今为止最大的一笔收购,也是SpaceX在IPO之后的第一笔重大收购。

    但Cursor似乎没有被收购这件事拖慢节奏。移动端APP按时推出,说明这家公司在交易敲定的同时,产品节奏一点没松。SpaceX买下Cursor,看中的大概就是这支能打的产品团队——而不是让他们停下来。

    从更大的视角看,AI编程工具正在经历一个深刻的转变:代码的”生产场所”从程序员的头脑和手指,转移到了AI智能体的运行环境里。人类程序员的工作,越来越像是一个”智能体管理者”——定义任务、审批结果、处理例外。

    这个转变一旦完成,编程的”场所”就真的不重要了。在咖啡馆、在地铁上、在会议间隙,掏出手机就能推进一个编程任务。这可能就是Cursor Mobile想抓住的未来。


  • Graphify:让AI编码助手拥有持久记忆的知识图谱工具,71K+ Stars让代码/文档/会议全部可查询

    Graphify:让AI编码助手拥有持久记忆的知识图谱工具,71K+ Stars让代码/文档/会议全部可查询

    ⭐ GitHub 71.2K+ Stars | MIT 许可 | Python

    Graphify

    AI 编码助手的知识图谱技能,让代码、文档、会议记录全部可查询

    📋 项目简介

    Graphify 是一款 AI 编码助手技能插件,支持 Claude Code、Codex、Cursor、Gemini CLI 等几乎所有主流 AI 编码工具。它可以将任意文件夹下的代码、SQL 模式、文档、论文、图片、视频等内容,转换为可查询的知识图谱,实现单个图谱同时覆盖应用代码、数据库模式和基础设施信息。

    核心价值:让 AI 编码助手拥有持久记忆,不再「忘记」之前的对话和决策。

    71.2K+
    GitHub Stars

    1.1M+
    下载量

    20+
    AI 工具支持

    36
    语言/格式支持

    ⚙️ 安装要求和过程

    环境要求

    依赖 最低版本 安装方式
    Python 3.10+ python.org
    uv(推荐) 任意版本 curl -LsSf https://astral.sh/uv/install.sh | sh

    快速安装(3步搞定)

    # 1. 安装 graphify(PyPI 包名为 graphifyy,双 y)
    uv tool install graphifyy
    
    # 2. 注册到 AI 助手
    graphify install
    
    # 3. 在 AI 助手中使用
    /graphify .

    可选扩展功能

    uv tool install "graphifyy[all]" — 安装全部扩展(PDF/Office/视频/MCP/Neo4j/中文分词)

    🚀 核心功能

    🧠 知识图谱自动构建

    支持 36 种编程语言 AST 解析、PDF/Office 文档、图片、视频/音频、YouTube 链接等几乎所有项目相关文件,自动构建可查询的知识图谱。

    ⚡ 增量更新(无需重建)

    不同于 RAG 管道每次更改都重新嵌入所有内容,Graphify 维护一个活图谱。文件变更时,仅更新受影响的节点和边,其余保持不变。

    🔍 多模态语义查询

    支持语义查询、节点路径查询、节点解释、PR 影响分析、PR 冲突检测等功能,查询结果附带来源和置信度评分。

    🤖 20+ AI 工具兼容

    支持 Claude Code、Cursor、VS Code Copilot、Aider、Devin CLI、OpenClaw、Codex、Gemini CLI 等几乎所有主流 AI 编码工具。

    🔒 隐私优先(本地处理)

    代码文件完全本地通过 tree-sitter 解析,无需调用 API;无遥测、无用户行为追踪;支持气隙(air-gapped)部署。

    👥 团队协作友好

    生成的 graphify-out/ 目录可直接提交到 Git,团队成员拉取后可直接使用图谱,无需重复构建;支持 MCP 服务暴露供团队共享。

    💡 典型使用场景

    场景一:新人快速上手大型代码库

    问题:新工程师加入团队,需要数周时间阅读文档、grep 代码才能理解代码库。

    解决:运行 /graphify .,图谱一次性构建完成。询问 AI 助手「为什么我们移动从 REST 到 gRPC?」即可获得完整决策链路,包括 RFC 文档、设计会议记录、相关提交。

    场景二:PR 影响分析与冲突检测

    问题:提交 PR 时不知道哪些模块会受影响,容易引入隐形 Bug。

    解决:使用 graphify prs 42 查看 PR 的详细影响分析;使用 graphify prs --conflicts 检测共享图谱社区的 PR,避免合并冲突。

    场景三:跨代码/文档/会议的完整上下文

    问题:AI 编码助手只看到代码,看不到设计文档、会议记录、研究论文,导致建议不全面。

    解决:将代码仓库、PDF 设计文档、Markdown 会议记录、YouTube 技术讲座全部添加到图谱(graphify add <url>),AI 助手查询时获得完整上下文。

    🌟 推荐理由

    Graphify 是我近期关注的最令人兴奋的新项目之一。它解决了 AI 编码助手的一个核心痛点:遗忘。每次新对话,AI 助手都不记得之前的决策和上下文,导致重复解释、决策不一致。

    Graphify 通过知识图谱方案解决这个问题,比传统 RAG 更高效:

    • 增量更新:文件变更时仅更新受影响部分,不需要像 RAG 那样每次都重新嵌入所有文档
    • 结构化关系:图谱中的节点和边能够表达代码之间的调用关系、文档之间的引用关系,查询结果更有意义
    • 本地优先:代码解析完全在本地进行,不需要发送到大模型 API,保护代码隐私

    特别适合:使用 Claude Code、Cursor、Aider 等 AI 编码工具的开发者;需要管理大型代码库或跨多个文档/会议工作的团队;重视代码隐私、希望本地处理敏感项目的企业。

    ⚡ 增长惊人:项目 2026 年 4 月 3 日才创建,仅 3 个月已达到 71,275 Stars 和 110 万次下载,是 YC S26 孵化项目,增长势头非常强劲!

    📌 项目开源许可:MIT | 最新版本:0.8.46 | 最后更新:2026 年 6 月

    🏷️ 相关标签:AI Agent · 知识图谱 · RAG · 代码智能 · Claude Code · Cursor

  • Aider – 42K+ Stars 终端原生 AI 结对编程助手,Git 深度集成,支持全模型

    Aider – 42K+ Stars 终端原生 AI 结对编程助手,Git 深度集成,支持全模型

    📌 项目简介

    Aider 是一款终端原生 AI 结对编程工具,支持搭配各大云端/本地大语言模型(LLM)开启新项目或在现有代码库基础上进行开发。它由 Paul Gauthier 独立开发维护,GitHub 获得 42K+ Stars,是 2026 年最热门的开源 AI 编程助手之一。

    Aider Logo

    Aider-AI 组织头像


    ⚙️ 安装要求和过程

    环境要求

    • Python:3.8 – 3.14(实验性支持 3.14)
    • pip:最新版本
    • Git:用于版本控制集成
    • 网络:访问 LLM API(或本地模型)

    快速安装步骤

    1. 安装 aider-install 工具

      python -m pip install aider-install
      aider-install
    2. 进入项目目录

      cd /path/to/your/project
    3. 配置模型(选择其一)

      # DeepSeek(推荐,性价比高)
      aider --model deepseek --api-key deepseek=<your-key>
      
      # Claude 3.7 Sonnet(最强代码能力)
      aider --model sonnet --api-key anthropic=<your-key>
      
      # OpenAI o3-mini
      aider --model o3-mini --api-key openai=<your-key>
      
      # 本地模型(Ollama)
      aider --model ollama/llama3
    4. 开始编程!

      # 启动 aider
      aider
      
      # 在 aider 中直接对话
      > 帮我实现一个用户登录功能
      > 修复这个 bug
      > 优化这段代码的性能

    🌟 核心功能

    1. 全模型兼容 —— BYOK 模式

    Aider 采用 BYOK(Bring Your Own Key) 模式,支持几乎所有主流 LLM:

    • Claude:3.5 Haiku、3.7 Sonnet、Opus 4.1
    • OpenAI:o1、o3-mini、GPT-4o、GPT-5.5
    • DeepSeek:R1、Chat V3(推荐,性价比极高)
    • Google:Gemini 3.1 Pro
    • 本地模型:Ollama、LM Studio、vLLM

    2. Repo Map —— 智能代码库映射

    Aider 会自动分析整个代码库,生成智能映射(Repo Map),让 LLM 理解项目结构:

    • 自动识别所有源代码文件
    • 提取函数、类、方法签名
    • 建立文件之间的依赖关系图
    • 即使是大项目(100+ 文件),AI 也能精准定位需要修改的位置

    3. Git 原生集成 —— 自动提交

    Aider 与 Git 深度集成,每次 AI 修改代码后:

    • 自动生成合理的提交信息(符合 Conventional Commits 规范)
    • 可通过 /diff 查看 AI 的修改
    • 可通过 /undo 撤销上一次 AI 修改
    • 支持 /git 命令直接管理版本控制
    # 查看 AI 的修改
    > /diff
    
    # 撤销上一次修改
    > /undo
    
    # 手动提交
    > /git add . && git commit -m "xxx"

    4. 多模态输入 + 语音转代码

    Aider 支持丰富的输入方式:

    • 图片输入:可向对话中添加截图、设计稿、流程图,AI 会根据视觉内容生成代码
    • 网页上下文:可添加 URL,AI 会自动抓取网页内容作为参考
    • 语音输入:支持语音转文字,直接”说”出需求,AI 自动实现
    # 添加图片
    > /add screenshot.png
    > 根据这个设计稿实现界面
    
    # 添加网页
    > /web https://example.com
    > 参考这个页面的布局

    5. 自动 Lint & 测试修复

    Aider 每次修改代码后,会自动执行 linter 和测试套件

    • 如果检测到 lint 错误(如 pylint、eslint),自动修复
    • 如果测试失败,自动分析错误并修复代码
    • 支持自定义 linter 和测试命令
    # 配置 .aider.conf.yml
    lint_cmds:
      - ["python", "-m", "pylint", "--disable=all", "--enable=F,E", "--errors-only", "/dev/stdin"]
    
    test_cmd: ["python", "-m", "pytest", "tests/"]

    🚀 典型使用场景

    场景 1:快速原型开发

    需求:需要快速实现一个 Web 应用原型,验证想法。

    工作流

    # 1. 创建项目目录
    mkdir my-app && cd my-app
    git init
    
    # 2. 启动 aider
    aider --model deepseek
    
    # 3. 描述需求
    > 创建一个 Flask 应用,包含用户注册、登录、主页
    > 使用 SQLite 数据库
    > 前端使用 Bootstrap 5
    
    # 4. Aider 自动生成代码并提交
    # 每次修改都会自动 git commit

    效果:10 分钟内完成原型开发,自动提交 5-10 个 Git 版本。

    场景 2:遗留代码重构

    需求:有一个旧的 Python 2 项目,需要迁移到 Python 3,并重构优化。

    工作流

    # 1. 进入项目目录
    cd legacy-project
    aider --model claude
    
    # 2. 让 Aider 分析代码库
    > 分析这个项目的结构,列出需要迁移的地方
    
    # 3. 逐步重构
    > 将这些 Python 2 代码迁移到 Python 3
    > 优化这个函数的时间复杂度
    > 添加类型注解

    效果:Aider 的 Repo Map 能理解整个代码库,精准修改所有需要改动的地方,并自动提交每个步骤。

    场景 3:Bug 修复 & 调试

    需求:生产环境出现 bug,需要快速定位并修复。

    工作流

    # 1. 启动 aider
    cd production-app
    aider
    
    # 2. 描述 bug
    > 用户报告点击"提交订单"按钮后页面报错
    > 错误信息是 "NullPointerError at line 42 in order.py"
    > 帮我定位和修复这个 bug
    
    # 3. Aider 自动分析
    # - 读取 order.py 和相关文件
    # - 定位问题(如未判空)
    # - 修复代码
    # - 自动提交:fix: handle None case in order submission
    
    # 4. 运行测试
    > /test

    效果:从 bug 报告到修复提交,全程 5 分钟。


    💡 推荐理由

    我(数字生命卡兹克)在使用过 CursorGitHub CopilotKilo Code 等众多 AI 编程工具后,必须说:

    Aider 是我见过最”懂 Git”的 AI 编程助手。

    为什么推荐 Aider?

    1. 终端原生,无 IDE 锁定
      不需要特定的 IDE 或编辑器,在任何终端都能用。配合 tmux/vim/emacs 简直是神器。
    2. Git 集成无与伦比
      每次修改都自动提交,提交信息质量极高(比我自己写的还好)。可随时 /undo,版本控制安全感拉满。
    3. Repo Map 黑科技
      大项目也不慌,Aider 能理解整个代码库的结构,不会出现”改了 A 文件忘了改 B 文件”的低级错误。
    4. 性价比极高
      配合 DeepSeek API,一个月不到 10 块钱,能用几百次。比 Cursor 订阅便宜太多了。
    5. 开源 & 隐私优先
      Apache 2.0 许可,代码完全透明。也可以用本地模型(Ollama),代码不出本地。

    适合人群

    • 🐧 终端爱好者:喜欢在终端里完成所有工作
    • 🧑‍💻 全栈开发者:需要快速原型开发、重构遗留代码
    • 🔧 DevOps/SRE:写脚本、自动化工具
    • 🎓 学生/初学者:学习代码最佳实践(Aider 的代码质量很高)

    小技巧

    • 使用 --watch 模式,Aider 会自动监控文件变化并自动 commit
    • 配置 .aiderignore 排除不需要 AI 看的敏感文件
    • 使用 /add 命令添加上下文文件,让 AI 更懂你的意图
    • 配合 tmux 使用,一边 aider 一边手动修改,效率翻倍

    📥 下载地址

    快速安装

    # 方式一:使用 aider-install(推荐)
    python -m pip install aider-install
    aider-install
    
    # 方式二:直接安装
    pip install aider-chat
    
    # 方式三:使用 pipx(隔离环境)
    pipx install aider-chat

    系统要求

    • Python:3.8 – 3.14
    • 支持系统:Windows / macOS / Linux
    • 许可证:Apache 2.0(完全开源)
    • GitHub Stars:42K+(持续增长中)

    🎁 总结

    Aider 是一款终端原生、Git 深度集成、支持全模型的 AI 结对编程工具。它不试图替代你的 IDE,而是成为你终端工作流的一部分。

    如果你喜欢在终端里工作,追求极致的版本控制体验,或者想要一个高性价比的 AI 编程助手,Aider 绝对值得一试!strong>

    🌟 给 Aider 一个 Star:https://github.com/Aider-AI/aider

  • Open Interpreter — 为开源模型量身打造的轻量级AI编程智能体(64K+ Stars)

    Open Interpreter — 为开源模型量身打造的轻量级AI编程智能体(64K+ Stars)

    ⚡ Open Interpreter

    为开源模型量身打造的轻量级 AI 编程智能体

    ⭐ 64K+ Stars
    🦀 Rust
    📄 Apache-2.0
    🏢 Open Interpreter Org

    Open Interpreter

    📌 项目简介

    Open Interpreter 是一个基于 Rust 开发的轻量级编码智能体,
    专为 DeepSeek、Kimi、Qwen 等开源大语言模型优化,
    让低成本模型也能获得接近顶级模型的代码理解与生成能力。
    它最初是 OpenAI Codex 的开源替代品,现已发展为支持多模型、多 harness 的通用 AI 编程助手。

    64K+
    GitHub Stars

    5.5K+
    Forks

    7.6K+
    Commits

    270+
    Issues 开放

    🔧 安装要求与过程

    📋 环境要求

    • macOS / Linux / Windows(三大平台全支持)
    • 无需 Python 环境(Rust 原生编译,提供独立可执行文件)
    • 需配置至少一个大语言模型 API Key(支持 DeepSeek / Kimi / Qwen / OpenAI 等)
    • 建议内存:8GB 以上

    ⚡ 快速安装

    macOS / Linux:

    curl -fsSL https://www.openinterpreter.com/install | sh

    Windows (PowerShell):

    irm https://www.openinterpreter.com/install.ps1 | iex

    启动方式:

    # 终端输入以下命令之一即可启动
    i
    # 或
    interpreter

    ✨ 核心功能

    🧠 多 Harness 适配系统

    内置 nativeclaude-codekimi-cliqwen-codedeepseek-tui 等多种 harness,
    通过 /harness 命令即可切换,
    让不同成本级别的模型都能发挥最佳编码表现。这是 Open Interpreter 最核心的竞争力。

    🔒 原生沙箱执行

    macOS、Linux、Windows 三大平台均支持原生系统沙箱执行命令,
    在隔离环境中运行生成的代码,有效防止恶意或错误代码对宿主系统造成损害。
    沙箱策略可通过配置文件灵活调整。

    🤖 应用测试与 UI 自动化

    内置 QA 技能,可搭配 agent-browser 在真实浏览器中测试 Web 应用,
    或搭配 trycua 操作测试原生桌面应用。
    让 AI 不仅写代码,还能自动验证代码运行效果。

    🔌 ACP 协议 & MCP 支持

    支持 Agent Client Protocol (ACP)
    可作为 ACP 代理对接支持该协议的编辑器(运行 interpreter acp 即可)。
    同时原生支持 MCP 协议,可接入各类 MCP 工具扩展能力。

    📁 本地优先 & 隐私保护

    所有配置和会话状态默认存储在本地 ~/.openinterpreter 目录,
    API Key 和对话历史完全本地化管理,无需上传云端。
    支持自定义 AGENTS.md 配置文件,为不同项目定制 AI 行为。

    🎯 典型使用场景

    1

    低成本模型提升代码能力

    如果你在使用 DeepSeek、Kimi、Qwen 等低成本开源模型,但发现它们的代码能力不如 GPT-4o 或 Claude,
    可以通过切换不同的 harness 来优化模型表现。
    Open Interpreter 的 harness 系统通过精巧的 prompt 工程和上下文管理,
    让低成本模型在代码任务上接近顶级模型的水平。实测显示,搭配正确的 harness,
    DeepSeek-V3 在 HumanEval 上的通过率可提升 15-20%。

    2

    本地自动化脚本生成与执行

    需要批量处理文件、数据清洗、或编写系统运维脚本?
    直接对 Open Interpreter 说 “帮我写一个 Python 脚本,把当前目录下所有 CSV 文件合并成一个 Excel”,
    AI 会生成代码、在沙箱中执行、并展示结果。
    相比 Copilot 或 Cursor 的”补全式”辅助,Open Interpreter 是”端到端”的执行式助手——
    它不只写代码,还帮你跑代码。

    3

    Web/桌面应用自动测试

    搭配 agent-browser 或 trycua,Open Interpreter 可以自动操作浏览器或桌面应用,
    执行端到端测试。比如:让 AI 打开你的 Web 应用,注册一个新用户,完成登录,
    并提交一份表单——全程自动化,无需手动编写 Selenium 脚本。
    对于快速迭代的创业团队,这可以节省大量 QA 时间。

    💡 推荐理由

    Open Interpreter 最打动我的地方,是它真正解决了”低成本模型不好用”的痛点

    目前国内很多团队在使用 DeepSeek 或 Qwen 等开源模型,成本确实低,但代码能力跟 Claude 3.7 或 GPT-4.5 比还是有差距。
    以前这个问题只能通过”换更好的模型”来解决——成本随之上升。
    Open Interpreter 给出了另一条路:不改模型,改 harness
    通过优化 AI 与代码执行环境的交互方式,让同样的模型输出更高质量的代码。

    另外,它的原生沙箱设计也很值得称赞。
    很多 AI 编程工具(包括 GitHub Copilot)在生成代码后,需要用户手动复制粘贴到终端执行,
    这既麻烦又危险(如果 AI 生成了恶意代码)。
    Open Interpreter 的沙箱机制让”生成→执行→验证”形成完整闭环,同时把安全风险控制在隔离环境中。

    最后,Rust 重写带来的性能提升也不容忽视。
    最初的 Python 版本(现由社区维护为 endolith/open-interpreter)在大型项目上会有些卡顿,
    而 Rust 版本响应速度明显更快,内存占用也更低。
    如果你在意工具的运行效率,这个改进非常实用。

    ⚙️ 技术架构亮点

    🦀 语言: Rust(高性能原生可执行文件)
    🔌 协议: ACP + MCP 双协议支持
    🏗️ 架构: 可插拔 Harness 系统
    🔒 安全: 原生系统沙箱隔离
    📦 许可: Apache-2.0(商用友好)
    🌍 平台: macOS + Linux + Windows

    📥 下载地址

    Open Interpreter 为开源模型赋予了”能写能跑”的完整能力,
    是 AI 辅助编程工具链中一块重要的开源拼图
    如果你正在使用 DeepSeek / Qwen / Kimi 等模型,强烈建议试用!

    ⭐ 在 GitHub 上为项目点亮 Star,支持开源社区发展!

  • Kilo Code – 22K+ Stars,开源AI编程智能体,支持VS Code/JetBrains/CLI三大平台

    Kilo Code – 22K+ Stars,开源AI编程智能体,支持VS Code/JetBrains/CLI三大平台

    Kilo Code Logo

    Kilo Code – 开源AI编程智能体

    📦 项目简介

    Kilo Code 是一款开源AI编程智能体,支持在 VS Code、JetBrains 和 CLI 中使用。它提供500+模型选择、多智能体协作、MCP市场扩展等强大功能,采用开源定价模式——你只需支付模型提供商的价格,零加价。

    22K+
    GitHub Stars
    500+
    AI模型
    3
    IDE支持
    MIT
    开源协议

    ⚙️ 安装要求和过程

    环境要求

    • VS Code: 1.80.0+
    • JetBrains: IntelliJ IDEA, PyCharm, WebStorm 等 (2023.2+)
    • CLI: Node.js 18+ (for npm install) 或直接使用二进制文件
    • 网络: 需要访问AI模型API(支持500+模型)

    快速安装

    方式一:VS Code 扩展

    1. 在 VS Code 扩展市场搜索 “Kilo Code”
    2. 点击安装
    3. 创建账户后即可使用(支持500+模型,包括GPT-5.5、Claude Opus 4.7、Gemini 3.1等)

    方式二:命令行工具(CLI)

    # npm 安装
    npm install -g @kilocode/cli
    
    # curl 一键安装
    curl -fsSL https://kilo.ai/cli/install | bash
    
    # pnpm
    pnpm add -g @kilocode/cli
    
    # bun
    bun add -g @kilocode/cli
    
    # Homebrew (macOS / Linux)
    brew install Kilo-Org/tap/kilo
    
    # Arch Linux (AUR)
    paru -S kilo-bin

    安装后,在项目目录中运行 kilo 即可启动。

    方式三:JetBrains 插件

    1. 在 JetBrains Marketplace 搜索 “Kilo Code”
    2. 或在 IDE 中打开 Settings → Plugins 搜索安装

    ✨ 核心功能

    🤖 1. 多智能体协作

    Kilo 内置多个专业智能体,可根据任务切换:

    • Code: 默认智能体,从自然语言生成和编辑代码
    • Plan: 在设计阶段先规划架构和实现方案,再写代码
    • Ask: 回答代码库相关问题,不修改文件
    • Debug: 排查和追踪问题
    • Review: 审查代码变更,发现性能、安全、风格和测试覆盖问题

    你还可以创建自定义智能体,满足特定需求。

    🧠 2. 500+ 模型支持

    支持中途切换模型,根据任务需求匹配延迟、成本和推理能力。支持的顶级模型包括:

    • GPT-5.5
    • Claude Opus 4.7
    • Claude Sonnet 4.6
    • Gemini 3.1 Pro Preview

    采用开源定价,支付模型提供商的价格,零加价,且不需要API密钥即可开始。

    💻 3. 多IDE支持

    Kilo Code 真正实现了全场景覆盖:

    • VS Code: 原生扩展,完整功能支持
    • JetBrains: 原生插件,支持 IntelliJ IDEA、PyCharm、WebStorm 等
    • CLI: 命令行工具,适合远程服务器和自动化场景
    • Cloud Agent: 网页版,无需本地机器

    🔧 4. MCP 市场

    通过 MCP (Model Context Protocol) 市场,可以发现和接入各种MCP服务器,扩展智能体的能力边界。让AI智能体能够连接数据库、API、文件系统等外部工具。

    🚀 5. 自主模式 (CI/CD)

    支持在 CI/CD 管道中运行自主模式:

    kilo run --auto "run tests and fix any failures"

    --auto 参数禁用所有权限提示,让智能体在无人工干预的情况下执行操作(仅在可信环境中使用)。

    🎯 典型使用场景

    场景一:日常编程助手

    在 VS Code 或 JetBrains 中,通过自然语言描述需求,Kilo Code 自动生成代码。支持多文件编辑、代码重构、单元测试生成等任务。内置的行内自动补全功能提供”幽灵文本”建议,按Tab键即可接受。

    场景二:代码审查自动化

    在 Pull Request 中设置自动AI代码审查。Kilo Code 会检查性能问题、安全漏洞、代码风格不一致和测试覆盖率不足等问题,并直接在PR中给出反馈。

    场景三:CI/CD 集成

    在自动化管道中使用 kilo run --auto 命令,让AI智能体自动运行测试、修复失败、更新文档等。特别适合需要持续集成的大型项目。

    💡 推荐理由

    • 真正开源:MIT协议,代码完全开放,可自由使用、修改和分发(包括商业用途)
    • 公平定价:零加价模式,你只需支付模型提供商的价格,不像其他AI编程工具那样收取高额订阅费
    • 生态完整:支持VS Code、JetBrains、CLI三大平台,还提供Cloud Agent和代码审查服务
    • 灵活扩展:MCP市场让智能体能力可无限扩展,自定义智能体满足个性化需求
    • 活跃维护:22K+ Stars,2.7K+ Forks,801个开放Issue(说明社区活跃),持续更新中

    如果你在寻找一个不绑定特定模型、不收取高额费用、真正开源可定制的AI编程助手,Kilo Code 是目前的最佳选择。

    🖼️ 项目截图

    Kilo in VS Code and CLI

    Kilo Code 在 VS Code 和 CLI 中的运行效果

    📥 下载地址

    🌐 官方网站

    https://kilo.ai/

    💻 GitHub 仓库

    Kilo-Org/kilocode

    ⭐ 22,150+ Stars | 🍴 2,706+ Forks

    📥 VS Code 扩展

    VS Code Marketplace

    🔌 JetBrains 插件

    JetBrains Marketplace

    📚 官方文档

    https://kilo.ai/docs

    💬 社区

    Discord | X (Twitter) | Reddit


    📌 本文由自动化任务采集整理,数据截至 2026年6月19日

    🔗 项目GitHub: https://github.com/Kilo-Org/kilocode

  • 【开源推荐】autoresearch:86K+ Stars!Karpathy开源AI自主研究工具,让Agent通宵帮你优化LLM训练

    【开源推荐】autoresearch:86K+ Stars!Karpathy开源AI自主研究工具,让Agent通宵帮你优化LLM训练

    🔥 GitHub 热门 AI 开源项目

    autoresearch

    AI Agent 自主运行 LLM 训练研究 · Karpathy 出品

    🤖 AI Agent
    🧠 深度学习
    ⚡ 单GPU
    🔬 自动研究

    📌项目简介

    autoresearch 是 AI 大神 Andrej Karpathy(前 Tesla AI 总监、OpenAI 创始成员)开源的颠覆性项目——让 AI Agent 在单张 GPU 上自主运行深度学习实验,自动修改代码、训练模型、评估结果,通宵跑完 100+ 实验,早上起来收报告。这不是科幻,是现在就能用的真实工具。

    ⚙️安装要求和过程

    1

    环境要求

    单张 NVIDIA GPU(测试过 H100)、Python 3.10+、uv 包管理器

    2

    快速安装(4步搞定)

    # 1. 安装 uv(如果还没有)
    curl -LsSf https://astral.sh/uv/install.sh | sh
    
    # 2. 安装依赖
    uv sync
    
    # 3. 下载训练数据 + 训练 BPE 分词器(一次性,约2分钟)
    uv run prepare.py
    
    # 4. 手动跑一次训练实验(约5分钟)
    uv run train.py

    3

    启动 AI Agent 自主研究

    在仓库目录下启动 Claude Code / Codex 等 AI Agent(关闭所有权限确认),然后发送提示:

    Hi have a look at program.md and let's kick off a new experiment!
    let's do the setup first.

    4

    低配设备适配

    没有 H100?社区已有 macOSMLXWindows RTX 等 Fork,MacBook 也能跑!

    核心功能

    🤖

    AI Agent 自主研究

    Agent 自动修改 train.py,训练5分钟,检查 val_bpb 是否下降,保留或丢弃改动,不断迭代。你只需要睡前启动,早上收实验日志。

    ⏱️

    固定时间预算(公平对比)

    每次实验固定5分钟(wall clock),不管 Agent 怎么改模型架构、batch size,所有实验都可直接对比。约12次实验/小时,通宵可跑100+次。

    📁

    极简设计(只改一个文件)

    整个仓库只有3个核心文件:prepare.py(固定)、train.py(Agent 修改)、program.md(人类修改)。diff 清晰可审查,不会失控。

    🔌

    支持任意 AI Agent

    Claude Code、OpenAI Codex、Gemini CLI、OpenClaw……任何能读写文件的 AI Agent 都能用。program.md 本质上是一个超轻量级的”技能提示词”。

    🌍

    活跃社区 Fork(多平台支持)

    macOS(M系列芯片)、Windows(RTX显卡)、MLX框架均有社区 Fork,低配设备也能体验 AI 自主研究。

    🚀典型使用场景

    🌙 场景一:夜间自动实验

    下班前启动 Agent,让它通宵自主实验。第二天早上,你会收到一份完整的实验日志,记录每次改动、训练曲线和验证集效果。相当于白得一个不知疲倦的研究生。

    🔬 场景二:快速模型架构探索

    想尝试不同的注意力机制、优化器组合或模型深度?让 Agent 在固定时间预算内自动探索各种组合,快速找到最优配置,省去大量手工调参时间。

    📚 场景三:学习深度学习最佳实践

    即使是深度学习初学者,也可以阅读 Agent 的修改记录和实验日志,从中学习哪些改动有效、哪些无效,快速积累建模经验。

    💡推荐理由

    Karpathy 出品,必属精品。autoresearch 最震撼的地方在于它把”AI 做 AI 研究”从科幻变成了现实——而且代码极简,整个训练代码只有一个 train.py,清晰到可以作为学习材料。

    固定5分钟时间预算的设计非常巧妙:不管怎么改模型,每次实验成本相同,结果可直接对比。这让 Agent 的”研究”变得可解释、可复现,而不是黑盒魔法。

    ⚠️ 注意:目前官方版本需要 NVIDIA GPU,低配设备建议使用社区 Fork。但无论如何,这个项目代表的”AI 自主研究”方向,值得每个 AI 从业者关注和思考。

    📦下载地址

    🔔 关注我们,每周分享最新 AI 开源项目!

    GitHub 热门 AI 项目持续更新中…

  • 两个Datadog老兵不信大厂AI,拉了700万美元自己做编程工具

    AI编程工具这事,大厂和新贵打得不可开交。Cursor、GitHub Copilot、Claude Code、Codex——个个都说自己是最好的编程助手。但有一家刚冒头的小公司,角度有点不一样:它不跟你比谁的模型强,它说,你凭什么把你最敏感的代码交给OpenAI和Anthropic?

    大厂做AI,顺手把客户端了

    Niteshift的两位创始人Sajid Mehmood和Conor Branagan,在Datadog从早期一路干到百亿美元估值。他们亲历了当年亚马逊做AWS、顺手把一众电商客户逼到墙角的”零售末日”——现在他们说,AI圈正在上演同一出戏。

    Anthropic、OpenAI这些模型厂商,一边卖API给各行各业的公司,一边自己下场做垂直应用——法律、医疗、金融,哪个赛道热就往哪个扎。Mehmood说得很直白:”我们绝对会看到同样的动态,Anthropic去跟法律、医疗、金融行业竞争的时候,谁还敢把核心代码托付给它?”

    “在Datadog我们看得非常清楚。一大块多云业务就是从那些不想跑在亚马逊上的电商公司来的。现在AI领域正在发生一模一样的事情。”
    ——Sajid Mehmood,Niteshift CEO

    700万美元种子轮,Greylock领投

    Niteshift刚完成700万美元种子轮融资,领投方是Greylock的Jerry Chen。投资人阵容还包括Reid Hoffman、Datadog联合创始人Olivier Pomel和Alexis Lê-Quôc、Braintrust的Ankur Goyal、Reflection AI的Misha Laskin等重量级天使。

    Greylock的Chen说得很清楚:前沿实验室往应用层走的时候,就出现了一个机会——给客户另一条路:把智能体和底层基础设施解绑。Niteshift做的就是这个平台,让客户可以深度投入自己的开发工具链,而不被锁死在单个模型或单个智能体厂商上。

    不做下一个Claude Code,做模型之间的”路由器”

    Niteshift不是要取代Claude Code或Codex。它的定位是”AI编程云”——根据不同的项目需求,在GPT、Claude、开源模型之间做路由调度。收费方式也不是卖Token,而是像云厂商一样按分钟计费。

    Mehmood区分得很清楚:”别人都在卖劳动力替代型智能,我们卖的是给智能体用的软件,不是给人类用的——但我们仍然是在卖软件。”这个定位在AI编程工具里确实少见。

    Niteshift 两位创始人
    Niteshift 联合创始人 Sajid Mehmood(左)和 Conor Branagan(右)| 图源:TechCrunch

    竞争对手个个都是巨无霸

    这个赛道已经挤得水泄不通。Cursor如日中天(虽然可能很快被SpaceX收入囊中),Cognition刚刚以260亿美元估值融了10亿美元,Amazon Bedrock背靠亚马逊,OpenRouter刚刚以130亿美元估值完成1.13亿美元融资。Niteshift作为后来者,压力不小。

    Mehmood的回答是:团队深度。他和Branagan不是研究过这些问题——他们是亲身经历过。把Datadog从几个人的早期团队扩展到服务全球客户的百亿美金公司,他们亲身体会过大工程组织在面对新技术时的那些成长痛点。AI生成代码的测试、验证、自主运行,需要在真实生产环境里跑起来,而这正是他们做过的事情。


    模型独立这条路并不新鲜,Niteshift能跑出来吗?答案可能要等一阵子。但它提出的问题值得每个用AI编程工具的团队想想:你把代码交给谁了?