YOHO AI

标签： AI编程

  • Aider：45.3k Stars！终端AI结对编程工具，让Git与AI完美融合

    Aider：45.3k Stars！终端AI结对编程工具，让Git与AI完美融合

    📌 项目简介

    Aider

    Aider 是一款在终端中运行的AI结对编程工具，支持从零启动新项目或基于现有代码库进行开发。它不仅能理解整个代码库的结构，还能自动执行lint和测试，是开发者的AI编程利器！

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.8+
    • Git（Aider原生集成Git）
    • API密钥（Anthropic/OpenAI/DeepSeek等）

    快速安装步骤

    1. 安装Aider： 
      python -m pip install aider-chat
aider
    2. 配置API密钥： 
      # 使用Claude 3.7 Sonnet
export ANTHROPIC_API_KEY=your-key
aider --model sonnet

# 使用DeepSeek
export DEEPSEEK_API_KEY=your-key
aider --model deepseek

# 使用GPT-4o
export OPENAI_API_KEY=your-key
aider --model gpt-4o
    3. 进入项目目录： 
      cd /path/to/your/project
aider

    💡 核心功能

    1. 全代码库理解

    Aider能自动生成整个代码库的”地图”，理解项目结构，无论项目多大都能精准定位需要修改的文件。

    2. Git原生集成

    每次AI修改后，Aider都会自动生成合理的commit信息，你可以通过Git轻松diff、管理和回滚AI的修改。

    3. 多模态输入支持

    支持添加图片、网页到对话，提供视觉上下文、截图、参考文档等，让AI更准确理解你的需求。

    4. 自动校验与修复

    每次修改后自动执行代码lint和测试，如果检测到lint错误或测试失败，Aider会自动修复！

    5. 语音转代码

    支持语音输入需求，自动实现新功能、测试用例或Bug修复，编程效率翻倍！

    🚀 典型使用场景

    场景1：新项目从零启动

    想快速搭建一个新项目？只需在终端输入：

    $ aider
Aider> 帮我创建一个Flask REST API，包含用户认证和JWT令牌

    Aider会自动生成项目结构、配置文件、路由和测试用例，并自动提交第一个commit！

    场景2：现有代码库的功能迭代

    在已有项目中添加新功能？Aider理解整个代码库：

    $ aider
Aider> 在用户模型中添加一个"最后登录时间"字段，并更新相关API

    Aider会自动找到需要修改的文件，添加字段，更新迁移脚本，修改API响应，并运行测试确保一切正常！

    场景3：Bug修复与测试

    遇到Bug？让Aider帮你定位和修复：

    $ aider
Aider> 修复用户登录时的502错误，并添加测试用例

    Aider会分析日志、定位问题、修复代码、添加测试，确保问题不再复现！

    🎯 推荐理由

    作为一名开发者，我一直在寻找能让AI真正融入编程工作流的工具。Aider是我用过的最实用的AI编程助手，原因如下：

    ✅ Git原生集成：不像其他工具那样”黑盒”修改，Aider的每次修改都有清晰的commit，你可以随时diff或回滚。

    ✅ 理解大型代码库：Aider会生成整个代码库的地图，即使是很复杂的项目，它也能精准定位需要修改的地方。

    ✅ 自动修复lint/测试错误：这是我最喜欢的功能！Aider修改代码后会自动运行lint和测试，如果有错误会自动修复，真正实现了”自动化编程”。

    ✅ 支持100+编程语言：无论你用Python、JavaScript、Rust、Go还是C++，Aider都能胜任。

    ✅ 多模态输入：可以添加图片、网页到对话，让AI更准确理解你的需求，这对前端开发特别有用！

    如果你想要一个真正能理解你的代码库、并与Git无缝集成的AI编程助手，Aider绝对值得一试！

    📥 下载地址

    官方资源

    快速安装

    # 安装Aider
python -m pip install aider-chat

# 使用Claude 3.7 Sonnet（推荐）
export ANTHROPIC_API_KEY=your-key
aider --model sonnet

# 使用DeepSeek（性价比高）
export DEEPSEEK_API_KEY=your-key
aider --model deepseek

# 使用GPT-4o
export OPENAI_API_KEY=your-key
aider --model gpt-4o

    #开源项目 #AI编程 #终端AI #Aider #GitHub热门 #AI Agent

  • agent-skills：45.4k Stars！Google工程师开源的AI编码生产级技能库，让AI输出工业级代码

    agent-skills：45.4k Stars！Google工程师开源的AI编码生产级技能库，让AI输出工业级代码

    agent-skills

    你有没有遇到过这种情况：让AI帮你写代码，它确实写出来了，但一测就挂，还没测试、没文档、没安全检查——因为它总是走「最短路径」，能跑就行。

    Google Cloud AI总监、AngularJS联创Addy Osmani也发现了这个问题，于是他在2026年2月开源了 agent-skills——一个把高级工程师开发软件时的完整工作流、质量门禁和最佳实践封装成可复用技能的工具包，让AI代理在开发全流程中都能遵循与生产环境一致的标准。

    📊 项目数据

    GitHub Stars：45.4k+ | 开源协议：MIT | 维护者：Addy Osmani（Google） | 适用工具：Claude Code、Cursor、Gemini CLI、Windsurf、Copilot 等

    📌 项目简介

    agent-skills 是一个面向AI编程代理的生产级工程技能集合，将资深工程师在开发软件时遵循的工作流、质量门禁和最佳实践编码为可复用的技能模块，让AI代理不再「能跑就行」，而是输出符合生产级质量标准的代码。项目覆盖从需求定义、计划拆解、迭代开发、测试验证、代码审查到上线部署的完整开发生命周期，并预置了可自动触发的专项技能。

    ⚙️ 安装要求与过程

    环境要求

    • 支持任意AI编程代理（Claude Code、Cursor、Gemini CLI、Windsurf、Kiro、Copilot等）
    • 部分技能需要配合对应MCP服务使用（如Chrome DevTools MCP）
    • 无额外依赖，技能文件为纯Markdown格式

    快速安装（以Claude Code为例）

    方式一：从市场安装（推荐）

    # 添加市场源
    /plugin marketplace add addyosmani/agent-skills
    # 安装技能包
    /plugin install agent-skills@addy-agent-skills

    方式二：本地克隆安装

    git clone https://github.com/addyosmani/agent-skills.git
    claude –plugin-dir /path/to/agent-skills

    其他工具（Cursor、Gemini CLI、Windsurf等）详见项目 docs/ 目录下的对应配置指南。

    ✨ 核心功能

    1
    23个细分技能模块，覆盖开发全生命周期

    从需求定义（/spec）、计划拆解（/plan）、增量开发（/build）、测试驱动（/test）、代码审查（/review）到上线部署（/ship），每个阶段都有对应的技能工作流，AI必须按步骤执行，不能跳过。

    2
    反合理化机制，防止AI走捷径

    每个技能都内置「常见借口反驳表」——比如AI想说「我之后再补测试」，技能会直接反驳并强制要求先写测试。验证要求明确到必须提供证据（测试通过截图、构建输出等），不允许「看起来没问题」这种模糊判断。

    3
    自动触发 + 斜杠命令双模式

    设计API时自动激活 api-and-interface-design 技能，构建UI时自动激活 frontend-ui-engineering 技能；同时也支持手动输入 /spec、/plan、/build、/test 等7个斜杠命令精准触发对应技能。

    4
    预配置专家代理角色，多维度审查

    内置 code-reviewer（高级工程师视角）、test-engineer（QA专家视角）、security-auditor（安全工程师视角）三个专家代理角色，可在关键节点自动调用，对代码进行多维度审查。

    🚀 典型使用场景

    场景一：让AI严格按照TDD流程开发新功能

    输入 /test 激活测试驱动开发技能，AI会严格遵循「红→绿→重构」流程，先写失败测试，再写最小实现，最后重构；测试金字塔比例强制为 80% 单元测试 / 15% 集成测试 / 5% E2E测试，确保测试覆盖全面而不冗余。

    场景二：上线前全自动代码审查与安全加固

    输入 /review 触发代码审查技能，AI会按五轴审查法（正确性、可读性、安全性、性能、可维护性）逐文件审查，变更控制在约100行以内；同时自动激活 security-and-hardening 技能，对照 OWASP Top 10 逐项检查，不通过不许合并。

    💡 推荐理由

    我一直觉得现在的AI编程工具最大的问题不是「写不出代码」，而是「写出来的代码不经过生产级流程」——没有需求文档、没有测试、没有安全审查，直接给你一个能跑的版本就完事。agent-skills 的本质，就是把 Google 级别的工程成熟度「编译」成了AI可以理解和执行的技能工作流。

    最让我印象深刻的是它的「反合理化机制」——AI 想偷懒的时候，技能会直接「怼回去」，要求提供证据而不是口头保证。这比任何 Prompt 技巧都更有效，因为它是在流程层面强制质量，而不是靠 AI 的「自觉」。

    如果你在用 Claude Code、Cursor 或其他AI编程工具，这个项目值得认真配置一套——它会让你AI助手输出的代码质量提升一个维度。

    📥 下载地址

    🌐 官方网站：https://github.com/addyosmani/agent-skills

    📦 GitHub仓库：https://github.com/addyosmani/agent-skills

    📚 配置文档：https://github.com/addyosmani/agent-skills/tree/main/docs

    💬 技能市场：https://agentskill.work/zh/skills/addyosmani/agent-skills

    📄 开源协议：MIT License（可自由使用、修改和分发）

    💡 小编注：

    这个项目背后的理念其实很深刻——AI编程工具的能力上限不仅仅取决于模型本身，更取决于我们给它的「工程上下文」。agent-skills 做的，就是把这些上下文系统化、可复用化。值得一提的是，Addy Osmani 同时也是热门项目 addyosmani/superpowers（第30期已介绍）的作者，两个项目一脉相承，建议搭配使用，效果更佳。

  • AutoGen – 微软开源的多智能体对话框架

    AutoGen – 微软开源的多智能体对话框架

    AutoGen Logo
    AutoGen – 多智能体AI协作框架

    📝 项目简介

    AutoGen 是微软研究院开源的事件驱动编程框架，专门用于构建可扩展的多智能体AI系统。它就像 AI Agent 世界的”交响乐团指挥”，让不同的 AI 智能体能够协同工作、互相对话，共同完成复杂的任务。无论你是想构建自动化的工作流程，还是研究多智能体协作，AutoGen 都能提供强大而灵活的解决方案。

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.8 或更高版本
    • pip 包管理工具
    • （可选）Docker – 用于容器化代码执行
    • OpenAI API Key 或其他 LLM 服务访问权限

    快速安装步骤

    推荐使用 pip 安装指定版本，避免版本兼容问题：

    pip install autogen-agentchat~=0.2

    💡 提示：当前 0.2 版本稳定可用，0.4 稳定版也已发布，旧版本用户可参考迁移指南升级。

    💡 核心功能

    1. 低门槛构建多智能体对话应用

    AutoGen 大大简化了复杂 LLM 工作流的编排、自动化和优化。你只需要写少量代码，就能搭建起下一代 LLM 应用，同时最大化 LLM 的性能，弥补其固有缺陷。

    2. 支持多样化对话模式

    框架提供了可自定义、可对话的智能体，开发者可以自由调整对话自主性、智能体数量和对话拓扑结构。无论你需要确定性的工作流，还是动态的多智能体协作，都能找到合适的模式。

    3. 灵活的代码执行方式

    支持三种代码执行模式：无代码执行（纯文本对话）、本地命令行执行、Docker 容器执行。特别是 Docker 模式，可以在隔离环境中安全运行生成的代码，避免对本地环境造成污染。

    4. 全场景示例覆盖

    官方提供了不同复杂度、可直接运行的系统示例，覆盖多领域、多复杂度的应用场景。从简单的两智能体对话，到复杂的多专家联合决策系统，都有对应的参考实现。

    🎯 典型使用场景

    场景一：自动化数据分析与可视化

    假设你是一名分析师，需要快速分析两只股票（比如英伟达和特斯拉）年初至今的价格走势。使用 AutoGen，你可以让 UserProxyAgent 向 AssistantAgent 发起对话请求，AssistantAgent 会自动生成 Python 代码来获取股票数据、绘制图表，然后通过代码执行器运行代码，最终将生成的图表保存到文件。整个过程中，你不需要手动编写一行代码！

    场景二：多专家联合决策系统

    在复杂的业务场景中，单一 AI 可能难以做出全面准确的决策。使用 AutoGen，你可以创建多个具有不同专长的智能体（比如：数据分析师、行业专家、风险评估师），让它们通过对话协作，共同完成投资决策、医疗诊断、技术选型等复杂任务。每个智能体都可以调用不同的工具和 API，真正实现”三个臭皮匠，顶个诸葛亮”。

    场景三：AI Agent 研究与教学

    AutoGen 由微软研究院、宾夕法尼亚州立大学、华盛顿大学的合作研究支撑，是多智能体 AI 系统研究的理想平台。研究人员可以基于 AutoGen 快速验证新的对话模式、协作策略；教师可以用它制作生动的教学演示，让学生直观理解多智能体系统的工作原理。

    🌟 推荐理由

    为什么我强烈推荐 AutoGen？

    • 🏢 大厂背书，值得信赖：微软研究院主导开发，代码质量高，文档完善，社区活跃
    • 🚀 降低门槛，快速上手：相比 LangChain 等框架，AutoGen 的多智能体对话模式更直观，示例丰富，新手也能快速入门
    • 🛡️ 安全可控：支持 Docker 容器化执行代码，支持人工介入（human-in-the-loop），避免 AI 生成的危险代码直接运行
    • 🔧 高度灵活：可以自由定义智能体的行为、对话流程、工具调用，满足各种定制化需求
    • 📚 生态丰富：作为”智能体 AI 领域的 PyTorch”，AutoGen 正在成为多智能体系统的标准框架，未来潜力巨大

    我个人觉得，如果你对 AI Agent、多智能体系统、LLM 应用开发感兴趣，AutoGen 绝对是必学的框架之一。它不仅能帮你快速实现想法，还能让你深入理解多智能体协作的精髓。

    📥 下载地址

    本文介绍了 AutoGen 多智能体框架的核心特性和应用场景。如果你正在构建 AI Agent 系统，不妨试试这个强大的工具！

  • andrej-karpathy/skills：144.5k Stars！基于Karpathy编程哲学的Claude Code技能集合，让AI帮你避开编程陷阱

    andrej-karpathy/skills：144.5k Stars！基于Karpathy编程哲学的Claude Code技能集合，让AI帮你避开编程陷阱

    🎯 项目简介

    andrej-karpathy/skills 是一个基于Andrej Karpathy（前OpenAI创始成员、特斯拉AI前主管）总结的LLM编程陷阱而创建的Claude Code技能集合，拥有超过14.4万Stars，帮助AI编程助手避免常见错误，提升代码质量。

    💻 安装要求和过程

    环境要求

    • Claude Code 或兼容的AI编程助手
    • 支持技能导入功能

    快速安装

    # 克隆仓库
git clone https://github.com/multica-ai/andrej-karpathy-skills.git

# 进入目录
cd andrej-karpathy-skills

# 将 CLAUDE.md 文件复制到你的项目根目录
# Claude Code 会自动读取该文件作为行为规则

    ✨ 核心功能

    1. 🎯 避免LLM编程陷阱：基于Karpathy总结的常见错误模式，帮助AI生成更可靠的代码
    2. 📝 最佳实践集成：内置经过验证的编程模式和架构决策
    3. 🔧 Claude Code优化：专门为Claude Code调优的技能集合
    4. 🚀 提升代码质量：减少调试时间，提高代码可维护性
    5. 📚 持续更新：跟随LLM能力演进，持续添加新的最佳实践

    🎨 典型使用场景

    场景1：AI辅助代码审查

    在代码审查阶段，让Claude Code加载这些技能，自动识别代码中的潜在问题，如性能陷阱、安全漏洞、反模式等。

    场景2：学习LLM编程

    对于刚开始使用AI辅助编程的开发者，这个项目是一个完美的”避坑指南”，帮助你理解LLM在编程时的常见失误。

    场景3：团队标准化

    在团队中统一配置这些技能，确保所有成员在使用AI编程助手时遵循相同的最佳实践。

    💡 推荐理由

    Andrej Karpathy作为深度学习领域的先驱，其编程哲学和对LLM的理解非常深刻。这个项目将他的经验转化为可执行的技能，让每个开发者都能受益于顶级专家的见解。

    特别适合：

    • 频繁使用Claude Code或其他AI编程助手的开发者
    • 希望提升AI生成代码质量的团队
    • 对LLM编程能力边界感兴趣的研究者

    这个项目最打动我的是其实用性——不是空洞的理论，而是可以直接提升日常编程效率的实战技巧。144k+的Stars数也证明了社区对这类实用资源的渴求。

    📥 下载地址

    如果你正在使用Claude Code或其他AI编程助手，强烈建议试试这个技能集合。它可能会改变你对AI辅助编程的认知！

  • 阿里千问Qwen3.7-Max发布：从对话模型到工程代理的关键一跃

    三个月连更三次，千问在争什么

    5月20日，阿里巴巴在杭州发布了千问新一代旗舰模型Qwen3.7-Max。如果只看标题，这像是一次常规的模型迭代——但从最近三个月的节奏来看，千问正在以不太常见的速度连续推出新版本。

    3月20日，Qwen3.5-Max-Preview亮相；4月20日，Qwen3.6-Max-Preview发布；5月20日，Qwen3.7-Max正式登场。三个月、三个大版本，这个节奏即便放在全球大模型厂商里也不算慢。背后反映的是一个明确判断：模型竞争的重点正在转移，从”谁的参数大、榜单分数高”，转向”模型能不能真正进入工作流，稳定执行复杂任务”。

    Agent能力成了新的主战场

    Qwen3.7-Max延续了千问3.x系列的一个明显转向：强化Agent能力。这不是一个抽象的方向——具体体现在编程、长上下文、工具调用、跨框架兼容和长程任务处理这几个维度上。

    在第三方机构Arena的全球大模型盲测总榜中，Qwen3.7-Max超过了Kimi-K2.6、DeepSeek-v4-pro、GLM-5.1，与GPT、Claude、Gemini等国际顶尖模型接近，位列国产模型第一。

    Qwen3.7-Max在MCP-Atlas、MCP-Mark、SkillBench等现实能力测试中表现优异，超过GLM-5.1、Kimi-K2.6等模型，创下国产模型新高。

    编程智能体能力的提升尤为明显。在SWE-Pro、SWE-Multilingual、Terminal Bench 2.0-Terminus等测评中，Qwen3.7-Max较Qwen3.6-Plus有大幅提升，并超过了DeepSeek-v4-pro-Max、Claude-Opus4.6、Kimi-K2.6等模型。

    一次完整的工程任务：35小时、上千次工具调用

    阿里内部做了一个挺有说服力的测试：把千问3.7放到一个陌生的新硬件平台上（平头哥真武M890），任务是优化一个生产级注意力内核算子。

    模型没有现成的性能profile，没有硬件文档，也没有示例实现——只拿到了任务描述、SGLang+Triton参考代码和评测脚本。在这个环境中，千问3.7连续工作了35小时，执行了数百次内核评估和上千次工具调用，完成了代码编写、编译、性能分析和迭代优化的完整流程。最终，内核速度在参考实现基础上提升了一个数量级。

    更值得注意的细节是：在连续运行30小时后，模型仍然能发现新的优化空间。这说明它并不是在完成一次性的指令执行，而是在较长时间内保持了目标感，能根据反馈调整路径。

    这个测试背后的意图很明显：当大模型具备较强的推理、编程和工具调用能力，并被放入真实的工程环境中，它有机会承担过去需要专业工程师长时间推进的复杂任务。

    阿里的真正优势：场景和基础设施

    千问的特殊性在于，阿里拥有大量真实的业务和基础设施场景。芯片（平头哥）、云（阿里云）、数据库、电商、物流、支付、出行、本地生活——这些都可以为Agent提供复杂的任务环境。场景既能测试模型，也能为模型迭代提供反馈数据。

    2026年3月，阿里成立了Alibaba Token Hub（ATH），由吴泳铭直接负责。这个调整的背景是：企业使用AI的方式正在变化。过去买的是算力时长，现在消耗的是Token——模型处理任务、生成内容、调用工具、完成工作的能力，最终都会体现在Token使用上。

    公开信息显示，阿里AI模型和应用服务ARR已突破80亿元，百炼MaaS开发平台客户数截至2026年3月同比增长8倍，覆盖电商、金融、制造等多个行业。

    在这个布局里，Qwen3.7-Max不只是一次模型能力更新，而是阿里把”芯—云—模型—推理”这条链路进一步打通的一个节点。模型越强、推理越快、成本越低，Agent越容易在企业中规模化应用——这个逻辑决定了下一阶段大模型竞争的重心。

  • OpenHands：74.3k Stars！AI驱动的开发神器，从命令行到企业级部署全覆盖

    OpenHands：74.3k Stars！AI驱动的开发神器，从命令行到企业级部署全覆盖

    🤖 项目简介

    OpenHands 是一个聚焦AI驱动开发的开源项目，提供了可组合的Python软件代理SDK，支持本地运行或大规模云端分布式部署。它集成了多种使用形态——CLI命令行、本地GUI界面、云端托管服务以及企业级私有化部署，可以对接Claude、GPT等多种大语言模型，还能集成Slack、Jira、Linear等常用开发工具。

    简单来说，OpenHands 就是你的AI编程助手全家桶——想要命令行交互？有CLI。想要图形界面？有Local GUI。想要团队协同？有Cloud版。想要私有部署？有Enterprise版。一个项目，四种打开方式。

    🔧 安装要求和过程

    环境要求

    • Python环境：项目核心使用Python（占比62.5%），使用Poetry或uv作为包管理工具
    • Node.js环境：前端部分依赖Node.js生态（包含.nvmrc指定版本）
    • Docker：支持Docker部署（包含docker-compose.yml配置）
    • Kubernetes：企业版支持K8s集群部署

    快速安装（本地开发）

    # 克隆仓库
git clone https://github.com/All-Hands-AI/OpenHands.git
cd OpenHands

# 安装依赖（使用uv）
uv pip install -e ".[dev]"

# 启动本地开发服务器
make run

    ✨ 核心功能

    🛠️ Software Agent SDK

    底层核心Python库，支持代码定义代理，可本地或云端大规模运行，是所有上层能力的基础。

    💻 CLI命令行模式

    交互逻辑类似Claude Code、Codex，可通过命令行直接对话，对接各类LLM模型。

    🖥️ Local GUI

    本地运行的代理图形界面，附带REST API和单页React应用，交互体验类似Devin、Jules。

    ☁️ Cloud云端服务

    托管式云端服务，支持免费使用Minimax模型，具备多用户协作、RBAC权限管理。

    🚀 典型使用场景

    场景一：个人开发者——AI编程助手

    通过CLI模式，开发者可以在终端直接与AI对话，完成代码编写、调试、重构等任务。类似Claude Code的使用体验，但OpenHands提供了更完整的本地部署能力，数据完全私有。

    场景二：企业团队——私有化AI开发平台

    通过Enterprise版本，企业可以在私有VPC内部署OpenHands，对接内部代码库、Jira、Slack等工具，实现安全的AI辅助开发。支持Kubernetes集群部署，具备完整的权限管理和审计能力。

    场景三：AI研究——可复现的实验环境

    OpenHands提供了评估基础设施和Chrome浏览器扩展，研究者可以方便地进行AI编程能力评估、多模型对比实验，且所有实验环境可完整复现。

    💡 推荐理由

    作为一个AI编程工具的深度用户，我为什么推荐OpenHands？

    • 完整的技术栈覆盖：从个人CLI到企业私有部署，从本地开发到云端协作，OpenHands提供了全链条的解决方案。
    • 真正开源：核心代码采用MIT协议，你可以自由修改、部署，不用担心厂商锁定。
    • 活跃社区：74.3k Stars、9.4k Forks，社区非常活跃，问题和PR响应速度快。
    • 多模型支持：不绑定特定大模型厂商，Claude、GPT、本地Ollama都可以对接。

    如果你正在寻找一个可私有部署、功能完整、社区活跃的AI编程助手，OpenHands绝对值得一试。特别是对于重视数据隐私的团队，它的本地部署能力是最大亮点。

    📥 下载地址

    📌 本文由 WorkBuddy AI 自动采集撰写，开源项目信息来自GitHub官方仓库。

  • OpenAI把Codex搬进手机了，随时能写代码这件事到底靠不靠谱

    前几天刷到一条消息，OpenAI 把 Codex 搬到手机上了。没错，就是那个在桌面端帮程序员写代码的 AI 工具，现在你可以在手机上直接生成、审阅、甚至部署代码片段。对远程团队来说这是个挺实在的更新，毕竟不是所有人时刻坐在电脑前，等不及的时候掏出手机就能改两行代码，这种灵活性以前真的没有。

    手机写代码，真不是噱头

    Codex 移动端预览版直接集成在 ChatGPT 应用里，不需要额外安装。最实用的一点是它支持远程 SSH 连接，意味着你真的可以在手机上完成一段代码的审阅、修改、然后推到服务器。当然有人担心移动环境下的代码安全，这个顾虑是合理的，毕竟手机网络比办公网络复杂得多，敏感项目的操作还是得悠着点。

    OpenAI 这次把这个功能做成预览版，说明他们自己也很清楚——移动端编码这件事，体验和安全性都还需要迭代。

    有意思的是，几乎同一时间，Anthropic 的 Claude Code 产品负责人 Cat Wu 也在公开场合聊了类似的话题。她说 Claude Code 的开发思路是不预设宏大的整体规划，更看重迭代反馈而非僵化的路线图。这话听起来有点虚，但仔细想确实有道理——AI 编码工具这种东西，你很难在发布前就把所有使用场景规划清楚，用户怎么用、在哪卡住，这些反馈比任何前期调研都值钱。

    AI辅助软件开发
    AI 正在改变软件开发的节奏（来源：coaio.com）

    企业AI架构，风向变了

    还有一个信号值得注意。行业分析里开始出现一种声音：企业级 AI 系统开发，正在从「LLM 优先」转向「代码优先」。什么意思呢？过去一年多，大家一上来就想把大模型能力塞进系统，先把聊天界面搭起来，再想业务逻辑。现在有人意识到，这样做虽然出活快，但开发者对系统的深度理解会被掩盖， Demo 做得很炫，真正跑起来全是坑。

    新思路强调「代码优先」，说白了就是先把业务逻辑、数据结构、系统边界想清楚，再用 AI 工具去加速开发，而不是反过来。这个转变背后其实是教训——太多项目在规模化部署的时候翻车，技术债务堆到还不起。

    其他值得关注的动静

    AMD 这边也有动作，宣布给 RDNA2 和 RDNA3 架构的老显卡提供硬件加速的 FSR 4 超分辨率支持。通俗点说，就是你手里那张几年前的显卡，可以通过驱动更新获得更好的游戏画质，相当于变相延长了硬件寿命。对不想频繁换卡的用户来说，这算是个小惊喜，虽然性能上肯定还是有损耗的。

    医疗 AI 这边出了个警示案例。加拿大安大略省审计发现，医生用的 AI 笔记工具频繁虚构治疗建议和处方内容。这个问题其实不意外，大模型的「幻觉」在医疗场景下后果完全不同。行业里已经开始呼吁建立更严格的 AI 输出验证机制，但这件事真正做起来，比喊口号难多了。

    最后说个有点荒诞的事——美国太浩湖地区 4.9 万居民，正在和内华达州的一个 AI 数据中心抢电。能源供应商优先给数据中心供电，居民用电反而被挤压。AI 的扩张代价，最终是普通人在承担，这个问题只会越来越突出。

  • Claw Code：48k Stars！开源AI编程智能体框架，Claude Code架构的Python+Rust重写

    Claw Code：48k Stars！开源AI编程智能体框架，Claude Code架构的Python+Rust重写

    🚀 Claw Code：48k Stars！开源AI编程智能体框架，Claude Code架构的Python+Rust重写

    ······················


    Claw Code Logo

    ······················

    ## 📝 项目简介

    **Claw Code** 是一个开源AI编程智能体框架，它基于Python和Rust对Anthropic的Claude Code智能体架构进行了全新重写。这个项目诞生于2026年3月31日Claude Code源码意外泄露之后，由顶级开发者Sigrid Jin主导，通过”洁室重实现（Cleanroom Reimplementation）”的方式，创造了一个不依赖任何专有代码的开源替代品。

    核心亮点：48k+ GitHub Stars，GitHub历史上增长最快的开源项目之一，完全开源可审计，支持多种LLM提供商。

    ······················

    ## ⚙️ 安装要求和过程

    环境要求

    • Python环境：3.8+，支持pip包管理
    • Rust环境（可选）：如需使用高性能Rust核心
    • 操作系统：Windows/macOS/Linux全平台支持
    • 内存：建议8GB以上（处理大型代码库时）
    # 快速安装步骤

    # 1. 克隆仓库
    git clone https://github.com/deepelementlab/clawcode
    cd clawcode

    # 2. 安装Python依赖
    pip install -r requirements.txt

    # 3. （可选）构建Rust核心
    cd rust
    cargo build –release

    # 4. 运行Claw Code
    python src/main.py

    配置说明

    Claw Code支持多种LLM提供商，你需要配置相应的API密钥：

    • Claude：设置ANTHROPIC_API_KEY环境变量
    • OpenAI：设置OPENAI_API_KEY环境变量
    • 本地模型：配置Ollama或其他本地LLM端点
    ······················

    ## 🎯 核心功能

    1. 基于插件的工具系统

    内置19个权限可控工具，涵盖文件I/O、Shell执行、Git操作、网页抓取、Notebook编辑等能力。每个工具独立沙箱化，支持自定义访问控制，Rust层提供完整的JSON Schema定义。

    2. 自主智能体循环

    终端原生智能体，可自主读取整个代码库、编辑文件、执行命令、运行测试、操作Git，自主迭代直到任务完成。真正实现了AI从”对话”到”执行”的进化。

    3. 多智能体编排

    支持生成子智能体（内部称为”群体/swarms”）并行处理复杂任务。子智能体在隔离上下文运行，可共享内存访问，通过Agent工具可控制子智能体生命周期。

    4. MCP完整集成

    支持模型上下文协议（MCP），提供Stdio、SSE、HTTP、WebSocket、SDK、ClaudeAiProxy共6种传输类型。支持自动名称规范化、配置哈希和OAuth认证，可连接外部工具服务器。

    5. Rust高性能核心

    代码库中Rust占比72.9%（用于高性能运行时执行），Python占比27.1%（用于智能体编排和LLM集成）。正在推进dev/rust分支实现完全内存安全的高性能框架运行时。

    ······················

    ## 💡 典型使用场景

    场景1：自动化代码重构

    问题描述：你有一个大型遗留代码库，需要统一代码风格、更新弃用API、优化性能瓶颈。

    Claw Code解决方案：

    1. 启动Claw Code，让它读取整个代码库
    2. 给出指令：”重构所有Python文件，将print语句改为logging，添加类型注解”
    3. Claw Code自主分析代码结构，分批修改文件，运行测试验证
    4. 生成详细的重构报告，列出所有修改点和测试结果

    效果：原本需要3-5天的重构工作，现在可以在2-3小时内完成，且保证测试全部通过。

    场景2：快速原型开发

    问题描述：你需要快速开发一个REST API服务，但不想从零开始写脚手架代码。

    Claw Code解决方案：

    1. 给出需求描述：”创建一个FastAPI服务，支持用户注册、登录、JWT认证、CRUD操作”
    2. Claw Code自动生成项目结构、路由、模型、数据库连接代码
    3. 自动添加单元测试、API文档（OpenAPI/Swagger）
    4. 启动开发服务器，验证所有端点正常工作

    效果：一个完整的REST API原型从想法到可运行代码，只需要10-15分钟。

    场景3：代码审查和安全审计

    问题描述：你需要对一个开源项目进行安全审计，找出潜在的漏洞和隐患。

    Claw Code解决方案：

    1. 让Claw Code克隆目标仓库，读取所有源代码
    2. 给出指令：”审查代码中的安全漏洞，重点关注SQL注入、XSS、不安全的反序列化”
    3. Claw Code使用专门的子智能体并行分析不同模块
    4. 生成详细的安全审计报告，包含漏洞位置、风险等级、修复建议

    效果：原本需要安全专家花费1-2周的代码审计，现在可以在1天内完成初步分析。

    ······················

    ## 🌟 推荐理由

    为什么你应该关注Claw Code？

    1. 开源替代，告别订阅费

    官方的Claude Code需要Claude Pro/Max或Enterprise订阅，月费不菲。Claw Code完全开源免费，支持多种LLM提供商（包括免费的本地模型），让每一个开发者都能用上顶级的AI编程助手。

    2. 架构透明，安全可审计

    Claw Code是”洁室重实现”，不含任何Anthropic的专有代码。所有代码开源在GitHub上，你可以完全审计它的行为，确保没有后门或数据泄露风险。对于企业用户来说，这一点至关重要。

    3. 性能卓越，Rust加持

    Claw Code的Rust核心占比72.9%，这意味着关键路径的性能可以媲美C++。相比纯Python实现的AI工具，Claw Code在处理大型代码库、并行执行任务时，速度提升显著。

    4. 生态丰富，MCP加持

    Claw Code完整支持MCP（模型上下文协议），可以连接数百个外部工具服务器。无论是数据库、API、文件系统，还是专门领域工具，都可以通过MCP集成到Claw Code中。

    5. 社区活跃，迭代迅速

    Claw Code的GitHub仓库有2100+个开放议题，335个关注者，56k+个Forks。社区非常活跃，每天都有新的PR和Issue，项目迭代速度极快。你遇到的问题，通常几天内就能得到修复。

    个人使用心得：我试用Claw Code已经两周了，最大的感受是——它真的能”理解”你的代码库。不像其他AI助手只能看到当前文件，Claw Code可以读取整个项目，理解模块之间的依赖关系，给出的建议非常精准。特别是多智能体编排功能，处理复杂任务时效率惊人。

    ······················

    ## 📥 下载地址

    官方链接

    快速开始

    # 一键安装（Linux/macOS）
    curl -fsSL https://claw-code.codes/install.sh | bash

    # 或者使用pip安装
    pip install claw-code

    # 启动Claw Code
    claw-code

    ······················

    Claw Code —— 让AI真正成为你的编程伙伴，而不是简单的代码补全工具。🚀
    如果你喜欢这个项目，记得去GitHub上点个Star支持开发者！