YOHO AI

标签： AI编程

  • 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 native、claude-code、kimi-cli、qwen-code、deepseek-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 macOS、MLX、Windows 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？

  • 【开源推荐】Goose：48.7K+ Stars！Linux Foundation 开源AI智能体，会动手的编程助手

    【开源推荐】Goose：48.7K+ Stars！Linux Foundation 开源AI智能体，会动手的编程助手

    Goose Logo

    Goose – 开源AI智能体 · Linux Foundation AAIF

    📦 项目简介

    Goose（鹅）是 Linux Foundation 下属 Agentic AI Foundation (AAIF) 推出的开源原生 AI 智能体，提供桌面应用、CLI 命令行、HTTP API 三种使用形态，支持接入 15+ 主流大模型，通过 MCP 协议可扩展 70+ 工具能力。核心引擎使用 Rust 构建，兼具高性能与内存安全。

    48.7K+
    GitHub Stars

    5.1K+
    Forks

    3
    使用形态

    70+
    MCP 扩展工具

    ⚙️ 安装要求和过程

    环境要求

    • 支持 macOS / Linux / Windows 三大平台
    • 桌面版：下载安装包直接安装，无需额外依赖
    • CLI 版：支持 Shell 一键脚本安装，或手动下载二进制文件
    • API 版：支持 Docker 部署，可嵌入任意应用
    • 网络要求：需能访问所配置的大模型 API 端点

    快速安装 · CLI 版（推荐开发者）

    # macOS / Linux 一键安装
curl -fsSL https://github.com/aaif-goose/goose/releases/download/stable/download_cli.sh | bash

# 验证安装
goose --version

# 交互式配置大模型
goose configure

# 启动对话
goose start

# 查看帮助
goose --help

    桌面版安装

    # 1. 访问官网下载页面
https://goose-docs.ai/docs/getting-started/installation

# 2. 选择对应平台（macOS / Windows / Linux）
# 3. 下载安装包，按引导完成安装
# 4. 首次启动会引导配置大模型服务商和 MCP 扩展

    🚀 核心功能

    🖥️ 三合一使用形态

    同时提供桌面应用（GUI图形界面，适合日常使用）、CLI 命令行（适合开发者终端集成）、HTTP API（适合嵌入应用或自动化流程）三种方式，覆盖从个人到企业的全场景需求。

    🤖 15+ 大模型服务商支持

    兼容 Anthropic (Claude)、OpenAI (GPT)、Google (Gemini)、Ollama (本地模型)、OpenRouter、Azure、AWS Bedrock、Groq 等 15+ 主流大模型平台，灵活切换，按需选择，API Key 或已有订阅均可接入。

    🔌 MCP 协议扩展（70+ 工具）

    基于 Model Context Protocol (MCP) 开放标准，可接入 70+ 扩展工具，包括文件系统操作、数据库查询、Web 搜索、Git 操作、Slack/飞书消息等，让智能体能力无限延伸。

    🏗️ Rust 高性能核心

    核心引擎使用 Rust 编写（代码占比 64.3%），内存安全、运行高效，支持长时间稳定运行。前端界面使用 TypeScript（29.2%），兼顾性能与开发效率。Apache 2.0 开源协议。

    📦 自定义分发

    支持基于 Goose 构建自定义分发版本，可预配置大模型服务商、MCP 扩展、品牌信息，适合企业内部分发或构建专属 AI 助手产品。

    💡 典型使用场景

    场景一：AI 辅助全栈开发

    在 CLI 模式下，Goose 可以直接参与代码编写、调试、测试、依赖管理全流程。例如对它说”帮我给这个项目加上 Redis 缓存，需要修改哪些文件，依赖怎么装”，它会读代码、写代码、改配置、告诉你步骤，一条龙搞定。相比 GitHub Copilot 只做代码补全，Goose 可以自主执行命令、创建文件、运行测试，是一个真正能”动手”的编程助手。

    场景二：研究 & 自动化工作流

    配置好 Web 搜索和文档读取的 MCP 工具后，Goose 可以自动完成资料检索、信息汇总、方案对比等研究任务。例如：”帮我调研 Rust 中所有成熟的向量数据库 crate，对比性能和易用性，给出推荐”，Goose 会自动搜索、阅读文档、整理对比表格，最后输出一份完整报告。

    场景三：企业知识库问答助手

    通过自定义分发功能，企业可以基于 Goose 构建内部 AI 助手，接入私有知识库（Confluence、Notion、内部 Wiki、向量数据库等），让员工用自然语言查询公司规范、技术文档、HR 政策等，且所有数据留在企业内部，满足合规要求。

    ✨ 推荐理由

    Goose 最打动我的一点是它的「真正可执行」能力——不是只给你建议，而是真的能动手帮你做。装好之后，我跟它说”帮我给这个项目加上 Redis 缓存”，它真的会读代码、写代码、改配置、告诉我还需要装什么依赖，一条龙搞定。

    另一个亮点是不绑定任何一家大模型厂商。你可以今天用 Claude，明天换 Gemini，后天试 Ollama 本地模型，配置随时切换，数据都在自己手里。加上 MCP 协议的支持，扩展能力几乎是无限的。

    作为 Linux Foundation 旗下的开源项目，Goose 的代码完全透明，社区活跃，迭代迅速。如果你在找一个能真正帮你干活的 AI 助手，而不是只会聊天的玩具，Goose 绝对值得一试。

    技术栈：Rust (64.3%) · TypeScript (29.2%) · JavaScript (1.6%) ｜
    协议：Apache 2.0 ｜
    组织：Linux Foundation AAIF ｜
    今日 Trending：GitHub 日榜
  • 【开源推荐】OpenHands：76.3K+ Stars！AI驱动的软件开发平台，让AI帮你写代码

    【开源推荐】OpenHands：76.3K+ Stars！AI驱动的软件开发平台，让AI帮你写代码

    🙌 OpenHands：AI驱动的软件开发平台

    项目地址：GitHub – OpenHands/OpenHands | Stars：76.3K+ | 官网：openhands.dev

    📌 项目简介

    OpenHands 是一个开源的 AI 驱动软件开发平台，提供三种使用方式：Software Agent SDK（可组合的 Python 库）、CLI（命令行工具，类似 Claude Code）和 Local GUI（本地图形界面，类似 Devin）。它让 AI Agent 能够理解代码仓库、执行命令、浏览网页，真正实现 AI 辅助软件开发。

    🔧 安装要求和过程

    环境要求

    • 操作系统：macOS、Linux 或 Windows（需 WSL2）
    • Python：3.11 或更高版本
    • Docker：可选，用于沙箱化运行（推荐）
    • LLM API Key：需要配置 OpenAI / Anthropic / 其他 LLM 提供商的 API Key

    快速安装步骤

    # 方式一：使用 pip 安装（推荐）
pip install openhands-ai

# 方式二：使用 Docker 运行
docker pull openhands/openhands
docker run -it --rm openhands/openhands

# 方式三：从源码安装
git clone https://github.com/OpenHands/OpenHands.git
cd OpenHands
pip install -e ".[dev]"

# 配置 LLM（设置环境变量）
export OPENAI_API_KEY="your-api-key-here"
# 或者如果使用 Anthropic
export ANTHROPIC_API_KEY="your-anthropic-key-here"

    ✨ 核心功能

    1. 🛠️ Software Agent SDK

    可组合的 Python 库，包含所有 Agent 技术。可以在代码中定义 Agent，然后在本地运行，或扩展到云端运行数千个 Agent。适合需要深度定制的开发者。

    2. 💻 CLI 命令行工具

    最快捷的使用方式，体验类似于 Claude Code 或 Codex。支持连接 Claude、GPT 或任何其他 LLM，通过命令行与 AI Agent 交互，完成代码编写、调试、重构等任务。

    3. 🖥️ Local GUI 图形界面

    本地运行的图形界面，包含 REST API 和单页 React 应用。使用体验类似于 Devin 或 Jules，可以在浏览器中可视化地与 AI Agent 交互，查看代码变更和执行过程。

    4. 🔒 沙箱安全执行

    支持 Docker 沙箱运行，确保 AI 执行的命令不会破坏本地环境。同时支持自定义沙箱配置，满足企业级安全需求。

    5. 🌐 多 LLM 支持

    不仅支持 OpenAI GPT 和 Anthropic Claude，还支持本地 LLM（通过 Ollama 等工具），以及任何其他兼容 OpenAI API 的 LLM 服务。

    🚀 典型使用场景

    场景一：🐛 Bug 修复助手

    将 OpenHands 接入你的项目，当 CI/CD pipeline 报错或有 issue 报告 bug 时，OpenHands 可以自动理解代码上下文，定位问题，并生成修复代码。开发者只需 review 和合并即可。

    场景二：📝 代码重构和文档生成

    让 OpenHands 帮你重构遗留代码、添加类型注解、生成 API 文档。只需在 CLI 或 GUI 中描述需求，OpenHands 会自动编辑多个文件，保持代码风格一致。

    场景三：🏢 企业级代码自动化

    通过 Software Agent SDK，企业可以构建自定义的 AI 开发工作流。例如：自动 code review、自动生成单元测试、自动更新依赖版本等，大幅提升团队开发效率。

    💡 推荐理由

    作为一名开发者，我试用 OpenHands 后有以下感受：

    • ✅ 降低 AI 编程门槛：以前要用 AI 辅助编程，需要自己写复杂的 prompt 和工具调用逻辑。OpenHands 把这些封装好了，开箱即用。
    • ✅ 三种使用方式，灵活选择：想要快速体验就用 CLI；想要可视化就用 GUI；想要深度定制就用 SDK。这种分层设计非常贴心。
    • ✅ 活跃的开源社区：76K+ Stars，近 10K Forks，说明社区非常活跃。文档完善，Slack 社区响应及时，遇到问题容易找到解决方案。
    • ⚠️ 需要注意：AI 生成的代码仍需人工 review，不能完全依赖。另外，使用云端 LLM API 会产生费用，建议先用量化模型或本地 LLM 测试。

    总结：如果你对 AI 辅助编程感兴趣，OpenHands 是一个非常好的起点。它比自己从零搭建 AI coding agent 要简单太多，而且开源免费，值得一试！

    📥 下载地址

    📌 本文由自动化任务采集，定期分享优质开源 AI 项目，欢迎关注！

  • Gemini CLI：101K+ Stars！Google官方开源AI终端助手

    Gemini CLI：101K+ Stars！Google官方开源AI终端助手

    📌 项目简介

    Gemini CLI 是 Google 官方推出的开源 AI 终端助手，直接将 Gemini 大模型能力集成到开发者命令行环境，让你可以像聊天一样操作代码库、自动化任务、生成应用。（101K+ Stars，TypeScript 编写，Apache 2.0 开源协议）

    Gemini CLI 截图

    Gemini CLI 终端交互界面

    💻 安装要求和过程

    环境要求

    • Node.js：建议 Node 18+ （推荐 Node 20+）
    • 包管理器：支持 npm、npx、Homebrew、MacPorts、Anaconda
    • 网络：需要访问 Google Gemini API（需 Google 账号）

    快速安装（3种方式）

    # 方式1：npx 直接使用（无需安装）
npx @google/gemini-cli

# 方式2：npm 全局安装（推荐）
npm install -g @google/gemini-cli

# 方式3：Homebrew（macOS/Linux）
brew install gemini-cli

    版本选择

    版本渠道 发布频率 安装命令
    Stable（稳定版） 每周二 npm install -g @google/gemini-cli@latest
    Preview（预览版） 每周二 npm install -g @google/gemini-cli@preview
    Nightly（每夜版） 每日 npm install -g @google/gemini-cli@nightly

    ✨ 核心功能

    1. 📖 代码理解与生成：支持查询、编辑大型代码库；支持多模态能力，可从 PDF、图片、草图生成新应用；支持自然语言调试问题、排查故障。
    2. 🤖 自动化与集成：自动化运营任务（查询 PR、处理复杂 rebase）；支持 MCP（模型上下文协议）服务器扩展能力；支持非交互式脚本运行，适配工作流自动化。
    3. 🔍 实时信息获取：内置 Google Search 接地能力，可获取实时信息，让 AI 回答更准确。
    4. 🐙 GitHub 集成：自带 GitHub Action，支持 PR 自动代码审查、Issue 自动分类标记；在 Issue/PR 中 @gemini-cli 获取即时帮助。
    5. 🛠️ 内置工具集：文件系统操作、Shell 命令执行、网页抓取与搜索、Google Search 接地等开箱即用能力。

    🎯 典型使用场景

    场景1：日常开发辅助

    快速理解现有代码库、生成新功能代码、调试问题。例如：

    # 启动 Gemini CLI
gemini

# 在交互界面中：
> 帮我分析这个项目的架构
> 给这个函数添加错误处理
> 解释一下这段代码的逻辑

    场景2：GitHub 自动化工作流

    在 GitHub PR 或 Issue 中直接 @gemini-cli，让它帮你：

    • 自动审查代码，给出改进建议
    • 分类和标记 Issue
    • 生成 PR 描述
    • 回答代码相关问题

    场景3：从零启动新项目

    使用多模态能力，从草图或需求描述快速生成应用：

    # 上传草图，让 Gemini CLI 生成应用
> 根据这个UI草图，生成一个 React 组件
> 创建一个 Discord 机器人项目

    🌟 推荐理由

    💡 个人使用心得：

    • 官方背书，值得信赖：Google 官方出品，与 Gemini 模型深度集成，更新及时，文档完善。
    • 终端原生，开发友好：直接在命令行中使用，无需切换窗口，完美融入开发者工作流。
    • 多模态能力惊艳：支持从图片、PDF、草图生成代码，这是很多其他 CLI 工具不具备的能力。
    • GitHub 集成是杀手级功能：在 PR/Issue 中直接调用，让 AI 成为团队协作的一份子。
    • 开源且免费：Apache 2.0 协议，代码完全开放，可自由定制和扩展。

    ⚠️ 注意事项：需要 Google 账号和访问 Gemini API，国内用户可能需要科学上网。

    📥 下载地址

    🦞 由 OpenClaw 自动整理发布 | 数据来源：GitHub Trending

  • 2026年AI编程助手三强对决：Cursor、Claude Code、Copilot谁更适合你

    AI编程工具这条路，走到2026年，基本成了三足鼎立的格局。Cursor、Claude Code、GitHub Copilot，各有各的打法，也各有各的受众。选哪个，说到底取决于你平时怎么写代码。

    Second Talent的统计说，82%的开发者每周都会用AI编程助手。GitHub Copilot的用户每周完成的项目数增加了126%。数字摆在这里，AI辅助编程已经不是”要不要学”的问题，而是”用哪个”的问题。

    三个工具，三种思路

    Cursor是个AI原生的IDE，底层是VS Code的分叉版。如果你已经在用VS Code，迁移过去几乎零成本，插件大部分能复用。它的特点是补全能力强，还能同时跑8个Agent并行处理任务，遇到50个文件以上的大型重构，效率提升很明显。

    Claude Code走的是另一条路——终端Agent。没有图形界面，直接在命令行里干活。适合远程开发、SSH环境，或者就是喜欢终端的开发者。它的SWE-bench Verified测试成绩是80.8%，意思是它能独立解决80%以上的真实GitHub issue。100万token的上下文窗口，可以把整个项目加载进来，连依赖关系都记得住。

    GitHub Copilot的定位最”中庸”——它是个跨编辑器插件，VS Code、JetBrains、Vim全都支持。入门价$10/月，是三家里最低的。功能偏向基础补全和简单对话，Agent能力相对弱一些，但日常开发够用了。

    59%的开发者同时使用3个以上的AI编程工具。单一工具覆盖不了所有场景，组合使用才是常态。

    定价：入门价差不多，高级档拉不开差距

    三家的入门价集中在$10-20区间。Copilot $10/月是最低门槛，还有免费层每月2000次补全额度，够用一阵子了。Cursor和Claude Code的入门价都是$20/月。

    高级方案就有意思了——Cursor Ultra和Claude Code Max 20x都是$200/月。这个价位面向的是重度用户：每天几百次调用、多Agent并行、超大上下文需求。普通开发者其实不太需要升级到这个档位。

    怎么选才不浪费钱

    如果你用VS Code且不想换习惯，Cursor是首选。$20/月换来的是零迁移成本和比较强的Agent能力。

    如果你常在远程环境开发，或者就是喜欢终端，Claude Code更合适。$20/月Pro版能处理复杂重构和跨模块改动，这是它的强项。

    如果预算紧张，或者主要用JetBrains系列（IntelliJ、PyCharm之类），那只有Copilot支持，没得选。$10/月入门版先试用一个月再说。

    最划算的组合其实是Claude Code Pro（$20/月）+ Copilot（$10/月）= $30/月。前者处理复杂任务，后者负责日常补全，分工明确，效率也高。

    话说回来，工具只是工具。真正决定代码质量的，还是写代码的人。AI能帮你省时间，但替你做决定的，还是你自己。

  • OpenAI对ChatGPT动大手术：从聊天机器人进化为超级应用

    OpenAI要对ChatGPT动大手术了。这次不是加个功能或者修个bug，而是把整个产品重新定义一遍。

    消息最先来自《金融时报》的报道，随后TechCrunch在6月7日跟进了这件事。OpenAI计划在未来几周内推出改版后的ChatGPT，定位是一个”超级应用”——里面会集成编程工具、AI智能体，以及一个真正能帮你搞定生活和工作各种事情的个人AI助手。

    OpenAI核心产品与平台负责人Thibault Sottiaux说，他们在做的产品目标是”拥有属于用户个人的AI代理，能够在个人生活和工作全场景中为用户提供帮助”。

    聊天功能已经过时了

    OpenAI内部已经有人公开说”Chat is dead”——聊天功能已经过时。这话听起来有点极端，但仔细想想，确实指向一个真问题：跟AI一问一答的聊天模式，天花板已经看得见摸得着了。

    改版后的ChatGPT会往两个方向走。一个是编程工具，把Codex更深地嵌进去，让ChatGPT不只是能聊代码，而是能真正帮你写、改、跑、调试。另一个是AI智能体，让ChatGPT能主动帮你做事，而不只是等你来问。

    这个打法明显对着Anthropic去的。Claude Code过去几个月在编程场景里抢了不少用户，OpenAI不可能没感觉。把编程工具直接集成到ChatGPT里头，等于是把流量入口和产品能力绑在一起，不让用户跑到别的地方去。

    2024年就在说，2026年才动真格

    OpenAI的”超级应用”规划其实早就有风声了，2024年就有报道。但那时候公司还在同时推好几条线——Sora视频生成器、DALL-E更新、各种独立功能——资源是分散的。

    今年3月《华尔街日报》的报道说，OpenAI内部做了一个很明确的选择：把那些”支线项目”的资源收回来，集中到核心战略上。Sora还在，但不再是优先级最高的那批。公司要上市，要讲故事给投资人听，这个”超级应用”的故事显然比”我们同时做好几个东西”要好讲得多。

    商业化算盘

    把ChatGPT做成超级应用，商业逻辑是很清楚的。现在ChatGPT有几亿免费用户，但真正付费的比例不高。如果你能让用户觉得ChatGPT不只是个聊天工具，而是工作和生活里离不开的操作系统，那付费转化率自然会往上走。

    编程工具是其中最值钱的一块。Cursor、Claude Code、GitHub Copilot都在抢这个市场，而且客单价不低。如果ChatGPT能把这部分用户吸进来，ARPU（每用户平均收入）会有明显的拉动。

    当然，这件事做起来没那么容易。做一个能真正帮用户”搞定全场景”的AI智能体，技术难度不低，产品复杂度也会大幅上升。ChatGPT现在相对来说还是一个比较简单的对话界面，变成超级应用之后，用户会不会觉得太复杂、太重，这是OpenAI需要想清楚的。

    几周之内就会看到改版后的样子。到时候是真颠覆还是只是加了两个新按钮，答案自然会出来。

  • 阿里发了款新模型，价格只有Claude的一半，性能却差不多

    阿里发了款新模型，价格只有Claude的一半，性能却差不多

    5月20日的杭州阿里云峰会上，高级副总裁刘伟光说了一句挺有意思的话：”我们正在打造中国AI工厂。”台下的人可能还没意识到，这句话背后的分量——阿里不再满足于做开源模型的社区宠儿，它要直接和Anthropic、OpenAI在企业级市场正面刚。

    “我们在各基准测试中排名靠前，超过中国所有其他AI模型。”
    ——阿里云首席AI架构师 周静仁

    当天正式发布的Qwen3.7 Max，是阿里第一款闭源旗舰模型。这个转向值得玩味：过去两年，阿里靠开源的Qwen 3.5、3.6系列占据了大量开发者生态，现在它想把这套生态转化成真金白银的企业收入。

    数字摆出来，确实有点东西

    先说硬指标。Qwen3.7 Max的上下文窗口达到100万tokens，比上一代Qwen 3.6的25.6万tokens提升了近40倍。这意味着什么？你可以把一整本技术手册、一个中等规模代码库，一次性塞进模型的”工作记忆”里，不用再做切片和向量检索。

    人工分析智能指数（AA Intelligence Index v4.0）给Qwen3.7 Max打了56.6分，综合排名第5，是发布时排名最高的中国模型。排它前面的是GPT-5.5（60.2分）、Claude Opus 4.7（57.3分），分差在误差范围内。

    换成大白话：阿里这套模型，智能水平和Claude Opus 4.7差不多，但定价只有后者的一半。

    评测维度 Qwen3.7 Max Claude Opus 4.7 GPT-5.5
    AA智能指数 56.6（第5） 57.3（第4） 60.2（第1）
    Terminal-Bench 2.0 69.7 65.4（4.6基线） 未披露
    SWE-Bench Pro 60.6 57.3（4.6基线） 未披露
    输入定价（美元/百万tokens） 2.5 5.0 5.0
    输出定价（美元/百万tokens） 7.5 25.0 30.0

    定价是亮点，但实际成本有点猫腻

    标题说”价格只有Claude的一半”，指的是官方标价。但用起来是不是真的只要一半，这里有个坑。

    Digital Applied的评测发现，Qwen3.7 Max的输出冗余度极高。在AA智能指数评测中，它一共生成了9700万输出tokens，而对比组的中位数仅为2400万tokens——是中位数的4倍。换句话说，同样回答一个问题，Qwen3.7 Max可能会输出4倍长度的”废话”。

    按7.5美元/百万输出tokens计算，同等任务下Qwen3.7 Max的实际输出成本是中等冗余度模型的2.5倍。所以标价和Claude Opus 4.7的实际差距，远没有一半那么大。

    不过，阿里给了一个挺实在的折扣：缓存输入0.25美元/百万tokens（90%折扣）。对于智能体任务（重复调用相同系统提示词），这个折扣能把成本压得很低。

    智能体编程是真本事

    Qwen3.7 Max的核心卖点是”智能体（Agent）能力”。阿里在发布会上演示了一个35小时自主运行的编程任务：模型连续运行35小时，完成1158次工具调用、432次内核评估、5次架构重设计，最终把Triton内核的几何平均速度提升了10倍。

    这个演示还没被独立复现，但基准测试成绩是实打实的。Terminal-Bench 2.0（测试多步骤智能体工作流）得分69.7，SWE-Bench Pro（真实软件工程任务）得分60.6，MCP-Atlas（模型上下文协议适配）得分76.4，均领先对比组。

    更重要的是兼容性。Qwen3.7 Max支持OpenAI兼容和Anthropic兼容两种API规范，可以适配Claude Code、OpenClaw、Qwen Code、Hermes Agent等多款智能体框架。已经用上Claude Code的团队，无需重写框架就能切换调用。

    两个地方要注意

    第一个是幻觉率。Qwen3.7 Max的AA-Omniscience幻觉率为22.9%，是同期前沿模型中最低的，较上一代Qwen 3.6的44.2%大幅下降。但这个提升部分来自”弃答策略”：模型答题尝试率从67.3%下降至48.0%，超过一半的问题它会选择”不知道”而非给出答案。

    这意味着什么？如果你做的是智能体编程，答错比弃答危害更大，Qwen3.7 Max反而有优势。但如果你做的是RAG管道、法律或医疗问答这些需要高召回率的场景，它的弃答率会让你头疼，这类场景建议用DeepSeek V4 Pro或Claude Opus 4.7。

    第二个是开源权重。阿里已公布计划推出开源的Qwen 3.7 Plus轻量版，但截至5月25日，HuggingFace的Qwen组织下仅公布了Qwen 3.6及更早版本权重，暂未放出Qwen 3.7系列权重。需要自部署的团队，目前还得用Qwen 3.6系列或者DeepSeek V4 Pro。

    战略意图比模型本身更值得琢磨

    把Qwen3.7 Max放在更大的格局里看，这事的意义不止是一款新模型发布。

    过去两年，中美AI模型之间的差距，外界普遍认为是”一个迭代周期”——大概6到9个月。Qwen3.7 Max的AA智能指数和Claude Opus 4.7只差0.7分，基本在误差范围内。这意味着，中国前沿AI已经不再落后西方实验室一个迭代周期，差距正在收窄到同一代内的不同批次。

    阿里的全栈布局也在同步推进。模型（Qwen3.7 Max）+ 自研芯片（Zhenwu M890 AI加速器）+ 智能体框架，这套组合在地缘政治压力下有特殊的战略价值——即便买不到英伟达最新芯片，阿里也有一套自己可控的技术栈。

    对于企业用户来说，Qwen3.7 Max目前是通过阿里云模型工作室、OpenRouter、Together AI、Qubrid AI四个渠道访问。建议针对自身任务子集做基准测试，结合实际冗余度调整后的成本做路由决策，而不是只看官方定价。