Goose：能自己跑命令的开源编程代理

一个能装依赖、跑命令、改代码并自己验证结果的开源编程代理。

多数 AI 编程工具停在"建议"这一步：它给你一段代码，你去复制、粘贴、跑测试。Goose 把这条链路往后推了一格——它跑在你自己机器上，能读文件、执行命令、安装依赖、跑测试，把"改完"变成"改完并验证"。项目用 Rust 编写，Apache-2.0 许可，GitHub 星标 56,439（以 GitHub 为准）。模型不绑定厂商，接哪家的 Key 都行。需要注意仓库已从早期的 block/goose 迁到 aaif-goose/goose，老克隆地址会重定向。

核心能力

1. 从"写代码"推到"跑通代码"

普通补全工具只在编辑器里给你几行建议，剩下的编译、装包、改配置、跑测试全靠你自己。Goose 的执行链路是完整的：它能在项目目录里创建文件、修改文件、执行 shell 命令，然后把命令输出读回来判断下一步。典型场景是"把项目从旧版本依赖升级到新版本"——它会先看 lock 文件，改配置，装依赖，跑一次构建，报错后自己回去再改。整个过程你可以在会话里看到每一条命令和每一处 diff，不满意随时打断。

2. 模型自由，本地也能跑

Goose 本身不带模型，它只负责编排。你可以在设置里接 Anthropic、OpenAI、Gemini 的 API Key，也可以指向本机跑的 Ollama 或任何 OpenAI 兼容端点。这一点对内网、涉密项目很关键：代码不出机器，模型也在本地，整条链路可离线。对企业用户来说，这也意味着成本可控——用哪个档位的模型、跑多少量，全在你自己手里。

3. 用 MCP 把外部系统接进来

仓库的话题标签里明确列了 mcp，说明它原生支持 Model Context Protocol。接上数据库 MCP，它就能边改代码边查真实表结构；接上浏览器 MCP，它能在改完前端后自己打开页面确认渲染；接上 issue 系统的连接器，它可以直接按工单描述动手。相比把上下文贴进提示词，MCP 拿到的是实时、结构化的数据，幻觉会明显少一些。

4. 执行过程可审阅、可中断

Agent 类工具最大的顾虑是"它到底动了什么"。Goose 把命令、文件改动、工具调用都摊在会话里，每一步都能看到输入和输出，长任务也能中途喊停。实际使用建议先在 Git 干净的分支上跑，让它一次只做一件事，出问题直接看 diff 回滚。

使用上手

1. 打开 https://goose-docs.ai/ ，按你的系统选桌面版安装包或命令行安装方式，装完先确认能启动。
2. 首次进入设置里选模型供应商：想全本地就填 Ollama 地址，想用云模型就粘贴对应厂商的 API Key，保存后发一句问候确认连通。
3. 在终端里 cd 到目标项目目录，再启动 Goose，让它继承当前工作目录——不要在家目录下起会话，否则它扫描的文件范围会失控。
4. 先给任务再给约束：例如"先只读代码，告诉我登录逻辑在哪几个文件，不要改"。确认它定位正确后，再让它动手。
5. 任务完成后看三样东西：改动 diff、它跑过的测试命令、以及测试输出。三者都对得上，才算这次任务结束。

优点与不足

优点

• 开源可改，Apache-2.0 许可，出问题能自己看源码定位。
• 模型不锁定，本地模型与云端模型可以按任务切换。
• 执行链路完整，装依赖、跑测试这类"脏活"它真的会做。
• MCP 生态接得上，能连数据库、浏览器、工单系统。

不足

• 需要自己准备模型和 Key，开箱即用的门槛比商业 IDE 高。
• Agent 自主执行有风险，必须在受控目录、干净分支上跑。
• 文档以英文为主，中文教程偏少。
• 版本迭代很快，界面和配置项会变，网上的旧教程容易对不上。

适合谁

• 想把 AI 编程能力接进自有流程、又不想被单一厂商绑定的团队。
• 内网或涉密环境，只能用本地模型的开发者。
• 已经在用 MCP 连接器、希望 Agent 能同时操作代码与外部系统的工程师。
• 愿意花半小时配置、换取长期可控性的重度用户。

下载与访问

• 官网与文档：https://goose-docs.ai/
• 源码仓库：https://github.com/aaif-goose/goose
• 许可协议：https://github.com/aaif-goose/goose/blob/main/LICENSE

价格与授权

本文属于「编程」分类的 AI 资源专栏，更多评测见分类页。