Aura IDE
在桌面工作区中让 AI 理解项目、修改代码、运行验证，并通过审批控制变更。
- Star 数
- ★ 56
- 最近更新
- 12 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 77/100 · 表现良好
30 秒速览
- 可在哪里用
- 通用 · 跨平台OpenAI API · Claude API
- 开始前需要
- 典型场景
- 需要在现有 Python 或其他代码仓库中完成小型改动的开发者，可让 Aura 查找待测试函数、补充测试、运行检查并解释结果。
- 主要局限
- macOS 和 Linux 只能从源码运行，而所提供材料没有给出完整、可复制的安装与启动命令。
- 源码审查
- 77/100 · 表现良好
这个 Agent 能做什么，适合哪些场景？
Aura IDE 是一款开源桌面 AI 编程应用，将对话、项目文件、源代码和执行结果集中在同一个工作区。它会读取并搜索代码仓库、跟踪引用，并调用项目工具和终端来完成修改与验证。用户可以直接让 Aura 处理任务，也可以启用 Agents，将工作拆给具有独立指令、模型和权限的助手。多个 Agent 可连接成可复用的 Team，通过图形编辑器检查、调整和再次运行工作流。应用支持 DeepSeek、OpenAI、Anthropic、Gemini 和 OpenRouter 等托管服务，也能连接 Ollama、LM Studio、llama.cpp 及兼容 OpenAI 接口的本地服务器。它适合希望保留人工差异审查、只读或计划模式以及隔离工作树控制，同时又需要多模型选择的开发者。
用户先打开项目文件夹，并在 Settings → API Keys 中配置托管服务密钥，或在 Settings → Models 中连接本地服务器。Aura 随后读取和搜索仓库、跟踪代码引用，并通过项目工具、Git 和终端执行工作；界面会显示工具活动、终端输出、检查结果、失败信息和最终报告。启用 Agents 后，它可以组建团队或调用已保存的 Team；每个 Agent 可继承 Aura 当前模型，也可选择单独配置的模型和 thinking level。Team 把多个 Agent 的任务连接成图形工作流，用户可以安排节点、编辑任务、添加分支或助手，再为新任务重复运行。可写 Agent 在隔离的 worktree 中工作，保留下来的差异由用户在 Aura 中审查并应用；启用手动审批时，也可以在写入前检查 proposed diffs。Aura 还可连接 MCP servers，并通过 Aura Companion 让手机经本地或托管 relay 浏览项目、发送消息和跟踪任务，但桌面端必须持续运行。
- 需要在现有 Python 或其他代码仓库中完成小型改动的开发者，可让 Aura 查找待测试函数、补充测试、运行检查并解释结果。
- 希望固定“实现、测试、审查”流程的团队，可把这些职责保存为可重复运行的 Team，并在后续任务中重新使用。
- 处理敏感或高风险仓库的维护者，可使用 Read Only、Plan review 或写入前手动差异审批来限制变更。
- 希望比较或组合不同模型的开发者，可在同一 Team 中混用托管模型与本地模型，并为各 Agent 单独选择配置。
- 希望从手机查看长时间编码任务的用户，可通过 Aura Companion 配对仍在运行的桌面端，浏览项目并跟踪进度。
如何安装或部署这个 Agent？
Windows 用户可从 GitHub Releases 下载并运行最新的 .exe。安装按用户执行，Python 已打包在程序中，之后可在 Aura 内获取更新。
macOS 和 Linux 需要 Python 3.10 或更高版本并从源码运行。所提供材料没有列出克隆仓库、安装依赖或启动应用的准确命令，因此无法给出可验证的命令行安装步骤。
首次使用还需要二选一：准备受支持托管服务的 API key，或启动 Ollama、LM Studio、llama.cpp 等本地服务器。本地编码所用模型或服务器必须支持 tool calling，并具有足够的上下文容量。
如何使用这个 Agent？
- 打开一个项目文件夹。
- 使用托管模型时，在 Settings → API Keys 中添加 API key；使用本地模型时，在 Settings → Models 中连接正在运行的本地服务器。
- 提交第一个小任务，例如：Find a function that needs a test, add one, run it, and explain the result.
- 查看文件变更、差异以及 Aura 报告的验证结果。
- 如需多 Agent 流程，开启 Agents，让 Aura 临时组队或选择已保存的 Team。
- 若要建立可复用流程，可要求 Aura 创建一个负责实现、测试和审查修改的工作流；创建操作只保存流程，不会立即执行。检查图形卡片并调整后，点击 Run，再提供具体任务。
- Agent 产生的可写变更会进入隔离 worktree；在 Aura 中审查并应用需要保留的修改。
这个 Agent 有哪些优点和局限？
- 同时支持五类托管服务和多种本地服务器，并允许一个 Team 中混用托管与本地模型。
- Agent 和 Team 可保存、通过对话修改，并在图形编辑器中查看任务关系、分支和职责。
- 提供写入前差异审批、Read Only、Plan review 以及隔离 worktree，便于控制代码变更。
- 把项目文件、对话、工具活动、终端输出、验证结果和失败报告放在同一桌面工作区。
- Windows 安装包自带 Python，并支持应用内更新，降低 Windows 用户的运行时配置负担。
- macOS 和 Linux 只能从源码运行，而所提供材料没有给出完整、可复制的安装与启动命令。
- 托管服务会另行收取 API 使用费，并且需要配置相应密钥。
- 本地使用依赖外部运行中的 Ollama、LM Studio、llama.cpp 或兼容服务器；模型还必须支持 tool calling 并具备足够上下文。
- Aura Companion 不能独立执行项目任务，已配对的桌面端必须持续运行。
- 材料只展示了小型 Python 项目的示例，没有提供大型仓库、其他语言或复杂多 Agent 工作流的性能与可靠性证据。
这个 Agent 与同类方案有什么区别？
与仅使用托管 API 的方案相比，Aura 也能连接 Ollama、LM Studio、llama.cpp 和兼容 OpenAI 接口的服务器，从而把模型执行放在本地；代价是用户需要自行运行服务器，并确保模型具备 tool calling 与足够上下文。托管选项覆盖 DeepSeek、OpenAI、Anthropic、Gemini 和 OpenRouter，配置较直接，但会产生各提供商的 API 费用。单个 Agent 适合可独立完成的职责，而 Team 更适合把实现、测试和审查连接成可保存、可视化并重复运行的流程。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|
| Aura IDE 当前 | 77 · 表现良好 | ★ 56 | 12 天前 | Python | OpenAI API · Claude API |
| Pi Dynamic Workflows | 88 · 表现良好 | ★ 531 | 10 天前 | TypeScript | — |
| Fusion 软件工厂 | 71 · 存在缺口 | ★ 1.2k | 今天 | TypeScript | Codex · OpenAI API · Claude API |
| Mysti AI 编程团队 | 58 · 缺口较多 | ★ 1.1k | 3 个月前 | TypeScript | Codex · Claude Code · OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
测试显示了较强的最小权限与授权边界：只读回合会拒绝可写委派而非静默降级，Agent 权限在提交时冻结，无 Agent 时不暴露委派工具，路径穿越和符号链接祖先也会被拒绝。变更集的应用与丢弃需要批准，审批后还会重新校验主工作区；隔离 worktree、检查点、日志化状态和 cleanup-pending 恢复语义为回滚提供了充分证据。README 说明了托管模型、本地服务器、MCP、终端、Git 和移动中继等主要外部通道，但未完整描述每类数据会发送到哪里、保留多久或由谁处理，因此数据流透明度和外部影响未得满分。API 密钥仅被提及为设置项，没有给出加密、存储、日志脱敏或轮换措施，敏感数据处理只能给薄弱分。依赖仅设宽松下限且未提供锁文件、供应链扫描或漏洞处置证据，依赖安全扣分。MIT 许可证和项目名称提供了来源线索，但版权主体仅写作“Aura”，且发布者身份未知，因此来源归属不是满分；未知身份本身未被当作恶意信号。
README 关于审批、隔离 Agent 工作、失败可见性和保留变更的描述，与权限策略、边界加固和事务测试相互一致。测试覆盖磁盘写入失败、锁竞争、脏工作区、缺失引用、Git 错误、审批期间竞态和清理失败，并验证结构化 failure_class 与真实状态，因此自洽性和失败消息证据充分。Python 版本、入口点及核心依赖均有声明，Windows 构建和源码安装路径也被描述；但依赖缺少上界或锁定版本，部分测试依赖 PySide6 并可能被跳过，外部模型服务、Git 和本地服务器的可用性也不受仓库控制，所以依赖可用性未得满分。
材料覆盖 Windows 桌面用户、macOS/Linux 源码用户、托管与本地模型、单 Agent 与多 Agent Team、只读、计划审查及可写工作流，受众和场景描述充分。权限枚举、根回合写入禁令、工具按上下文出现、私有子 Agent 指令不进入模型可见 roster，以及有界差异检查，清楚划定能力边界。触发控制有实现级测试，但未提供完整提示词、所有工具路由或误触发评估，因此 trigger_precision 保留扣分。环境适配支持 Python 3.10+、多家模型和 OpenAI 风格本地服务，但 Windows 获得打包安装而 macOS/Linux 需源码运行，且本地编码要求支持工具调用和足够上下文，故环境适配为中等。
README 具有清晰的入门、Agent/Team、模型、安全控制、移动端和支持入口，信息架构良好。安装说明对 Windows 较完整，并为其他平台指向安装文档，但所给材料未包含该文档的具体命令和排障内容。Aura、Agent、Team 和 change set 等命名总体一致，然而包名是通用的“aura”，版本格式“2.3.04”也较不常见，稳定性证据有限。提供了可执行式使用示例及工作流案例，但没有实际 FAQ。已说明托管 API 费用、本地服务器要求、桌面必须保持运行等限制，不过未形成完整的已知问题清单。MIT 正文完整，许可证得满分。项目声明版本并链接 Releases，但没有提供变更日志或版本兼容政策。README 给出 Issues、Discord 和赞助渠道，但没有明确维护者、支持承诺或安全联系路径；发布者也未获企业注册验证，因此维护责任仅属薄弱。
输出面向实际审查：用户可查看拟议差异、工具活动、终端输出、检查结果和失败；Agent 变更以可检查的变更集保留，二进制及超大文件会明确标注省略、大小、哈希和截断状态，因此输出可用性证据很强。可复用 Team、图形化流程、模型混用和隔离变更相较普通聊天式编码工具具有可辨识的增量价值，但材料没有比较研究或用户结果数据，故不判满分。软件本身为 MIT 且支持本地模型，同时清楚提示托管 API 另收费；不过没有 token、延迟、资源消耗或团队编排开销的量化资料，因此成本效益只能评为适当处理。
关键安全与恢复声明可追溯到针对性的测试断言，包括权限冻结、路径边界、审批、事务状态、审批后重新校验和失败分类；元数据也能核对版本、依赖、入口点和许可证，因此声明可追溯性较强。README 的核心安全说法得到多个独立测试文件交叉印证，许可证和 pyproject 也提供不同类型的佐证。扣分在于部分宣传性表述，例如“使用 Aura 开发 Aura”及示例运行成果，仅由项目自身描述或截图引用支持；材料也未总是显式区分演示、设计目标和已验证行为。
- 在提交私有代码或凭据前，应核实各托管模型、MCP 服务和移动中继实际接收的数据、保留政策及日志行为。
- API 密钥的静态材料未说明加密存储、脱敏、轮换或删除机制；应在生产使用前单独审查。
- 依赖使用宽松最低版本且未见锁文件、SBOM、漏洞扫描或安全更新政策，构建结果及供应链风险可能随时间变化。
- 隔离 worktree 和批准流程有较强测试证据，但本评估未执行程序；应在目标平台验证审批默认值、恢复流程和失败界面。
- macOS/Linux 依赖源码安装，本地模型还必须支持工具调用并提供足够上下文；应先做小范围兼容性验证。