Linghun（灵混）
本地优先、证据优先的 AI 编程终端，把大模型接入真实项目、真实工具、真实验证和真实权限，减少空口结论和返工。
README声称存在权限边界、路径检查、命令分类与高危写入前确认，但提供的源文件中没有可见的权限/确认实现代码，仅能按'有声明无佐证'记1分。API密钥存储在用户级provider.env并给出配置优先级，是少数可核对的处理方式（2分）。Git稳定点、回滚、远程审批均只有文字描述，未见代码或配置证据。README以'特别感谢'名义推广geek2api、core2api等第三方API中转服务并附社群号，属来源归属方面的混杂信号，扣分。
仓库package.版本为0.1.0，而README宣称已发布@linghun/[email protected]，版本自洽性存在明显矛盾（1分）。依赖可用性方面：engines锁定Node 22+/pnpm 10，CI使用--frozen-lockfile并有跨平台构建冒烟（2分）。失败消息仅见/model doctor、problems panel等描述，未见实际错误处理代码（1分）。
受众与场景描述非常充分：中文用户、Windows/PowerShell/中文路径被列为一等场景（2分）。能力边界处理相对诚实：README明确说明收益数字是架构估算而非承诺，并区分验证范围（2分）。触发精度缺少AGENTS.md清单与命令面规格，slash命令仅概述（1分）。环境适配有多平台CI矩阵与musl静态构建佐证（2分）。
文档结构清晰，白皮书与更新日志互相链接（2分）；安装说明含Node版本、npm安装、/model setup（2分）。命名稳定：linghun/Linghun双入口、@linghun作用域包一致（2分）。有工作流示例但无FAQ（1分）。已知局限有明示（2分）。Apache-2.0许可证文件完整且与package.一致（3分）。版本与变更记录：docs/updates被引用但未提供，且仓库版本与宣称发布版本不一致（1分）。维护责任：发布者身份未经验证，无CONTRIBUTING/治理文件（1分）。
输出可用性依赖'最终答案门、证据边界'等运行时机制，但证据仅有README断言（1分）。边际价值方面，防幻觉运行时是差异化主张，但收益表出现'+80%~200%'等极端估算且无测量支撑，反而削弱可信度（1分）。成本收益仅给出缓存命中率目标区间92%-96%，无对照数据（1分）。
大量关键主张（Terminal-Bench 78.43%待合并PR、96%+缓存命中、各能力域落地）无法在提供文件中追溯；白皮书与更新文档被链接但不在证据内（1分）。交叉印证有限：CI工作流确实佐证了预检查引擎、跨平台打包与协议快照的存在，但与性能/安全声明无关（1分）。事实与推断区分较好：README明确标注估算'不是精确测量或承诺'（2分）。
- README宣传的权限系统、防幻觉门控、Git回滚等核心安全机制在提供的源文件中均无实现代码佐证，静态审查只能视为未经验证的主张。
- 仓库版本号(0.1.0)与宣称发布的npm版本(0.1.30)不一致，安装前请核实实际发布物。
- Terminal-Bench 2.1得分为'待合并PR'状态，排名未被官方确认，不应作为采用依据。
- README推广geek2api、core2api等第三方API中转服务；使用此类中转意味着API密钥和流量经过第三方，存在密钥泄露与内容截获风险，请自行评估。
- 收益估算（如风险场景+80%~200%）为架构推断而非测量数据，请勿据其做采购决策。
- 发布者身份未经企业注册表验证；该工具默认在本机执行模型生成的命令，建议在隔离环境中先行试用。
这个 Agent 能做什么，适合哪些场景？
Linghun 是一个基于 TypeScript 的开源（Apache-2.0）命令行/TUI 编程代理运行时，通过 `npm install -g @linghun/cli` 安装后在本地执行。它把大模型当作推理大脑，自身充当工程化外骨骼：读文件产生 evidence，编辑经过权限和路径边界，验证结果区分 PASS/PARTIAL/FAIL/TIMEOUT/STALE/CANCELLED，agent 摘要和 job 状态不能冒充 PASS。内置 Read/Write/Edit/Bash/Git 等工具路径、代码索引（随包携带 codebase-memory-mcp 二进制）、多模型角色路由（规划/执行/审查/总结可走不同模型）、Workflow Matrix 长任务托管、受控记忆与失败学习，以及中枢调度系统。它对 OpenAI-compatible、DeepSeek、Anthropic Messages 风格端点提供流式输出、工具调用和 provider 诊断，并把 Windows、PowerShell、中文路径、多盘符环境作为一等公民。README 报告 Terminal-Bench 2.1 当前成绩 78.43%（PR 待合并，排名以官方榜单为准）；白皮书给出的缓存命中率与场景化收益均为架构估计而非承诺。
用户用自然语言（含中文）在终端发出工程任务后，Linghun 走一条主链流程：先用代码索引和 SourcePack/ReadSnippets 检索项目结构与相关文件，形成计划，高风险写入或 Bash 命令前请求权限确认，然后通过本地工具运行时修改文件，运行聚焦验证命令，检查 Git 状态并可创建稳定点（stable point）/管理 Managed Worktree，最后经最终回答闸门（final answer gate）汇报改动、验证范围和不确定项。证据侧由 EvidenceSummary、完成度检查、代码事实检查、架构/AntiCodeBlob 检查、Git 操作检查和 final answer retry/downgrade 共同约束输出。复杂任务经 Workflow Matrix 拆成 phase/slice/role，复用 /job、/fork、/agents 等入口；外部能力通过 MCP、Skills、Plugins、Hooks 以及 Capability Runtime / App Bridge（本地 HTTP connector，需 manifest + /apps connect）接入；远程通道支持企业微信、飞书/Lark、钉钉和 webhook 做通知与审批。Provider 通过 /model setup 向导配置（API base URL、key、模型、推理等级），key 存在用户级私有 provider.env，/model doctor 可诊断配置。
- Windows 上的个人开发者，希望在 PowerShell、中文路径、多盘符的真实环境里用自然语言完成修 bug、跑测试、创建 Git 稳定点的完整闭环
- 维护长期项目的专业开发者，希望项目规则（LINGHUN.md）、失败学习和受控记忆在多轮会话间保留，减少每轮重新解释和重复漂移
- 对 AI 编程输出持怀疑态度的团队，需要区分局部验证、mock 验证、真实 smoke 和未验证结论，避免被“看起来完成”的回答误导
- 需要多模型协作的工程师，希望规划、执行、审查、总结分别路由到不同模型端点（OpenAI-compatible/DeepSeek/Anthropic 风格）
- 想把长任务拆成可观察步骤、后台 job 和多智能体探索的复杂任务负责人，用 Workflow Matrix 和 handoff 保证可回滚、可交接
- 希望把企业微信/飞书/钉钉作为远程通知与审批通道，离机期间继续推进本地长任务的用户
这个 Agent 有哪些优点和局限？
- 反幻觉是运行时约束而非提示词提醒：读文件进 evidence、写文件过权限边界、agent/job 结果不能冒充 PASS，最终回答区分已验证与推断
- Windows/中文环境一等公民：双入口、PowerShell/cmd/Windows Terminal 适配、中文与空格路径处理、进程守护与有界清理，这在同类终端工具中少见
- 完整的工程闭环能力：代码索引、缓存命中率目标 92%-96%、Git 稳定点与 Managed Worktree、失败学习、Workflow Matrix 多智能体长任务托管
- 多模型无锁定：支持 OpenAI-compatible、DeepSeek、Anthropic Messages 风格端点，角色化路由，provider key 存项目外，主屏脱敏
- 项目仍处活跃开发早期（当前版本 0.1.30），README 自述多平台 native-runner 打包、远程通道产品体验、外部能力生态和公开文档尚未成熟
- 白皮书中的缓存命中率（92%-96%）和场景化收益（+5% 到 +200%）均为架构估计而非实测承诺，实际收益依赖项目、模型和任务
- Terminal-Bench 2.1 成绩 78.43% 的 PR 尚未合并，正式排名未确定，性能声称暂缺独立可验证的榜单背书
- Capability Runtime 当前仅支持 loopback HTTP connector，接入外部应用需自行实现 /linghun/capabilities 和 /linghun/execute 端点并编写 manifest，有一定集成成本
如何安装或部署这个 Agent？
环境要求 Node.js 22 或更新版本以及 npm/pnpm 等 Node 包管理器。安装：npm install -g @linghun/cli。也可直接安装发布包 @linghun/[email protected]（README 更新记录提及，含 Windows、Linux、macOS 预检引擎平台包）。
如何使用这个 Agent？
在项目目录运行 linghun（Windows 也支持 Linghun 入口），首次配置模型：在交互界面运行 /model setup，按向导填写 API base URL、API key、模型名称和推理等级；key 默认保存到用户级私有 provider.env。用 /model doctor 检查 provider 配置，用 linghun --version 检查版本。然后可直接用自然语言下任务，例如：“检查这个项目为什么构建失败，修复问题，运行相关测试，如果通过就创建一个稳定点。”启动时会检测项目中的 LINGHUN.md，缺失时运行 /memory init 可创建基础项目规则模板。