little-coder：轻量本地编码代理
为小型本地模型调优的编码代理，融合30多个扩展和测试工具，让笔记本上的小模型也能完成编码与知识库任务。
证据显示：权限控制有内置白名单和写入保护，但默认允许bash执行，且用户确认流程依赖pi。数据流透明度有限，未详细说明数据如何被处理。敏感数据处理未明确。依赖安全有overrides但未审计。外部影响有明确说明。回滚机制未明确。来源归属有作者和仓库信息。扣分：数据流透明度不足，敏感数据处理不明确，依赖安全未审计。
证据显示：README与package.json一致，依赖声明明确，但失败消息未详细说明。扣分：失败消息不充分。
证据显示：明确目标用户为小型本地模型，能力边界清晰，触发方式明确，环境适配有详细说明。扣分：无重大扣分。
证据显示：信息架构清晰，安装说明详细，命名稳定，示例和FAQ有，已知限制部分提及，许可证明确，版本和变更日志有，维护责任明确。扣分：已知限制部分不完整。
证据显示：输出可用性有说明，边际价值有基准数据，成本效益有分析。扣分：无重大扣分。
证据显示：声明有链接支持，但跨来源验证有限，事实与推断分离。扣分：跨来源验证不足。
- 默认允许bash执行，需谨慎配置权限模式。
- 数据流透明度有限，建议审查数据处理方式。
- 依赖安全未审计，建议检查依赖漏洞。
这个 Agent 能做什么，适合哪些场景？
little-coder 是一个构建在 pi 之上的开源编码代理，专为优化小型本地语言模型（如 Qwen3.6-35B-A3B）而设计。它不fork pi，而是将 pi 作为依赖，并通过 .pi/extensions/ 下的30多个TypeScript扩展、skills/ 下的30个技能markdown文件以及 benchmarks/ 中的Python基准测试框架来增强功能。核心机制包括读写防护、技能注入、输出解析、质量监控、思考预算和权限门控，确保小模型高效且安全地工作。在Aider Polyglot、Terminal-Bench和GAIA等基准测试中表现优异，均可在消费级笔记本（8GB VRAM）上本地运行。安装简单，支持多种模型提供商，但主要针对 llama.cpp 和 Ollama 本地服务器优化。
little-coder 作为终端交互式代理运行，通过命令行启动，可读取项目文件、使用内置工具（read/write/edit/bash）修改代码、执行命令，并调用子代理进行研究和深度研究。它包含计划模式、子代理分发、历史记录、会话管理等功能。基准测试工具（如 benchmarks/aider_polyglot.py）通过 RPC 启动 pi 并执行测试任务。权限系统使用白名单限制 shell 命令，确保安全。它通过 .pi/extensions/ 中的扩展注入技能和知识，并监控模型输出质量。
- 本地开发者：在无云依赖的笔记本上使用 Qwen3.6-35B-A3B 模型进行日常编码，利用其计划模式和自动上下文管理。
- 小型团队：需要在不共享代码到云端的情况下，在本地维护知识库（如医疗、运动、教育领域），使用 little-coder 阅读和更新大量 markdown 文件。
- 基准测试爱好者：研究者使用其内置的基准测试工具在 Aider Polyglot、Terminal-Bench 2.0 和 GAIA 上评估小模型性能，并参与排行榜。
- 隐私敏感场景：用户可完全离线运行，通过 llama.cpp 或 Ollama 部署小模型，避免数据外泄。
- 多机器设置：在 GPU 服务器上运行推理，通过 LAN 从笔记本电脑连接，使用 LLAMACPP_BASE_URL 等环境变量。
- AI 代理研究者：需要参考 scaffold–model fit 研究或复现论文结果的开发者，可以克隆仓库并运行基准测试。
这个 Agent 有哪些优点和局限？
- 针对小模型优化，在 8GB VRAM 笔记本上可运行，且性能超过大型云模型（Aider Polyglot 45.56% vs 基线19.11%）。
- 模块化架构：所有扩展和技能作为独立模块，便于自定义和删除，不干扰核心。
- 提供四个基准测试（Aider Polyglot、Terminal-Bench、GAIA）的完整结果，易于复现和评估。
- 安全性良好：shell 白名单、写保护、上下文管理，防止模型误操作。
- 支持多种本地模型服务器（llama.cpp、Ollama、LM Studio）和云模型，灵活性高。
- 主要依赖 pi 框架，使用 pi 的扩展模型，自定义扩展需要学习 pi 的 API。
- 安装和使用需要 Node.js 22.19+ 和 Python（基准测试），对技术栈有要求。
- 默认配置针对特定模型（Qwen3.6-35B-A3B），切换模型可能需要调整配置。
- 本地推理性能受限于硬件，大模型在无 GPU 时可能较慢。
- 社区推荐模型更新频繁，但官方 models.json 更新不频繁，需要用户自己添加。
如何安装或部署这个 Agent？
安装需要 Node.js 22.19+。使用一行脚本：curl -fsSL https://raw.githubusercontent.com/itayinbarr/little-coder/main/install.sh | bash，或通过 npm install -g little-coder 或 bun add -g little-coder 安装。安装后 little-coder 命令即可使用。
如何使用这个 Agent？
在项目目录下运行 little-coder 启动默认模型（需本地 llama.cpp 服务器，默认 http://127.0.0.1:8888/v1），或指定 --model，例如 little-coder --model anthropic/claude-haiku-4-5。使用前需设置本地 API 密钥环境变量（如 LLAMACPP_API_KEY=noop）。交互功能包括 ctrl+q 切换计划模式、f2 进行深度研究、/resume 恢复会话。模型配置可通过 ~/.config/little-coder/models.json 覆盖。
这个 Agent 与同类方案有什么区别？
与其他编码代理（如 Aider）相比，little-coder 在小模型上表现更佳，但基于 pi 的架构可能更适合熟悉 pi 的用户。