MOMO CODE
一个会随你一起进化的 AI 编程代理：通过秒级经验注入与小时级权重微调的双速进化机制，持续提升编码效率。
信任：加分项 — LICENSE 含 MIT 与衍生作品声明，明确标注派生自 opencode(SST)，源码归属处理到位，得满分。用户确认方面，/refine 与 /optim semantics 明确设有人工审批门，SECURITY.md 声称有 allow/deny/ask 权限系统，但所提供的源码未见权限系统实现，仅凭文档主张，扣分。数据流方面文档声称 local-first、遥测可关闭、环境变量清单完整，达到普通使用水准；但敏感数据处理（Secret Scrubbing）仅有测试中 scrubbed 字段佐证，无实现代码，扣分。最小权限与依赖安全均无证据：无 lockfile、无依赖审计、无权限实现代码；外部影响方面 curl|bash 安装器直接改写 shell rc、daemon/sim 会运行 LLM 生成的 Python，风险面大而防护证据少，重扣。回滚尚可：提供卸载脚本、/graph resume、--dry-run。
可靠性：扣分点 — 自一致性差：README 声称 v1.0.0 与 17/17 测试通过、53 个模块，而 package. 为 0.1.1 且提供的测试文件仅 3 个，日期为 2026 年（未来日期），多处自相矛盾。依赖可用性尚可：CI（ci.yml/build.yml）执行 typecheck/build/test，Node≥20 与可选 Python 依赖均有说明。失败提示有 /sim doctor、INSTALL.md 排障指引与 PATH 修复说明，达到普通水准。
适应性：目标用户与场景（Effect 爱好者、Claude Code 迁移者、长期任务）在测试注释与 README 交代清楚；触发与开关（MOMO_NO_CC_SWITCH、MOMO_CLAUDE_CODE_INHERIT、继承默认 ON 及关闭方式）有测试佐证，明确。但能力边界几乎没有文档：自进化、MCGS、LoRA 等核心声明无实现证据也无限制说明，重扣；环境适配达普通水准（macOS/Linux/WSL、Node 版本检查）。
规范：信息架构优秀（目录、架构图、分层项目结构、环境变量表齐全），安装说明详尽含卸载与排障，均得满分。扣分项：命名不稳定（kqq Code → momo Code 改名、大小写混用、版本号不一致）；无已知限制章节；CHANGELOG 仅存在于 README 且与 package. 版本冲突；维护责任仅有 SECURITY.md 与一个无法验证的邮箱，发布者身份未知，难以确认持续维护。许可证文件本身完整（MIT+衍生声明），但注册表元数据为 NOASSERTION 且 README 引用的 NOTICE/USE_RESTRICTIONS/SECURITY.md 中前两者未提供，扣分。
有效性：输出可用性尚可：CLI 帮助、--help 无需 API key、模型分层（ultra/standard/lite）有测试覆盖与文档。边际价值方面，双速自进化、/graph、/optim 是相对 opencode 的差异化功能，设计叙述具体；但所有核心功能均无可执行验证，价值主张属未证实声明。成本收益有预算护栏（MOMO_EVOLVE_BUDGET_USD、MOMO_RLM_BUDGET、MOMO_DAEMON_MAX_HOURS），达到普通水准。
可验证性：扣分点 — 声明可追溯性弱：'25+ providers'、'53 modules'、'17/17 tests'、'0 errors' 等断言所提供的证据无法支撑（实际仅见 3 个测试文件）；事实与推断/营销混写，含无效 arXiv 链接（2604.09791）与未来日期，扣分。跨源印证尚可：CI 工作流、测试文件与 cc-switch/bridge 行为能部分印证 README 中关于继承与晋升机制的说法。
- README 声称的版本（1.0.0）、测试数量（17/17）与 package.（0.1.1）及实际测试文件数量不一致，静态审查无法证实其质量声明；引用的 arXiv 链接格式无效且日期为 2026 年，请警惕虚假或夸大的证明材料。
- 推荐安装方式为 curl|bash 远程脚本，会克隆仓库并改写 ~/.zshrc/~/.bashrc 的 PATH，安装前请先审计脚本内容。
- 文档宣称的权限系统（allow/deny/ask）、Secret Scrubbing、遥测 opt-in 均未在提供源码中见到实现，使用自进化（/evolve、/fine-tune）与 /sim（执行 LLM 生成的 Python）前请自行验证沙箱与审批逻辑。
- /daemon 与 /schedule 支持多小时自主运行，且 active goals 会注入每个会话，请在隔离环境运行并设置预算护栏。
- 许可证元数据为 NOASSERTION，README 引用的 NOTICE 与 USE_RESTRICTIONS.md 未提供，合规审查前请补齐第三方归属材料。
这个 Agent 能做什么，适合哪些场景？
MOMO CODE 是一个运行在终端的 AI 编程代理 CLI，基于 opencode 构建，核心特色是双速自进化系统（理论源自 Pioneer Agent 论文）。快速环 `/evolve` 通过 KEP 协议在秒级将成功经验蒸馏为 Tactic 卡片，用 Thompson 采样选择后注入系统提示；慢速环 `/fine-tune` 通过蒙特卡洛图搜索（MCGS）加 LoRA 在小时级改进模型权重。它支持 25+ 家 LLM 提供商（DeepSeek、智谱 GLM、Moonshot Kimi、Claude、GPT-4、Gemini 等）与任意 OpenAI 兼容自定义 API，并提供 ultra/standard/lite 三档零配置模型选择。除编程会话外，还提供递归子代理（/agent）、DAG 图引擎（/graph）、长期目标与守护进程（/goal、/daemon）、Genesis 物理仿真代理（/sim）、推理驱动的参数优化（/optim）、语音输入（/voice）以及本地服务器与仪表盘（serve）。数据全部存储在本地 ~/.momo/ 目录，代码不离开本机。当前版本 v1.0.0，README 声明采用 MIT 许可证（仓库元数据显示许可证为 NOASSERTION，采用前需自行核实）。
安装后在终端运行 momo 进入交互会话，或 momo "任务" 一次性执行。读取会话轨迹中的信号（测试通过/失败、编辑是否被接受、用户纠正），在 /evolve 中将成功模式蒸馏为 Tactic 卡片，按 Beta 分布统计并用 Thompson 采样或 UCB1 选择，注入当前任务的系统提示，--solidify 后更新统计；高置信度 Tactic 可晋升到 /fine-tune 课程。/fine-tune 执行信号挖掘、课程合成、MCGS 搜索训练管线、LoRA 微调和 Ratchet 门控。/agent 将任务分解为并行子 momo 进程并综合结果；/graph 把长任务规划为可恢复的 DAG，按拓扑层级并行执行并重试失败节点；/sim 通过持久 Python 进程驱动 Genesis 物理世界，模型输出 thought/code 在持久命名空间中执行；/optim 先读代码推断参数语义，再用带显式 _reasoning 的提议循环调参；serve 在 127.0.0.1:4097 提供 JSON API + SSE 与单文件仪表盘。配置文件为 ~/.momo/momo.c，可用 MOMO_* 环境变量覆盖提供商密钥与预算约束（如 MOMO_RLM_MAX_DEPTH=3、MOMO_RLM_BUDGET=8）。
- 希望在长期使用中让编程代理积累项目专属经验、越用越顺手的开发者——/evolve 的 Tactic 库会记录并复用成功策略。
- 从 Claude Code 迁移的用户——配置默认继承 ~/.claude/settings.、MCP 服务器和 prompts，无需重做设置。
- 需要拆解大型重构任务（如重构 provider 层并更新所有调用方与测试）并并行执行的工程师——用 /agent 或 /graph 编排子任务。
- 需要无人值守多小时的持续工作（如定期跑测试汇报、推进发布目标）的团队——用 /goal、/schedule、/heartbeat、/daemon 组合。
- 做机器人或具身仿真研究、想让 LLM 控制 Genesis 物理世界的研究者——用 /sim run 驱动控制循环并积累轨迹。
- 需要调优服务参数（如阈值、预算）并保留推理依据的工程师——用 /optim 以评估命令为反馈做语义驱动的参数搜索。
这个 Agent 有哪些优点和局限？
- 双速进化架构是差异化亮点：/evolve 秒级提示注入（Thompson 采样选策略）与 /fine-tune 小时级 LoRA 微调相互衔接，学到的策略可直接晋升为训练课程。
- 提供商无关：支持 25+ 内置提供商及任意 OpenAI 兼容 API（MOMO_CUSTOM_* 环境变量），模型档位 ultra/standard/lite 零配置切换。
- 对 Claude Code 用户迁移成本极低：默认自动继承 settings.、MCP 服务器和 prompts，可用环境变量关闭。
- 本地优先与安全护栏：代码不出本机；/refine 改进必须人工审批；子代理递归深度、预算和训练花费（MOMO_EVOLVE_BUDGET_USD）均有明确上限。
- v1.0 未提供 npm 包，安装需克隆仓库并本地构建，且仅官方支持 macOS/Linux（Windows 需 WSL）。
- 高级能力依赖外部组件：/sim 需要 Python + genesis-world，/voice 需要 sounddevice、scipy 和 OpenAI 兼容 STT 端点，/daemon 需自行用 nohup/systemd 后台化。
- /fine-tune 的 LoRA 训练有真实成本（默认预算上限 50 美元），且需要正确配置训练用 API 密钥。
- GitHub 元数据显示许可证为 NOASSERTION，与 README 声称的 MIT 不一致，商用前应核实 LICENSE、NOTICE、USE_RESTRICTIONS.md 和 SECURITY.md。
如何安装或部署这个 Agent？
前提：macOS 或 Linux（Windows 走 WSL）、Node.js ≥ 20、git、curl。推荐安装：
curl -fsSL https://momozi.cc/install | bash安装器会把仓库克隆到 ~/.momo/lib/momo-code，运行 npm install + npm run build（约 30-60 秒），在 ~/.momo/bin/momo 放置包装脚本并把该目录加入 PATH。新开终端后用 momo --version 验证。手动从源码安装：
git clone https://github.com/momozi1996/momo-code.git
cd momo-code/packages/opencode
npm install
npm run build
node bin/momo --versionnpm 包计划在 v1.1 提供，v1.0 暂不可用。卸载：rm -rf ~/.momo 并删除 shell rc 中的 PATH 行。
如何使用这个 Agent？
- 设置 API 密钥：
export MOMO_API_KEY=your-key，或按提供商设置MOMO_ANTHROPIC_API_KEY/MOMO_OPENAI_API_KEY等。2. 启动：交互模式直接运行momo；一次性任务momo "Refactor auth to use Effect"；指定模型档位momo --model ultra "复杂架构评审"（ultra/standard/lite）。3. 常用命令：momo /evolve --inject为当前任务注入已学策略，momo /fine-tune run --dry-run预览训练，momo /refine生成需人工审批的改进提案，momo /graph run "设计+实现+测试持久层"执行 DAG 任务，momo serve打开本地仪表盘（默认 http://127.0.0.1:4097）。配置写入 ~/.momo/momo.c，可设 inheritClaudeCode、evolve.budgetUSD 等选项。
这个 Agent 与同类方案有什么区别？
README 明确说明项目基于 opencode 构建，并提供从 Claude Code 的无缝迁移路径（继承 .claude/ 配置、MCP 服务器和 prompts）。与 Claude Code 相比，MOMO CODE 的差异点在于自带的 /evolve 经验快速环和 /fine-tune 权重慢速环；如果你不需要自进化能力、只想要更成熟的生态，Claude Code 或上游 opencode 可能更稳妥。