SuperCoder 桌面编码助手
在本机代码库中完成规划、修改与审查的桌面编码助手。
- Star 数
- ★ 995
- 最近更新
- 2 个月前
- License
- MIT
- 主语言
- Rust
- FA 评分
- 48/100 · 缺口较多
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
- 需要在桌面上的既有项目中直接修改文件、查看差异并在检查点之间回退的个人开发者。
- 主要局限
- 当前没有预构建下载版,采用前需要自行从源码安装和构建。
- 源码审查
- 48/100 · 缺口较多
这个 Agent 能做什么,适合哪些场景?
SuperCoder 是一款 local-first 的开源桌面编码助手,要求用户自带模型提供商的密钥。桌面端采用 Tauri 2 与 React,作为纯 Rust Agent Core 的轻量适配层;核心提供 Ask、Plan 和 Coding 模式,以及子代理、技能、工具审批与提示词缓存。它可在选定的本地文件夹内进行就地编辑,并提供检查点与回退、差异审查、交互式终端和文件浏览器。可选的 Context Engine 是独立的 Go 索引服务,通过 tree-sitter、Qdrant、FalkorDB 与 BM25 为 codebase_search 和 codebase_graph 提供仓库级检索。当前主线需要从源码构建;v1/ 中的 2024 旧代码生成流水线已冻结,不再维护或构建。
启动后,用户在 Settings 中配置 provider 的 base_url、api_key 和 model,再创建 session、选择本地文件夹及 Ask、Plan 或 Coding 模式。桌面应用将工作交给 Rust agent core,该核心具备循环、工具、模式、子代理、技能、工具审批和提示词缓存;应用可进行 in-place edits,展示 diff review,并提供 checkpoints 和 rewind、interactive terminal 与 file explorer。启用 Settings → Context engine 后,服务会在本地以 docker compose 运行,把代码库经 tree-sitter 索引到向量、调用图和 BM25 检索结构;agent 通过 codebase_search 与 codebase_graph 查询这些结构。模型请求直接从用户机器发送到所配置的 OpenAI chat-completions 或 Anthropic Messages API。
- 需要在桌面上的既有项目中直接修改文件、查看差异并在检查点之间回退的个人开发者。
- 希望先以 Plan 模式梳理改动、再切换 Coding 模式执行的工程师。
- 处理大型代码库、希望借助调用图和词法检索定位相关代码的团队成员。
- 已有 OpenAI chat-completions 或 Anthropic Messages 兼容凭据,并希望自行选择模型提供商的开发者。
- 需要在本机代码目录中结合文件浏览器和交互式终端完成开发工作的用户。
如何安装或部署这个 Agent?
安装 Rust stable、操作系统对应的 Tauri 2 system prerequisites、Node.js 20+ 和 npm。然后运行:
cd apps/desktop
npm install
npm run tauri:dev如需构建发布包,运行 npm run tauri:build。首次启动后,在 Settings 添加 LLM provider,并填写 base_url、api_key 和 model。可选 Context Engine 需要 Docker with Compose:
cd services/context-engine
cp .env.example .env
docker compose up -d --build在 .env 中设置 SUPERCODER_OPENAI_API_KEY,然后在应用的 Settings → Context engine 中启用它。
如何使用这个 Agent?
启动桌面应用后,先在 Settings 配置可用的 LLM provider。创建一个 session,选择要处理的文件夹,并选择 Ask、Plan 或 Coding 模式即可开始。需要仓库级结构检索时,先启动 Context Engine,再在 Settings → Context engine 中开启;此时 agent 可使用 codebase_search 和 codebase_graph。修改过程中可使用检查点与回退,并通过 diff review 查看变更。
这个 Agent 有哪些优点和局限?
- 模型请求直接发送至用户配置的提供商,不经过额外的厂商后端。
- Rust agent core 与 Tauri 2 + React 桌面端分离,桌面应用只是核心的一种适配层。
- 可选 Context Engine 将 tree-sitter、向量检索、调用图和 BM25 组合用于代码库定位。
- 提供就地编辑、差异审查、检查点回退、交互式终端和文件浏览器等本地开发工作流。
- 当前没有预构建下载版,采用前需要自行从源码安装和构建。
- 必须自行提供模型服务的 base_url、api_key 与 model;模型调用仍会发送给所选提供商。
- Context Engine 需要额外部署 Docker Compose,并配置 SUPERCODER_OPENAI_API_KEY。
- 旧版 v1/ 流水线已冻结,既不维护也不参与构建。
这个 Agent 与同类方案有什么区别?
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 |
|---|---|---|---|---|---|
| SuperCoder 桌面编码助手 当前 | 48 · 缺口较多 | ★ 995 | 2 个月前 | Rust | OpenAI API · Claude API |
| Waku 编程智能体桌面端 | 69 · 存在缺口 | ★ 1.5k | 1 天前 | Rust | Codex · Claude Code |
| OpenTeams | 56 · 缺口较多 | ★ 621 | 12 天前 | TypeScript | Codex · Claude Code |
| PI-Desktop | 68 · 存在缺口 | ★ 5.4k | 今天 | TypeScript | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent?
查看各维度的扣分理由
证据显示:README 强调本地优先、自带 LLM 密钥,数据仅发送到用户选择的提供商;SECURITY.md 描述了安全模型,包括环境变量中的嵌入密钥和用户模式后端探测。但缺少明确的权限最小化设计(如工具权限分级)、用户确认机制(如工具执行前确认)的详细说明。数据流透明性有部分描述(如密钥不写入 compose 文件),但未提供完整的日志或审计。敏感数据处理有提及(如密钥仅通过设置或环境变量配置),但未详细说明加密存储。依赖安全:go.mod 列出了大量依赖,但未提供漏洞扫描或版本固定策略。外部影响:有工具审批和检查点/回滚功能,但未详细说明外部网络请求的默认策略。回滚:git-ops 提供检查点/差异/恢复,但未说明回滚的触发条件和限制。来源归属:未提供明确的第三方代码来源或许可证合规清单。
证据显示:README 和架构文档描述了核心组件,但未提供详细的错误处理或失败消息设计。依赖可用性:依赖众多,但未提供依赖的可用性保证或镜像。失败消息:未提供具体的失败消息示例或错误码。
证据显示:README 描述了多种使用场景(Ask/Plan/Coding 模式、子代理、技能、工具审批),但未提供详细的场景示例。能力边界:有说明(如本地优先、自带模型),但未明确列出不支持的功能。触发精度:未提供详细的触发条件或命令语法。环境适配:提供了构建和运行说明,但未提供不同操作系统的详细适配。
证据显示:README 提供了仓库布局和架构说明,但未提供详细的 API 文档或用户手册。安装说明:提供了从源码构建的步骤,但未提供预构建二进制。命名稳定性:未提供命名约定或版本命名规则。示例和 FAQ:未提供示例或 FAQ。已知限制:README 提到 v1 冻结,但未列出其他限制。许可证:MIT 许可证明确。版本和变更日志:未提供变更日志。维护责任:未明确维护者或贡献指南。
证据显示:README 描述了核心功能(如上下文引擎、工具审批),但未提供实际输出示例或用户反馈。边际价值:提供了本地优先和自带模型等差异化功能,但未量化。成本效益:未提供性能或成本数据。
证据显示:README 中的声明(如本地优先、图感知检索)未提供可验证的测试或基准。跨来源佐证:未提供第三方验证。事实与推断分离:未明确区分事实和推断。
- 静态审查,未执行代码,所有评分基于文件内容。
- 依赖众多,未提供漏洞扫描或版本固定策略,存在供应链风险。
- 未提供预构建二进制,安装门槛较高。
- 未提供变更日志,版本演进不透明。
- 未提供示例或 FAQ,用户上手可能困难。