智坤代码 (ZhikunCode)
自托管开源 AI 编程助手——部署一次，浏览器全流程操控，支持多 Agent 协作与国产大模型直连。
证据显示有统一授权网关、8层Bash安全检查、敏感路径拦截、危险命令阻断、环境变量白名单、OSS发布需明确指令和高风险确认、MCP服务默认关闭等，但缺少对具体权限粒度和执行细节的深入验证。扣分：数据流透明度不足，未详细说明所有数据流向和存储位置；回滚机制仅提及Artifact declare→seal→hash验证，未说明操作级回滚；来源归属仅提及OSS凭证不包含维护者，未明确第三方代码来源。
证据显示有CI测试、运行时验证框架、状态CAS管理、会话快照等，但未提供测试结果或覆盖率。扣分：失败消息未详细说明错误处理机制和用户提示；依赖可用性未验证，仅列出依赖名称。
证据显示支持多种场景（教育、编程、办公等）、多种模型和部署方式，但未明确能力边界和触发精度。扣分：触发精度未详细说明命令解析和意图识别机制；环境适配未覆盖所有操作系统和浏览器。
证据显示有README、安装说明、示例、FAQ、MIT许可证，但缺少版本号、变更日志、已知限制和明确维护责任。扣分：命名稳定性未验证，版本号缺失；维护责任未明确，仅提供联系邮箱。
证据显示有SWE-bench评测、案例对比、性能数据，但未提供实际用户反馈或成本分析。扣分：输出可用性未详细说明产物格式和集成方式；边际价值未量化；成本效益未分析。
证据显示有SWE-bench报告、案例证据、CI验证，但未提供第三方独立验证。扣分：跨来源佐证不足，主要依赖自身报告；事实与推断分离不清晰，部分宣传性语言未明确标注。
- 发布者身份未验证，需谨慎对待其宣传性声明。
- 静态审查无法验证安全机制的实际有效性，需进行动态测试。
- 依赖安全扫描存在continue-on-error，可能忽略漏洞。
- 版本号缺失，无法确认更新路径和稳定性。
这个 Agent 能做什么，适合哪些场景？
ZhikunCode 是一款 MIT 许可的自托管 AI 编程助手，采用三端分离架构（Java 21 Spring Boot 后端、React 18 前端、FastAPI Python 服务）。它提供全功能 Web UI 与命令行工具 (aica)，支持在浏览器中完成权限审批、方案协商和任务管控，包括手机与平板。核心特性包括三种多 Agent 协作模式（Team/Swarm/SubAgent）、8 层命令安全沙箱、统一工具授权网关、三层记忆系统、Markdown 驱动的技能系统、Java SPI 插件系统、MCP 客户端/服务器支持，以及上下文管理级联（ContextCascade）。它原生支持国内大模型（千问、DeepSeek、Moonshot、智谱 GLM、MiniMax），也可通过 OpenAI 兼容接口接入其他服务商。可选 Docker 一键部署，数据保存在本地，官方 SWE-bench Lite 基准测试达成 56.0% (168/300) 的解决率。
ZhikunCode 执行由自然语言描述的复杂任务，如编写、审查、修复和测试代码，并通过浏览器或 CLI 与用户交互。用户通过 Web UI 或 aica 命令（例如 aica "重构此函数"）提交提示。后端（Java）使用查询引擎协调 AI 循环，调用 LLM API（如阿里云 DashScope、DeepSeek），并执行诸如文件读写、Bash 命令、Git 操作、Web 搜索和 MCP 工具等工具。每个工具调用都通过 ToolExecutionGateway 获得授权，并进行 8 层安全检查。多 Agent 模式协调子代理在项目文件上执行工作，subagents 可生成补丁或交付文件。AI 还可以创建图表，生成技能/插件，并持久化记忆（个人、项目、团队），以改进未来的响应。需要 LLM API Key 作为前置条件。
- 希望在团队服务器上部署协作 AI 编程助手、且允许成员通过手机浏览器访问的开发团队，而无需任何客户端安装。
- 一名开发者使用 CLI 工具
aica在本地或 CI 环境中执行管道式代码生成或审查：cat src/main.py | aica "审查此代码"。 - 开发者需要多 Agent 协作来分离大型重构任务 (Team/Swarm/SubAgent)，以实现并行处理与定向委派。
- 用户优先选用国内 LLM 提供商（千问/DeepSeek/Minimax）且无需 VPN 即可直接连接。
- 安全敏感型开发者希望自托管，数据不离开服务器，并通过 8 层沙箱和工具级授权保护。
- 需要副驾驶的开发者，该副驾驶能进行多模态图片分析，并通过 /snap 捕获动态网页状态。
这个 Agent 有哪些优点和局限？
- 真正的浏览器优先体验，支持通过 Web UI 在手机/平板操作，无需桌面客户端。
- 支持国内主流大模型（千问/DeepSeek/Kimi/GLM/MiniMax）直连，原生且无需科学上网。
- 内置多 Agent 协作（Team/Swarm/Sub）和三层记忆系统、技能和插件。
- 8 层沙箱、统一授权网关、受保护路径（.env/.git）和细粒度权限管理。
- 自托管 (Docker) 保证数据留在你的机器上；超过 1258 个后端测试、207 个前端（vitest）测试和案例研究均有记录。
- 本地安装需设置 JDK 21、Node 22+ 和 Python 3.11-3.12（明确不支持 Python 3.13+）。
- 不提供 OpenAI/Anthropic 原生模型的直连，需通过第三方（ZenMux）配置，且需能访问这些网络。
- 与官方相比功能极多，需要阅读文档；某些功能（如浏览器全流程操控、插件沙箱）可能需更多学习成本。
- 自托管（Docker 镜像）较大；首次构建需要 15-30 分钟，需 4GB 以上内存。
- （可选）OSS 发布默认禁用，若不配置阿里云，自动上传不可用（需要 API Key）。
如何安装或部署这个 Agent？
有两种主要安装方式。（1）Docker（推荐）：克隆仓库，复制 .env.example 至 .env 并填入 LLM API Key（例如 LLM_PROVIDER_DASHSCOPE_API_KEY=sk-...），然后运行 docker compose up -d 并访问 http://localhost:8080。首次构建需要 15-30 分钟，需要 Docker 20.10+、Compose V2，建议 4GB+ 内存。（2）本地开发：需 JDK 21、Node.js 22+、Python 3.11~3.12。克隆仓库，配置 .env，运行 ./stop.sh 和 ./start.sh 以启动后端 (:8080)、Python 服务 (:8000) 和前端 (:5173)。还可选择启用 Python 服务的容器内进程，并使用可选 OSS 配置进行产物发布。
如何使用这个 Agent？
部署后，在浏览器中打开 http://localhost:8080，选择受信任的工作目录 (workspace)，然后输入一个任务，例如 '用 Elixir 编写一个 TODO REST API，包括迁移和冒烟测试并运行它'。您可以切换至开发工作台查看对话/工具历史，批准或拒绝权限请求（弹出窗口），并监控多 Agent 运行。对于 CLI，安装 Python 包，使用 aica "..." 或管道输入 cat file | aica "prompt"。使用 -f json 获取结构化输出、用 --permission-mode 指定权限模式。常用斜杠命令：/commit、/test、/fix、/review。模型可在 Web UI 中通过配置 LLM_PROVIDER_* 切换。任务在浏览器中跟踪，并在权限窗口过期前审批（300 秒）。上下文压缩/恢复自动运行。
这个 Agent 与同类方案有什么区别？
与 Aider、Cline、Cursor、Claude Code 和 Copilot 可比。优点包括完全 Web UI 操作、Docker 一键自托管、原生支持中国LLM和多 Agent 模式。缺点主要是授权沙箱的完整性，ZhikunCode 提供统一网关，而 Claude Code 提供 OS 级沙箱。SWE-bench 结果公开。