kilocode
开源AI编程智能体，支持500+模型，代码生成-自检-修正闭环，VS Code/JetBrains插
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
开源AI编程智能体，支持500+模型，代码生成-自检-修正闭环，VS Code/JetBrains插
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：Kilo Code 社交图
想象一下这个场景：你正在赶一个紧急需求，代码堆成山，Stack Overflow 的答案早已过时，而 AI 助手只能给你片段式的代码建议，修完这里又坏了那里——你是不是恨不得有个「程序员替身」帮你把活儿干了？
Kilo（Kilo Code）就是来解决这个问题的。它不是那种只会「给你写一段代码」的简单工具，而是一个完整的 AI 编程智能体（Agentic Engineering Platform）：用自然语言描述需求，它就能帮你生成代码、运行终端命令、自动检查代码质量、甚至操控浏览器做自动化测试。可以说，它是目前开源社区里最接近「AI 程序员」愿景的项目之一。
Kilo Code 由 Kilo Org 团队开发，GitHub 仓库名为 kilocode，目前已斩获超过 19,500 颗星，在 AI 编程工具分类下稳居头部梯队。项目最初脱胎于 OpenCode——一个在开发者社区中已有相当口碑的开源项目，后来演进为独立商业产品 Kilo，并与 OpenCode 保持代码层面的分支关系。
Kilo 的核心理念是「all-in-one agentic engineering platform」，即一个统一的 AI 工程智能体平台。它的目标不是替代 IDE，而是成为 IDE 的超集——在 VS Code 和 JetBrains 系列IDE中以插件形式存在，同时提供独立的 CLI 工具，让开发者可以在任何环境下使用。
从技术定位上看，Kilo 处于 AI Coding 工具链的中间层：上游是 Claude API、GPT 系列、Gemini 等大语言模型，下游是具体的代码编辑器和终端环境。Kilo 负责把这些能力串联起来，包装成可直接在开发流程中使用的智能体。从 GitHub topics 可以看出，它的野心覆盖了从 ai-coding 到 chatgpt、claude、gemini、sonnet 的全模型支持。
Kilo 的代码库采用 monorepo 结构，使用 Bun 作为统一的包管理器（版本 1.3.13），通过 Turborepo 管理多包构建。主要子包包括：
项目以 TypeScript 为主要开发语言（部分核心模块为 Rust），前端 UI 采用 React + Storybook 进行组件化管理，后端 CLI 基于 Node.js/Bun 运行。从 bun.lock 可以确认 Bun 是首选运行时。
在 AI 集成层面，Kilo 没有绑定单一模型。它通过 AGENTS.md 定义了一套工具调用规范，支持 500+ AI 模型，包括 Claude、GPT-4/GPT-4o、Gemini 等主流模型，也包括 Sonnet 等新兴模型。这种多模型策略让开发者可以根据任务类型和成本灵活切换，而不必被锁定在某个特定 API 上。
Kilo 最直观的功能就是用自然语言写代码。你可以用中文或英文描述想要实现的功能，Kilo 会自动理解需求、搜索相关上下文（在项目已有的代码库中寻找风格一致的参考）、生成代码并写入文件。这比粘贴 AI 助手的回复再手动复制粘贴要高效得多——整个过程在编辑器内完成，Kilo 会直接帮你创建或修改文件。
这是 Kilo 区别于普通 AI 补全工具的关键能力。Kilo 在生成代码后，会主动检查自己生成的代码：运行测试、执行 linter、分析逻辑漏洞。如果发现问题，它会自动修正并再次验证。整个过程不需要人工介入，直到代码通过所有检查。这种「生成→自检→修正」的闭环大幅降低了 AI 生成代码的出错率。
Kilo 可以直接在代码仓库内执行终端命令，包括 git 操作、npm/bun/pip 安装依赖、运行构建脚本、启动开发服务器等。这使得它不仅能写代码，还能帮你运行和管理项目——比如你可以说「帮我启动开发服务器并检查是否有编译错误」，Kilo 会执行命令并汇报结果。
这个功能在同类工具中相对少见。Kilo 集成了浏览器自动化能力，可以操控 Chrome/Firefox 等浏览器完成页面截图、表单填写、API 测试等任务。对于需要验证 Web UI 效果的开发者，这个功能可以大幅减少手动测试的工作量。
除了主动生成代码，Kilo 还提供实时的行内代码补全（inline autocomplete），在用户打字时实时预测下一步代码，类似于 GitHub Copilot 的补全体验，但由 Kilo 的模型调度引擎驱动。
Kilo 提供三种使用方式，覆盖从新手到高级用户的需求：
方式一：IDE 插件（推荐新手） VS Code 用户可以在 VS Code Marketplace 直接搜索「Kilo Code」安装插件，JetBrains 用户在 JetBrains Marketplace 安装对应插件。安装后登录 Kilo.ai 账号即可使用，全程图形界面，无需配置环境。
方式二：CLI 工具（推荐开发者） 通过 npm 安装全局 CLI：
npm install -g @kilocode/cli
或使用 Docker 构建独立镜像（已有 Dockerfile 支持多架构）：
docker build -t kilo ./packages/opencode
docker run --rm kilo --help
CLI 方式适合在服务器环境、CI/CD 流水线中使用，Kilo 还提供了预构建的 GitHub Actions 容器镜像（packages/containers）来加速 CI 环境初始化。
方式三：源码编译
对于需要深度定制或参与开发的用户，可以直接 clone 源码仓库，安装 Bun 后执行 bun install 即可在本地运行。源码采用 monorepo 结构，packages/opencode 包含核心逻辑，packages/kilo-vscode 和 packages/kilo-jetbrains 是两个主要插件。
硬件需求：纯 CLI 工具，不需要 GPU，主要消耗的是网络带宽（调用 AI API）和 CPU 资源。建议最低配置为 4GB 内存、1GB 磁盘空间。
Kilo 的出现让 AI 编程工具的竞争格局更加激烈。在它之前，这个赛道已经有 GitHub Copilot（微软）、Cursor（AI-first IDE）、Amazon CodeWhisperer 等成熟产品。在开源领域，Cody（Sourcegraph）、continue.dev 等也是有力竞争者。
Kilo 的差异化在于全面开源 + 多模型支持 + IDE 插件全覆盖。大多数商业产品的模型绑定是黑盒的，而 Kilo 明确表示支持 500+ 模型，用户甚至可以接入本地部署的开源模型（如 Ollama）实现离线使用。MIT 许可证也意味着任何人都可以 fork、修改、二次分发，这在企业内网场景下非常有价值。
从增长趋势看，Kilo 在不到两年时间内积累了接近 2 万 star，社区活跃度较高（Discord、Reddit、Substack 博客均有持续运营）。它也建立了完整的文档体系（kilo.ai/docs）和贡献指南，说明项目已经度过了「个人项目」阶段，进入有组织的产品化进程。
当然，Kilo 也不是完美的。首先，它是纯 CLI 和 IDE 插件工具，没有独立的 Web 界面，这意味着没有图形化的项目管理、团队协作或使用统计面板——这些是 Copilot 和 Cursor 等产品的优势。其次，由于高度依赖 AI API，Kilo 的使用成本与模型调用量直接相关，免费用户可能会遇到限流。
此外，monorepo 的构建复杂度较高，对于只想使用某一个子包（如 VS Code 插件）的用户，需要理解整个项目的构建依赖才能正确开发。文档中虽然有 CONTRIBUTING.md，但门槛不低。
Kilo Code 是一个野心勃勃的开源项目，目标是在开源世界打造一个完整的 AI 编程智能体生态。它的核心优势在于：多模型支持（500+）、全 IDE 覆盖（VS Code + JetBrains + CLI）、MIT 许可证下的完全开源、以及「生成-自检-修正」的自动化闭环。
对于 AI 爱好者，它展示了当前 AI 编程工具的能力边界；对于 AI 开发者，它是深入理解 AI Agent 架构的优质源码范本；对于企业用户，MIT 许可证提供了足够的灵活性。唯一的遗憾是没有 Web UI，在团队协作场景下体验受限。
如果你正在寻找一个开源的 AI 编程助手，或者想研究 AI Agent 在代码场景下的工程实现，Kilo 值得花时间体验和拆解。