Panther
PantherApex/Panther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
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。
凌晨两点，你正在赶一个重要的技术文档。屏幕角落，一个 Telegram 机器人在安静地工作——帮你抓取最新的行业资讯、整理文件夹里的 PDF 报告、每隔半小时自动向 Slack 频道推送一份系统监控摘要。
这一切都不是你手动操作的。你只是给它发了一条消息："帮我关注一下最近关于 AI Agent 的最新进展，有意思的整理一下。"
这就是 Panther——一个跑在你本地机器上的 Rust 写成的 AI Agent 守护进程。它不像 ChatGPT 需要打开网页，也不像某些商业 AI 助手需要把数据交给第三方。它就住在你的电脑里，用你习惯的聊天工具（ Telegram、Discord、Slack、邮件甚至 Matrix）和你对话，调用本地或云端的大模型，完成各种实际任务。
2026 年初，大模型 API 已经非常便宜和普及，但隐私问题始终是绕不开的痛点。把工作对话、个人笔记、系统操作记录发给 OpenAI 或 Anthropic，并不是每个人都愿意接受的事情。
与此同时，开源本地推理引擎 Ollama 也在快速发展，让在消费级硬件上跑 7B-70B 参数模型成为可能。但ollama 本身只是一个 API 服务器，没有 Agent 能力——它不知道该执行什么操作，也不知道怎么把结果发给你。
Panther 的作者看准了这个空白：做一个自托管的 AI Agent 核心，一头接大模型（本地 Ollama 或任意云端 API），另一头接用户日常的通讯工具。2026 年 3 月 5 日，项目在 GitHub 上线，采用 MIT 许可证，主要分支为 main。
Panther 选择了 Rust 作为唯一开发语言，这在这个赛道上并不常见。主流 AI Agent 项目（如 LangChain Agents、AutoGPT、AgentGPT）几乎清一色用 Python。Rust 带来了几个显著优势：
代价也很明显：开发门槛高，社区贡献者相对较少。项目目前仅 66 Stars、10 Forks，反映出 Rust 在 Agent 领域的影响力还有待积累。
Panther 支持 6 种消息通道，这是它区别于大多数自托管 Agent 的核心差异化能力：
| 通道 | 技术实现 | 典型场景 |
|---|---|---|
| Telegram | teloxide 库 | 日常随身用，手机打字最方便 |
| Discord | Serenity WebSocket | 团队协作，技术社区 |
| Slack | Socket Mode | 企业环境，集成现有工作流 |
| IMAP/SMTP + TLS | 低优先级通知，处理异步任务 | |
| Matrix | Homeserver Access Token | 开源社区，去中心化协议 |
| CLI | rustyline REPL | 本地调试，终端重度用户 |
每条消息经过 InboundMessage 标准化后，进入统一的 MessageBus（基于 Tokio MPSC Channel）。不同用户、不同平台的消息完全解耦，Agent 核心不需要知道消息来自哪里。
Panther 的核心推理逻辑在 crates/agent/src/loop.rs，每个对话回合的工作流程：
Iteration 0: 构建上下文
- 系统提示（操作系统、人物设定、用户 profile）
- 最近 N 条历史消息（memory_window，默认 100）
- 所有工具定义（内置 + MCP 扩展）
↓
LLM 调用 → 若无工具调用 → 输出文本，结束循环
↓
工具执行（ToolRegistry）
- 结果截断至 tool_result_truncation 字符（默认 500）
- 作为 tool role 消息追加到上下文
Iteration 1...N（最多 max_iterations=40 次）
这个结构简洁清晰，借鉴了 Anthropic 的 Tool Use 规范。所有 12 个 LLM Provider 共享同一个推理循环，切换模型只需要改一行配置。
Panther 内置了 14 类工具，覆盖了 Agent 场景中 90% 的常见需求：
sh -c（Linux/macOS）或 PowerShell（Windows）执行命令，带静态危险命令黑名单。read_file、write_file、edit_file（安全单次替换）、list_dir，支持 ~/ 相对路径。spawn 工具派生独立的后台 Agent 实例，用于长时间运行任务，主 Agent 不被阻塞。
这个功能非常有创意——Panther 内置了一个 Activity Journal（活动日志），通过 activity-tracker crate 调用操作系统原生文件监控 API（Linux: inotify, macOS: FSEvents, Windows: ReadDirectoryChangesW），记录每一次文件创建、修改、删除、重命名事件，并支持对文本、PDF、DOCX 文件内容自动提取。
有了这个能力，Agent 可以回答"我昨天下午三点那个文档改了什么？"这类问题——这是大多数 AI Agent 完全无法做到的事情。
Panther 的 Provider 层设计非常优雅：所有 Provider（从 Ollama 到 Google Gemini）都实现同一个 ProviderInterface async trait，共享完全相同的请求/响应序列化层。
| Provider | 配置 Key | 备注 |
|---|---|---|
| Ollama | ollama_host/model | 本地推理，默认 Provider |
| OpenAI | openai_key | GPT-4o 等 |
| Anthropic | anthropic_key | Claude 全家桶 |
| OpenRouter | openrouter_key | 一 Key 访问多模型 |
| Gemini | gemini_key | |
| Groq | groq_key | 快速推理 + Whisper |
| DeepSeek | deepseek_key | |
| xAI | xai_key | Grok |
| Mistral | mistral_key | |
| TogetherAI | together_key | |
| Perplexity | perplexity_key | 带内置搜索 |
| Cohere | cohere_key | Command 系列 |
切换 Provider 只需修改 active_provider 配置并重启，二进制文件本身不需要重新编译。
cargo build --release，这对非 Rust 开发者有一定门槛。llama3、mistral、qwen2.5 等可靠模型。rm -rf /、mkfs 等），但项目文档也坦承"这不是沙箱"。panther/
└── crates/
├── daemon/ # 入口：panther 二进制 + panther-install 安装向导
├── agent/ # 核心推理循环、会话管理、工具调度、子 Agent
├── bot/ # 消息通道适配器（TG/Discord/Slack/Email/Matrix/CLI）
├── providers/ # LLM Provider 实现 + 统一路由器
├── memory/ # 持久化存储：profile、历史、会话合并
├── mcp/ # Model Context Protocol 客户端（stdio JSON-RPC 2.0）
├── skill-runner/ # 自定义技能脚本的沙箱子进程执行器
├── context-engine/ # 上下文组装层（可扩展）
├── activity-tracker/ # 文件系统监控 + Activity Journal
└── shared/ # 公共类型、MessageBus、Channel trait、错误类型
架构遵循关注点分离原则：bot 层和 agent 层完全解耦，通过类型化的 MessageBus（Tokio MPSC Channel）通信。添加新消息通道只需实现 Channel trait，无需改动 Agent 核心。
Panther 不是一个赶热点的"AI 项目"，而是一个经过深思熟虑的系统工程。它的多通道接入设计、Provider 抽象层、Activity Journal 的创新，以及纯 Rust 的技术选型，都体现出作者对 Agent 系统有清晰的理解。
目前 Stars 还不高（66），可能与 Rust 的门槛以及缺乏预编译分发有关。但如果你：已经在用 Ollama、追求隐私、熟悉终端环境，或者想研究 Rust 写的 Agent 架构，Panther 是今年值得关注的一个项目。
