goose
开源 AI Agent 框架，支持 CLI/桌面/API 三入口，连接 15+ 大模型与 70+ MCP 扩展
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 Agent 框架，支持 CLI/桌面/API 三入口，连接 15+ 大模型与 70+ MCP 扩展
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。
如果你的 AI 编程助手只会"给建议"，那 Goose 就是它的全面升级版——它能自己动手安装依赖、编写代码、运行测试，甚至帮你完成整个 PR 工作流。
Goose 最初诞生于美国软件公司 Block（Square 的母公司）的内部需求。工程师们在日复一日的开发中发现，市面上的 AI 编程工具大多"只会说话不动手"——能给建议，但无法真正替你完成工作。于是，Block 的团队决定自己造一个"能执行"的 AI Agent。
2024 年 8 月正式开源后，Goose 以惊人的速度在 GitHub 上积累了星标。2025 年，随着 AI Agent 赛道持续升温，Goose 正式迁移至 Agentic AI Foundation（AAIF），加入了 Linux 基金会大家庭，成为该基金会旗下最受关注的开源 Agent 项目之一。目前项目拥有超过 45,000 颗星标，是 Rust 生态中星标最高的 AI Agent 项目之一。
图1：goose 官方头像（来源：GitHub）
从时间线来看，Goose 的成长轨迹几乎与 AI Agent 概念的爆发同步。2024 年下半年 Claude Code、Aider 等工具相继亮相，而 Goose 凭借其"多入口"的产品设计（CLI + Desktop + API）迅速脱颖而出，成为跨平台 AI Agent 的标杆项目。
Goose 提供了三种使用方式，你可以根据场景自由切换：
| 入口 | 适用场景 | 技术实现 |
|---|---|---|
| Desktop App | GUI 爱好者、设计师 | Electron + TypeScript/Vite |
| CLI | 开发者、运维工程师 | Rust 原生二进制 |
| API Server | 嵌入其他应用、CI/CD 集成 | Rust + Axum Web 框架 |
三种入口共享同一套 Rust 核心引擎，这意味着无论你在桌面端调试好了一个 Agent 配置，还是通过 CLI 跑通了一个工作流，都可以无缝迁移到 API 中嵌入使用。
Goose 不绑定任何一家模型厂商。它原生支持 15+ 主流 LLM 提供商：
同时，Goose 全面拥抱 Model Context Protocol（MCP）——这是 AI 工具互操作的事实标准。通过 MCP，Goose 可以连接 70+ 第三方工具和平台，包括文件系统、数据库、Git、浏览器自动化、云服务等。这意味着 Goose 不是一个孤立的 AI，而是一个真正能"操控工具"的 Agent。
与大多数依赖简单正则或 embedding 的 AI 编程工具不同，Goose 的代码理解层使用了 tree-sitter 进行语法解析。它支持 12+ 编程语言的 AST 分析：
Python、Rust、JavaScript、TypeScript、Go、Java、Kotlin、Ruby、Swift、Go、C++……这使得 Goose 在进行代码编辑时，能够理解代码的语法结构，而不仅仅是文本匹配。这对于处理复杂重构、跨文件修改尤其重要——它能知道一个函数在哪个作用域内、某个变量的类型是什么，而不是"猜着改"。
选择 Rust 作为核心语言，不是赶时髦，而是有明确工程考量的：
内存安全：AI Agent 需要在用户本地文件系统上执行操作（读文件、写代码、运行命令），Rust 的内存安全模型大幅降低了"AI 误删文件"或"越权访问"的风险。这是 Python 实现的 Agent 所不具备的天然安全屏障。
性能：Goose 的 CLI 二进制文件约为几十 MB，但启动时间在亚秒级，远快于 Electron 桌面应用。相比之下，基于 Node.js 的 Claude Code CLI 启动通常需要 2-3 秒。Rust 的零成本抽象让 Goose 可以同时保持高性能和低资源占用。
跨平台：Rust 编译为原生二进制后，Goose 可以直接在 macOS、Linux、Windows 上运行，无需安装运行时。官方提供了 download_cli.sh 一键安装脚本，三行命令即可完成安装。
Goose 采用了 Rust workspace 的模块化架构，将不同功能拆分到独立 crates 中：
| Crate | 职责 |
|---|---|
goose | 核心 Agent 逻辑、工具调用、任务执行 |
goose-cli | 命令行入口、交互式 REPL |
goose-server | API Server（Axum），提供 HTTP 接口 |
goose-mcp | MCP 协议实现、扩展管理 |
goose-sdk | SDK，用于从外部程序调用 Goose |
goose-acp-macros | ACP 协议的过程宏（proc-macro） |
这种架构使得 Goose 可以被深度定制——企业可以基于 goose-sdk 将 Goose 嵌入自己的产品，或者基于 goose-server 构建私有化部署的 Agent 服务。
curl -fsSL https://github.com/aaif-goose/goose/releases/download/stable/download_cli.sh | bash
安装完成后，运行 goose --help 即可验证。首次运行时，Goose 会引导你配置 LLM Provider（输入 API Key 或选择本地模型）。
Goose 提供了多阶段构建的 Docker 镜像：
# 构建阶段
FROM rust:1.82-bookworm AS builder
RUN cargo build --release --package goose-cli
# 运行时阶段
FROM debian:bookworm-slim
COPY --from=builder /build/target/release/goose /usr/local/bin/goose
ENTRYPOINT ["/usr/local/bin/goose"]
如果需要 API Server 模式，可以基于 goose-server crate 构建单独镜像：
# 编译 server
cargo build --release --package goose-server
# 运行 API Server
./target/release/goosed --port 8080
下载对应平台的桌面安装包即可。Desktop App 基于 Electron 构建，提供了比 CLI 更友好的交互体验——实时日志、多会话管理、配置可视化等。
尽管 Goose 功能强大，但也存在一些不可忽视的局限性：
1. 本地模型支持尚不完善：虽然支持 Ollama，但 Goose 的 MCP 扩展生态中，针对本地部署的工具（如本地 RAG、Embedding 服务）的集成深度不如专门为本地场景优化的项目。对于有严格数据隐私要求的企业用户，目前仍需要额外配置。
2. 文档质量参差不齐：Goose 的英文文档较为完善，但中文文档资源较少。对于国内开发者的上手体验有一定门槛。此外，由于项目迁移自 Block，部分文档中的引用和链接仍在更新中。
3. 多阶段任务稳定性：在复杂的多步骤任务中，Goose 有时会"迷路"——在多个文件之间跳转时丢失上下文，或者在某些边界条件下重复执行已完成的步骤。项目维护团队在 self-test 套件中持续改进，但 Agent 的长程推理仍是行业难题。
4. Rust 开发门槛：如果需要深度定制 Goose（如添加新的 Provider、开发自定义 MCP 扩展），需要熟悉 Rust 语言。虽然 SDK 提供了一定的扩展能力，但其灵活性不如 Python 生态的 LangChain 等框架。
Goose 的出现，填补了开源 AI Agent 生态中的一个重要空白：跨平台、高性能、可嵌入的 Agent 基础设施。
在此之前，开源 Agent 领域主要有两个方向：一是以 LangChain、AutoGen 为代表的 Python 框架，灵活但性能有限；二是以 Claude Code、Aider 为代表的专注代码场景的 CLI 工具，能力单一。Goose 则提供了一个"三合一"的解决方案——既能做通用任务，又能嵌入其他产品，同时保持了 Rust 级别的性能和安全性。
进入 Linux 基金会体系后，Goose 有望获得更广泛的社区认可和更稳定的长期维护。对于企业用户而言，这意味着一个更可预测的供应商风险——不会因为某家公司的战略调整而让 Agent 项目突然停摆。
从增长曲线来看，Goose 的星标从 2025 年初的 2 万增长到 2026 年的 4.5 万以上，保持了年均翻倍的高速增长。随着 AI Agent 逐渐从"酷炫 demo"走向生产环境，Goose 这类有明确工程目标的开源 Agent 框架，将迎来更大的需求。
本文基于 GitHub 公开信息生成，分析截止日期：2026-05-24。