agentdesktop
agentdesktop-dev/agentdesktop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。
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。
2026 年,Claude Code、Cursor、VS Code Copilot、OpenCode……这些 AI 辅助编程工具早已不是什么新鲜事物。然而,当这些工具进入企业内网时,一个尴尬的问题浮现了出来:
企业安全团队想统一管理:"禁止访问 ~/.ssh 目录"、"只允许访问公司 GitHub"、"所有 AI 请求必须经过公司 LLM 网关"。但为此维护一套脚本,既要懂每个工具的路径和配置格式,又要在每次工具版本更新后手动同步——这不是治理,是债务。
Agentdesktop 就是来解决这个问题的。
Agentdesktop 是一个运行在每台工作主机上的守护进程(daemon),配合可选的**中央控制器(Controller)**提供企业级管控能力。
它的核心定位可以这样理解:
MDM(移动设备管理)是管理"设备"的层。Agentdesktop 是在设备上管理"AI 工具"的层。两层各司其职,互不替代。
架构上,整个系统由三个核心组件构成:
| 组件 | 职责 |
|---|---|
| Device Daemon | 运行在每台主机,发现 AI 工具、写入配置、供应网关凭证 |
| Controller | fleet 管理界面、配置分发、颁发设备证书和网关 JWT |
| LLM Gateway | 验证 JWT 凭证、路由到模型服务商、注入 API Key |
开发者工具(Claude Code、Copilot 等)仍然直接连接 LLM 网关,不经过 Agentdesktop 代理任何流量。Daemon 通过各工具原生的配置机制(JSON、TOML 等)注入网关地址和凭证注入指令。
Agentdesktop 支持自动发现以下工具的安装状态和版本:
发现过程不读取工具配置内容,只检测是否安装以及版本号,因此不涉及隐私问题。
对于 Claude Code 和 Codex,Agentdesktop 会遍历其配置目录,盘点已配置的 MCP 服务器和 skills 名称、来源。不会采集命令参数、环境变量、HTTP 请求头或 skill 正文内容——只报告"有谁在用哪个 MCP",这是 shadow AI 检测的关键能力。
企业安全团队定义一次策略,Agentdesktop 翻译成各工具的原生配置格式:
允许 /home/user/projects 目录的写操作
禁止 ~/.ssh 目录的任意访问
只允许访问 api.openai.com 和 api.anthropic.com
这种意图声明会被翻译为 Claude Code 的 allowedPaths/sandbox 配置,以及 Codex 的对应配置格式。团队不需要为每个工具单独写脚本。
传统模式:企业把 API Key 分发到每台机器。风险点:Key 泄露、权限无法精细控制。
Agentdesktop 模式:
整个链路中,企业 API Key 始终留在 Gateway,从未到达开发者的机器。
企业不需要一开始就部署完整的 Controller。Agentdesktop 支持三种规模:
| 模式 | 特点 | 适用场景 |
|---|---|---|
| Standalone | 本地 YAML 配置,无需 Controller | 个人试用 / 小团队快速上手 |
| Controller(单节点) | 同一台机器运行 Controller + Dex + PostgreSQL | 开发测试 / 小规模评估 |
| Fleet(K8s) | Helm Chart 部署,连接外部 OIDC + PostgreSQL | 企业生产环境 |
Agentdesktop 选择 Rust 作为主力开发语言,这是一个值得注意的技术选型决策:
项目采用 Cargo Workspace 结构,主要 crates:
| Crate | 功能 |
|---|---|
crates/core | 核心逻辑库 |
crates/agent | Device Daemon 实现 |
crates/controller | Fleet Controller 实现 |
crates/proto | Protobuf 定义 |
crates/client | CLI 客户端 |
前端采用 TypeScript 开发,包管理器使用 pnpm,Workspace 结构组织为:
@agentdesktop/controller-web:Controller 的 Web 管理界面(React)@agentdesktop/desktop-web:Desktop App(Electron 风格的 Web 界面)配置使用 YAML 文件,通过 JSON Schema 定义完整配置规范。项目根目录 schema/ 下存放了 controller-config 和 daemon-config 的完整 JSON Schema,文档化程度很高。
项目提供完整的容器化部署方案:
# 1. 安装 agentdesktop(需 Rust 工具链)
git clone https://github.com/agentdesktop-dev/agentdesktop.git
cd agentdesktop
corepack enable
make install
# 2. 预览配置变更(dry-run)
agentdesktop daemon --config examples/standalone/config.yaml --user --dry-run
# 3. 启动完整环境(需 Docker)
docker compose -f examples/standalone/compose.yaml up -d
# 4. 实际应用配置
export ANTHROPIC_API_KEY=sk-ant-...
agentdesktop daemon --user --config examples/standalone/config.yaml
# daemon.yaml 配置片段
daemon:
llmProxy:
listen: 127.0.0.1:4000
llmGateway:
url: https://gateway.example.com
programs:
vscode:
copilotChat: ownModels
models:
gpt-4.1-mini:
name: GPT-4.1 mini (agentdesktop)
maxInputTokens: 128000
配置后,VS Code Copilot Chat 的自定义端点模式通过 agentdesktop 的本地代理路由到企业 LLM 网关,网关验证 JWT 后注入企业 API Key。
Agentdesktop 并非银弹,以下几点值得注意:
如果你的企业正在使用或计划使用多个 AI 辅助编程工具,Agentdesktop 的引入可以分三步走:
第一步(个人/小团队评估):下载二进制,用 standalone 模式跑一遍 --dry-run,感受配置翻译的逻辑和影响范围
第二步(单 Controller 验证):部署 Controller 到一台开发服务器,接入 3-5 台设备,验证 OIDC 认证链路和凭证发放流程
第三步(生产接入):Helm Chart 部署到 K8s,与企业 IdP(Entra/Okta)和现有 PostgreSQL 集成,同步更新 MDM 策略部署 Agentdesktop Daemon
该项目填补了企业 AI 工具管控领域的开源空白——在此之前,企业要么放任工具自由使用,要么投入大量人力维护各工具的独立配置脚本。Agentdesktop 提供了一个标准化的中间层,让安全团队能够以声明式配置的方式管理整个 AI 工具生态。