my-ai-tools：AI 编码工具的「全家桶」式配置管理方案

你有没有过这样的经历？刚配好 Claude Code 的 MCP Server，又想试试 OpenCode；换了新电脑，所有工具从头配置一遍；或者团队里每个人用的 AI 助手设置各不相同，代码风格飘忽不定——光是维护这些配置就耗尽了热情。

my-ai-tools 正是为解决这个痛点而生。这是一个由独立开发者 jellydn 维护的个人配置仓库，目标很简单：把主流 AI 编程工具（Claude Code、OpenCode、Devin、Kimi Code、Gemini CLI、Cline、Cursor 等）的完整配置打包成「一键安装」模式，让你用任何工具都能立刻获得自己最顺手的环境。

它解决什么问题？

市面上的 AI 编程工具越来越多，各有特色：Claude Code 适合深度代码理解和重构，Devin 有强大的云端集成能力，Kimi Code 对中文开发者友好，OpenCode 则走轻量路线。但每换一种工具，从零配置 MCP Server、Agent Skills、工具链参数到 CI/CD 集成，都是重复劳动。

my-ai-tools 的核心思路是「配置即代码」：用 Git 仓库管理所有工具的配置，通过 ./cli.sh 或 ./install.sh 脚本将配置批量部署到本地。它不是另一个 AI 工具，而是所有工具的「启动器」——相当于给每个工具都配了一把标准化的「钥匙」。

核心功能与技术细节

多工具支持：仓库原生支持 20+ AI 编码工具的配置，涵盖 Claude Code、OpenCode、Amp、CCS、Devin、Kimi Code、Gemini、Antigravity、Grok、MiMo-Code、Qoder CLI、Kiro CLI、Codiff、ctx、Open Code Review、Reasonix、Cline、Cursor Agent、GitHub Copilot CLI、Factory Droid、Pi 等。配置目录 configs/ 下每个子目录对应一种工具，包含 MCP Server 配置（context7、sequential-thinking、agentmemory、sem 等）、Agent Guidelines 和工具专属参数。

MCP Server 生态集成：Model Context Protocol 是 AI 工具连接外部能力的标准协议。my-ai-tools 维护了一个统一的 MCP Registry（configs/mcp-registry.json），覆盖代码索引（context7）、推理链（sequential-thinking）、知识管理（qmd、agentmemory）、浏览器操作（react-grab）、日志分析（logpilot）等场景。新工具只需引用同一份 registry，无需重复配置。

自定义 Agent Skills：在 skills/ 目录下，仓库提供了 25+ 个预置技能，涵盖代码审查（code-review、pr-review）、文档生成（docs-update、prd）、架构设计（codemap、adr）、开发流程（tdd、git-context、commit-atomic）、知识管理（llm-wiki、quiz-me）等场景。这些技能以 Markdown 格式编写，AI 工具加载后可在对话中调用。

Git Guard Hook：仓库内置了 Git 安全钩子，自动拦截危险操作（如 git push --force、git reset --hard），防止误操作导致代码丢失。这是 AI 编程场景中尤为重要但常被忽视的安全机制——当 AI 执行批量代码修改时，一条误触的强制推送可能毁掉整个分支。

Agent Teams 协作：支持协调多个专业 AI Agent 协同工作。例如一个代码审查团队可以由负责逻辑审查的 Agent、处理测试的 Agent 和生成文档的 Agent 组成，各自调用不同的 Skill，在复杂项目中分工合作。

技术栈与架构

项目基于 Bun + TypeScript 构建，选择 Bun 而非 Node.js 主要考量是启动速度和包管理体验（bun.lock）。核心依赖：

• Hono（轻量 Web 框架）：server.ts 暴露 HTTP API，提供配置查询、MCP 服务管理等接口，集成速率限制中间件（60 秒窗口最多 30 请求）
• OpenAI SDK：通过 createOpenAIClient() 调用 GPT 模型处理部分 AI 能力
• Zod：全项目使用 Zod 做运行时类型验证
• ONNX Runtime + HuggingFace Transformers：在本地跑小型 embedding 模型做代码检索（./lib/retriever.ts）

架构上，项目分为三个主要部分：server.ts（Web 服务层）、src/（业务逻辑，包括 GitHub Bot 等）、lib/（共享工具库）。安装脚本负责把 configs/ 和 skills/ 目录内容同步到用户本地配置目录（如 ~/.config/claude/）。

部署体验

项目提供 Docker 一键部署：

docker run -d -p 3000:3000 \
  -e OPENAI_API_KEY=sk-xxx \
  -v my-ai-tools-data:/var/lib/my-ai-tools \
  ghcr.io/jellydn/my-ai-tools:latest

容器使用多阶段构建（oven/bun:1 → bun:1-slim），最终镜像约百 MB 级别，包含完整工具链。Dockerfile 还支持构建时注入 OPENAI_API_KEY 执行索引脚本。Web 服务默认暴露 3000 端口，支持速率限制，适合在 Fly.io 或 Docker Compose 环境中托管。

本地安装也极其简单：

curl -fsSL https://raw.githubusercontent.com/jellydn/my-ai-tools/main/install.sh | bash

脚本自动检查 git/bash 依赖、克隆仓库、检测当前已安装的 AI 工具（通过 which 命令扫描），然后选择性部署配置。安装过程有彩色日志输出，支持幂等重复执行。

上手门槛与局限

对于 AI 爱好者，这个项目开箱即用：安装脚本全自动处理，Linux/macOS 均支持，安装后立刻在所有支持的 AI 工具中加载统一配置。如果你刚接触某个 AI 编码工具但不想从零配置，这个仓库是很好的起点。

对于开发者，这个项目的源码本身就是参考价值最高的部分。25+ 个 Skill 的设计模式（ADR、代码审查、TDD、知识管理）、MCP Server 的配置范式、Agent Teams 的协作架构，以及 Hono + Bun 的现代 TypeScript 后端实践，都是可以直接借鉴的模板。

不过需要注意：所有配置默认写入 ~/.config/ 目录，在 Windows 上需要通过 install.ps1 安装（PowerShell 脚本）。此外，部分 MCP Server（如 sem-mcp、fff-mcp）需要系统级工具支持，安装脚本会跳过不可用的 Server 并给出提示。

行业意义

AI 编程工具正在从「单一工具」向「工具生态」演进。Claude Code、Devin、Cursor 等头部产品各自建立了插件和扩展生态，但跨工具的配置复用几乎为零。my-ai-tools 代表了一种开发者自发形成的「工具链整合」趋势——不是等厂商来标准化，而是用 GitOps 的思路自己解决。

项目目前已获得 110 Stars，说明这个需求有一定普遍性。随着更多 AI 编码工具出现（Gemini CLI、Kiro、Reasonix 等），类似的全家桶配置仓库可能会成为社区标配。