全球本地部署开发者们一起，打造一个真正属于开源社区的 Coding Agent 了
同志们，是时候打造一把真正属于开源社区的 Coding Agent 了！
现状：我们被大厂“喂屎”，还要自己擦屁股
我写过 kaiwu（一个本地模型部署器），结果发现——用 Local LLM 做开发的朋友，多得超出想象。
大家不断提需求：上下文压缩、Think 模式开关、联网搜索、工具调用……
可这些根本不是 Ollama 或 LM Studio 的事！
它们只负责把模型跑起来，至于“怎么让模型变聪明”——那是 Cursor 、Codex 、Hermes 的事。
但大厂们在干嘛？
- Cursor 围着自家模型转
- Codex 靠卖 token 赚钱
- Hermes 虽开源，却不支持 Windows 原生（逼你装 WSL2 ，劝退一半人）
它们不会花精力优化本地小模型。
因为本地跑得爽，谁还买它们的 API ？
更别提那堵墙了——
国内网络时断时续，任务跑到一半断连，体验像吃苍蝇。
想用 Claude ？得找中转、买注水账号、被收割、还被鄙视。
但墙能拦住资本，拦不住人民。
国际共产主义精神，就体现在一行行开源代码里。
痛点：我们每天都被这六把刀捅
1. 上下文太短，压缩就“失忆”
- Opus 的 1M 窗口用过就回不去了，永远不用 compact 。
- 小模型在 8G/16G 显存上只能跑十几 K ，稍微大点的任务直接炸。
- Hermes 压缩几次就变傻子——忘了自己两轮前说过什么。
2. 网络像一堵墙，墙内外都是屎
- CC / Cursor 要稳定连海外，国内断到你怀疑人生。
- Hermes 非要 WSL2 ，Windows 原生用户吃闭门羹。
- Web search 要么没有，要么接垃圾商家 API ，搜出来的全是 SEO 污染的结果。
3. 本地模型连工具都不会用
- 用户反馈：接 CC 或 Codex ，模型笨得不会调 tool 。
- 8B 模型干完活丢给你一串代码：“自己复制去运行”。
- 我是用 CC 习惯的人，这体验等于让我回去用记事本写代码。
4. 小模型本身能力就那样，但 API 还不让用
- 8B/14B 失误率高、窗口小、没联网、遇新问题就死机。
- 你不可能指望小学生解微积分——这是物理规律。
- 可 A 厂不给国人注册，花钱买注水中转，像交保护费。
凭什么？
5. 明明本地运行，却是个没记忆的钢铁废料
- 在云端不记事，我认了——毕竟没花钱买存储。
- 我都本地跑了，硬盘 1T 还能加，你却只给我一个 markdown 文件当“记忆”？
这就像你买了一台超级计算机，结果它每次重启都忘光。
6. 多模态？视频图片？不存在的
- 模型本身弱，但更大的问题是——没有专门优化。
- 闭源 API 也一样烂，但人家收钱不办事。
部署难、速度慢、硬件要求高这些，我之前的 kaiwu + LM + Turbo 能解决。
今天我们不聊这些，就聊怎么让 8B 模型跑出 Opus 的体验。
我的革命思路：不用 CC 的依赖强 LLM 串行，改用 LLM 做 Gate + 确定性专家的 MOE 架构
核心理念：
LLM 只负责当“接线员”，真正干活的是确定性专家——
不依赖模型“啥都懂”，而是让模型只做一件极小、极明确的事。
原理一：Agentless 流水线（ ICSE 2025 最佳证明）
不让 LLM 瞎决策，用固定流程 → SWE-bench 上通过率最高，成本最低。
我设计的流程（ KWCode ）：
用户输入
└─► Gate （毫秒级分类）
└─► Locator （精确定位文件/函数）
└─► Generator （只改该改的地方）
└─► Verifier （语法 + pytest ，失败重试）
小模型只需要在小窗口里做一件事——失误率暴跌，错误可被当场抓住。
原理二：BM25 + AST 调用图定位（专治“隐藏依赖”）
论文 CodeCompass 发现一个反常识事实：
context 越大的模型，反而越容易漏掉架构上关键但语义上遥远的文件——这叫“导航悖论”。
实验数据（ FastAPI 真实项目）：
| 任务类型 | BM25 | 图遍历 |
|---|---|---|
| 有明确关键词 | 100% | — |
| 可通过 import 链找到 | ~85% | ~85% |
| 完全无关键词的隐藏依赖 | 76.2% | 99.4% 🚀 |
我们的实现：
- BM25 秒级召回 top-20
- AST 调用图展开 2 跳（向上找调用者，向下找被调用者）
- 发现那些“名字和 bug 无关但实际是根因”的魔鬼函数
技术栈：tree-sitter + rank-bm25 + SQLite
零依赖、零 embedding 、零 Docker。
支持：Python · JS · TS · Java · Go · Rust
原理三：专家飞轮——你的工具越用越强，大厂永远追不上
来自 EE-MCP (NeurIPS 2025) + WLBS 行为图。
预置 12 个专家（通用 7 个 + 中国场景 5 个）。
然后开始飞轮：
- 同类任务成功 ≥5 次 → 自动生成专属专家
- 新专家经过回测 + AB 测试三道验证门 → 投产
- 下次同类任务，Gate 直接路由 → 更快、更准
3 个月后，你的专属专家池——
Cursor 和 Hermes 永远追不上，因为它们无状态，而你有永久记忆。
专家可以导出、分享形成我们的社区数据资源。
原理四：失败自动搜索——墙内用 Bing ，墙外用 DDG
Verifier 连挂 2 次 → 自动触发搜索：
- 国内网络 → Bing 中文版（ cn.bing.com 直连）
- 正常网络 → DuckDuckGo
- 提取正文 → 压缩 → 注入 context
零 API key ，零配置，装完即用。
想更隐私？自己部署 SearXNG ，数据不出网。
功能一览（不是为了炫技，是为了解决你的每一天的痛）
| 模块 | 做了什么 |
|---|---|
| 代码定位 | BM25 + AST 调用图，99.4% 命中隐藏依赖 |
| 代码修改 | 只改 patch ，不重写全文，精确匹配 |
| 验证重试 | 语法 + pytest ，失败回滚，失败 2 次开搜索 |
| 项目记忆 | PROJECT.md / EXPERT.md / PATTERN.md 三层分离，按需 BM25 注入 |
| 专家系统 | 12 预置 + 飞轮自生成 + 可分享安装 |
| 中国本地化 | 自动切 ModelScope / 清华镜像 / Bing 搜索 / Windows 原生 |
我们和“它们”的不一样
| 场景 | 其他工具 | KWCode （我们） |
|---|---|---|
| Windows | 逼你装 WSL2 | cmd / PowerShell 原生跑 |
| 模型下载 | HuggingFace 被墙 | 自动切 ModelScope |
| pip 安装 | PyPI 慢死 | 自动切 清华/阿里镜像 |
| 搜索增强 | DDG 被墙 | 自动切 Bing 中文版 |
| 推荐模型 | GPT / Claude （要钱/要梯子） | DeepSeek · Qwen · GLM（国产免费） |
同志们，这不是一个人的战斗
我只有一台 5060 8G 显存 16G 内存小破电脑，硬盘还时好时坏，花钱买 api 一个月三四千。
我想要人人为龙时代，而不是 api 独大时代。
所以我想打造
一个真正属于开源社区、不依赖大厂 API 、不被墙、让 8B 模型也能干翻 Opus 的 Coding Agent 。
我们有论文支撑，有原型代码，有满腔怒火和热血。
现在还缺你——
缺每一个受够了被收割、被歧视、被网络暴力的开发者。
GitHub 仓库近期开放，代码完全开源。
你可以：
- 贡献代码（ Rust/Python/TS 都行）
- 分享你的专属专家（.kwx 文件）
- 提 bug 、写文档、宣传出去
- 或者只是去点一个 ⭐，让更多人看见
国际共产主义精神，从一行开源代码开始。
让大厂去卖 token 吧，我们有自己的工具了。
行动号召
👉 有没有更好的思路和路径，上述只是我个人研究
👉 后续在本链接发布 github ，欢迎 fork 继续深挖
不要让资本定义“可能”与“不可能”。
我们说了算。
或许很快，8B 模型真能跑赢 OPUS ，所有人都能拥有独属于自己的智能体
要不要先建个群，算了 我社恐 不会维护，有事咱们这个链接聊把