KeyFrame內部研究專用

受夠 Copilot 的月費和抽成了嗎?kilocode 完全開源,讓你用原始費率調用 500+ 種 LLM。

GitCovery·6月19日週五·6 min中文

三句話摘要

KiloCode——一個全方位的AI代理工程平台,讓開發者從500+個大型語言模型中自由選擇,以成本價使用,徹底改變人與AI的協作方式。 KiloCode代表了從單純使用AI工具向真正與AI協同工作的範式轉變,通過開放、靈活、深度整合的平台,將選擇權和控制權重新交還給開發者。 解決AI工具功能單一的痛點:過去GitHub Copilot只能寫程式碼,無法規劃架構或執行測試;KiloCode透過多角色代理設計,讓AI執行完整工作流程,從規劃到實行。

重點整理

重點
  • 1

    解決AI工具功能單一的痛點:過去GitHub Copilot只能寫程式碼,無法規劃架構或執行測試;KiloCode透過多角色代理設計,讓AI執行完整工作流程,從規劃到實行。

  • 2

    模型無關性與成本透明:支援500+種模型,開發者可在任務中途動態切換,簡單任務用高速低成本模型,複雜推理交給頂級模型,打破商業工具的模型綁定。

  • 3

    真正的自主執行能力:代理能控制本地終端和瀏覽器,能編譯、執行測試、抓取網頁資料,讓AI能力從文字生成跨越到實際動作執行。

  • 4

    開放生態與風險並存:挑戰大型科技公司主導的封閉AI生態,但高權限自主模式存在安全隱患,且核心功能依賴Kilo.AI雲端服務,面臨平台中心化風險。

實用技巧與重點

乾貨
  • GitHub星數:22,000+顆,每日新增1,400顆
  • 支援模型數量:500+種大型語言模型
  • 編程語言:TypeScript
  • IDE支援:VS Code、JetBrains IDEs、CLI終端
  • 內建代理角色:Plan(規劃)、Code(編碼)、Debug(除錯)、Ask(查詢)
  • 核心機制:代理回圈(觀察→規劃→決策→執行→自我檢查→迭代)
  • 執行能力:終端指令、編譯、測試、程式碼審查、網頁抓取、錯誤修復
  • 整合方式:VS Code/JetBrains擴充套件、CLI安裝
  • 依賴基礎設施:Kilo.AI雲端服務

結論

結論

KiloCode代表了從單純使用AI工具向真正與AI協同工作的範式轉變,通過開放、靈活、深度整合的平台,將選擇權和控制權重新交還給開發者。

完整解析

詳細

在AI輔助開發的時代,開發者一直面臨幾個關鍵痛點。首先,現有工具功能高度專化——GitHub Copilot擅長寫程式碼,但無法協助架構規劃或測試執行。其次,這些工具與開發環境脫節,多數只是聊天視窗,缺乏對專案檔案和環境的真實感知。最後,模型選擇和成本完全不透明,開發者往往被綁定在特定模型上,難以根據任務需求靈活選擇,成本預估也極為困難。

KiloCode的核心設計理念就是直面這些痛點。它採用代理工程平台架構,內建了多個不同專長的AI代理——Plan代理負責規劃、Code代理執行編碼、Debug代理處理錯誤修復、Ask代理快速查詢。當開發者下達一個複雜指令(例如重構認證模組)時,這些代理會協作運作:Plan代理先生成詳細步驟,Code代理據此修改多個相關檔案。這個過程採用代理回圈機制——代理觀察現況、規劃方案、決策執行、動手操作、自我檢查,若發現不符預期就自動迭代,形成一個自主反饋的封閉圈。

技術層面有兩個核心創新。第一是真正的模型無關性——支援500+種模型,開發者可在任務中途動態切換。簡單任務用快速低成本模型,複雜推理交給頂級模型,徹底打破商業工具的模型鎖定困局。第二是本地執行能力——代理能直接控制終端和瀏覽器,能編譯程式碼、執行測試、抓取網頁資料,這使AI的能力從文字生成跨越到真實動作執行。

在實際應用上,場景非常多元。新功能開發時,先用Plan代理生成架構,再交Code代理跨檔案生成程式碼。DevOps工程師可將其整合到CI/CD流程,在無人介入下自動審查程式碼、執行測試、修復錯誤。新手團隊成員可用Ask代理快速學習龐大既有程式碼庫,大幅縮短入職周期。

然而,KiloCode也面臨實質風險。其核心功能依賴Kilo.AI雲端服務,帶來平台中心化風險。其次,高權限自主模式是雙刃劍——若模型產生幻覺輸出或指令被誤解,可能執行破壞性操作,威脅生產環境。最後,自主回圈若陷入無效循環,可能短時間內燒掉大量API費用,成本失控。初始配置也比GitHub Copilot複雜得多,需要手動設定API Key。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。