# Linghun 开源：一个本地优先、证据优先的 AI 编程终端

大家好，我开源了一个自己长期打磨的 AI 编程终端：**Linghun**。

GitHub 地址：

https://github.com/linghungegeg/Linghun

一条命令安装：

```bash
npm install -g @linghun/cli
linghun
```

Windows 下也支持：

```powershell
Linghun
```

## 一句话介绍

Linghun 是一个本地优先、证据优先的 AI 编程终端。

你可以把它理解成：给大模型装上一套工程化外骨骼。模型负责理解、推理和生成；Linghun 负责把模型接到真实项目、真实工具、真实权限、真实验证和真实上下文里。

普通 AI 聊天工具可以回答“应该怎么改”。Linghun 更关心另一件事：它有没有真的读过相关代码、有没有真的改对文件、有没有真的跑过验证、有没有把不确定的地方说清楚。

这也是我做 Linghun 的核心原因：现在 AI 并不是不能工作，而是需要被工程化约束地工作。

## 它能帮你做什么

Linghun 面向真实开发，而不是只做演示式问答。你可以直接用自然语言让它：

- 阅读项目结构，定位代码问题；
- 修改文件、生成补丁、解释改动；
- 运行构建、测试、脚本和验证命令；
- 检查 Git 状态，创建稳定点，辅助回滚和交接；
- 用代码索引减少重复读文件；
- 用证据、验证和最终回答闸门约束模型漂移；
- 减少“没读代码就下结论”“没验证就说完成”；
- 把失败经验、项目规则和历史上下文变成下一轮少返工的辅助信号；
- 区分局部验证、mock 验证、真实 smoke 和未验证结论；
- 控制长日志、工具列表和上下文噪音，减少无效 token 消耗；
- 把长任务拆成可观察的步骤、后台任务或多智能体探索；
- 在 Windows、PowerShell、中文路径、带空格路径等真实环境里工作；
- 通过 MCP、Skills、Plugins、Hooks、Capability Connectors 接入更多外部能力。

一句话：Linghun 想解决的不是“模型会不会写代码”，而是“模型参与工程时，怎么更稳、更可控、更能交付”。

## 为什么不是普通 AI 聊天壳

真实 AI 编程经常卡在这些地方：

- 模型没读代码就自信回答；
- 改动能运行，但破坏了项目结构；
- 只测了一个小命令，却说整个项目都通过；
- 长日志和大文件把上下文挤爆；
- 一轮失败后，下次还在同一个地方漂移；
- 多工具、多模型、多智能体越接越乱；
- Windows 进程、路径、终端兼容性出问题；
- API key、权限、远程通道和本地执行边界不清楚。

Linghun 的思路是把这些问题放到运行时里处理，而不是只靠提示词提醒模型“小心一点”。

它会尽量记录事实、约束权限、保留证据、区分验证范围、控制上下文噪音、给长任务可见状态，并在最终回答里说明哪些已经验证，哪些只是推断。

这就是 Linghun 反幻觉系统的价值：不是让模型少说错话那么简单，而是把“读事实、看证据、区分验证范围、拒绝空口完成、说明不确定性”变成运行时约束。

## 它不是提示词工程，也不是简单 loop 工程

Linghun 支持 prompt、skills 和工作流，但它不把可靠性寄托在“让模型自觉一点”上。

提示词可以告诉模型“请先验证再回答”，但提示词本身不能保证这些事真的发生：

- 写文件前经过权限和路径判断；
- Bash 命令被分类、限制和记录；
- 模型声称“已完成”前有真实验证证据；
- agent summary、job completed 或 remote event 不被冒充成 PASS；
- Git、索引、缓存、记忆、远程审批进入受控路径；
- 失败被复盘，并在下次相似任务中提醒。

所以 Linghun 把关键约束沉到系统层：工具执行、权限、证据、验证、Git、索引、缓存、进程守护、远程入站、失败学习和 transcript 都进入同一条主链。

这也是它和“堆 prompts / 堆 skills / 堆循环”的区别：模型仍然很重要，但事实、权限、验证和成本不再只靠模型临场记住。

## 能看到的收益

Linghun 追求的收益不是让流程更复杂，而是把真实开发里的隐性浪费拿掉：

- **更少幻觉**：关键结论尽量绑定文件读取、工具结果、验证记录和 Git 状态。
- **更少模型漂移**：项目规则、失败学习、架构边界和中枢调度会影响后续路线，而不是每轮从零开始猜。
- **更少返工**：不把局部成功包装成整体完成，减少“以为好了，后来又要重做”的情况。
- **更低上下文成本**：索引、摘要、缓存新鲜度、稳定工具列表和长日志控噪减少重复 token。
- **更容易回滚和交接**：Git 稳定点、handoff、agent transcript 和验证边界让任务可以继续推进。
- **更适合长期项目**：记忆、失败复盘、项目规则和工作区快照让多轮开发不容易散掉。
- **更适合个人开发者和新手**：把资深开发者常做的“先读事实、先留回滚点、先验证范围、先看历史坑”做成默认工作方式。
- **更适合团队和企业**：权限边界、私有配置、可诊断日志、远程审批、summary-only redaction 和本地执行边界，让 AI 更容易进入真实项目和内部流程。

白皮书里也给出了一组场景化收益估计，用来说明“底座咬合”带来的差异：

| 场景 | 提升幅度 | 核心原因 |
| --- | --- | --- |
| 普通问答、简单写代码 | +5% ~ +15% | 策略更一致，不容易偶尔忘记先读文件，也不会被不必要的闸门打断。 |
| 复杂工程任务 | +25% ~ +50% | 定位、理解、修改、验证这些阶段不再只靠模型建议，而是由调度和验证路径约束。 |
| 长期项目维护 | +50% ~ +100% | 系统能感知多轮失败、信任下降、任务域切换和历史经验，减少跨轮漂移。 |
| 多 agent / 多工具调度 | +40% ~ +80% | 根据 agent 数、workflow 状态、资源压力和上下文压力决定是否并行、降级或压缩。 |
| 风险判断、安全边界 | +80% ~ +200% | 多个闸门从“模型参考文本”升级为系统级执行，减少空口 PASS 和越权动作。 |
| 类人格连续性、自我叙事 | 质变 | 不是让系统有情绪，而是让系统在长会话里保持策略连续，少在错误时机做错误动作。 |

这些数字不是精确测量，也不是对任意项目的提速承诺；它们表达的是架构层面的收益估计：收益不只来自“判断更准”，还来自“判断结果真的被系统执行”。

## 中文和 Windows 是一等公民

Linghun 从一开始就把中文开发者和 Windows 开发环境当成核心场景，而不是兼容补丁。

中文一等公民意味着：

- 可以用中文、中英混合术语和日常表达描述工程任务；
- 常见诊断、配置、模型、缓存、索引、稳定点和排障路径都尽量支持中文理解；
- 新手不需要先把真实意图翻译成固定英文命令；
- 项目规则、失败学习、记忆、handoff 和长任务摘要可以服务中文工作流。

Windows 一等公民意味着：

- 同时支持 `linghun` 和 `Linghun` 入口；
- 认真处理 PowerShell、cmd.exe、Windows Terminal、VS Code terminal、legacy conhost 等差异；
- 认真处理中文路径、空格路径、多盘符、真实 projectPath 和私有配置目录；
- 长任务、验证、runner、job 有进程追踪和可降级守护；
- 取消、超时、退出和中断时尽量做有界清理，减少残留进程拖垮下一轮任务。

很多 AI 编程工具在 demo 里顺畅，到了 Windows、多盘符、公司权限策略、中文路径和长任务环境里就开始割裂。Linghun 希望这些真实环境不是二等场景。

## 核心能力概览

### 1. 证据优先和反幻觉

Linghun 会尽量让关键回答绑定到实际观察：读过哪些文件、跑过哪些命令、工具返回了什么、Git 当前是什么状态、验证范围到底有多大。

它不是承诺永远不出错，而是尽量不把没有证据的推断包装成确定事实。

### 2. 本地工具和编辑安全

Linghun 内置 Read、Write、Edit、MultiEdit、Grep、Glob、Bash、Todo、Diff、Git 等工具路径。写文件和跑命令会经过权限、路径、安全和结果摘要边界。

### 3. 权限、安全和本地隐私

Linghun 默认把代码执行放在你的机器上。模型 provider key 默认保存在项目外的用户私有配置里。远程通道、外部能力、写文件、Bash、Git 和索引刷新都应回到本地权限边界。

### 4. 验证感知交付

Linghun 不把“运行了一个命令”直接等同于“项目已经完成”。它会区分 PASS、PARTIAL、FAIL、TIMEOUT、STALE、CANCELLED，也会区分聚焦验证、mock 验证、真实 smoke 和未验证结论。

### 5. 代码索引和工作区感知

Linghun 可以用代码索引、搜索、架构证据、工作区快照和大文件保护来减少重复读文件。CLI 包随包携带常见桌面平台的 `codebase-memory-mcp` 二进制：

- Windows x64
- Linux x64
- macOS Apple Silicon
- macOS Intel

### 6. Git 稳定点和回滚边界

大改动前后，Linghun 可以检查 Git 状态、创建稳定点、帮助管理 worktree，并把 Git 相关结论绑定到真实仓库状态上。

### 7. Workflow、长任务和多智能体

复杂任务不应该只靠一条聊天流硬撑。Linghun 支持 Workflow Matrix、durable job、background task、agent transcript、预算、步数、日志、报告和 handoff 边界。

### 8. 万能插头：连接外部软件和能力

Linghun 的长期方向不只是“一个会写代码的终端”，而是让模型通过统一边界连接更多真实能力。

MCP、Skills、Plugins、Workflows、Hooks 提供扩展入口。Capability Runtime / App Bridge 可以把外部软件能力抽象成 transport、auth、permission、riskLevel、inputSchema、outputSchema 和 provider。

外部应用可以通过 manifest 和 connector 暴露能力，Linghun 再负责自然语言匹配、权限确认、执行、证据记录和结果控噪。

这就是“万能插头”的雏形：模型不用硬编码每个软件，每个软件也不用自己重造一套智能体。能力进入同一条权限、证据、验证和失败降级主线。

## 快速开始

环境要求：

- Node.js 22 或更新版本
- npm、pnpm 或其他 Node 包管理器

安装：

```bash
npm install -g @linghun/cli
```

在项目中启动：

```bash
linghun
```

Windows 也支持大写兼容入口：

```powershell
Linghun
```

检查版本：

```bash
linghun --version
```

## 配置模型

启动 Linghun 后运行：

```text
/model setup
```

配置向导会询问：

- API base URL
- API key
- 模型名称
- 推理等级

API key 默认保存到用户级私有 `provider.env`，不会写进当前项目。配置优先级是：shell 环境变量最高，其次是用户私有 `provider.env`，最后才是项目或默认设置。

检查 provider 配置：

```text
/model doctor
```

## 一个真实工作流示例

你可以这样说：

```text
检查这个项目为什么构建失败，修复问题，运行相关测试，如果通过就创建一个稳定点。
```

Linghun 期望把它变成一条可控闭环：

1. 先看项目结构和相关文件；
2. 形成简短计划；
3. 高风险写入或命令前请求确认；
4. 通过工具运行时修改文件；
5. 运行聚焦验证；
6. 检查 Git 状态；
7. 汇报改了什么、验证了什么、还有什么不确定。

## 当前边界

Linghun 仍在活跃开发中。CLI/TUI、本地工具执行、provider 配置、Evidence-first 工程流、随包代码索引运行时和许多工程控制面已经实现。

部分高级能力，尤其是多平台 native-runner 打包、远程通道产品体验、外部能力生态和公开文档，还会继续成熟。

请把 Linghun 当成一个带证据和权限边界的本地工程助手，而不是可以盲目信任的自治系统。

## 作者寄语

Linghun 来自我自己长期、高强度使用 AI 编程工具时遇到的问题，也来自一次次真实项目里的开发、返工、验证和复盘。从开始到现在，我都不希望它建立在“拉踩”任何产品或模型厂商的基础上。相反，Linghun 尊重各家模型厂商在训练、推理、工具调用和长上下文能力上付出的巨大成本，也确实受益于这些能力的快速进步。

我的判断是：当下 AI 并不是不能工作，而是还不总能以工程化、可约束、可验证、可交付的方式工作。随着模型继续快速发展，“超级个体”不会只是噱头。真正的关键，是把模型能力接入证据、权限、工具、验证、记忆、成本、长任务和外部能力这些工程边界里。当模型能够以工程化方式工作时，它带来的生产力会非常惊人。

我也相信，未来普惠的 Jarvis-like AI runtime 会比很多人想象得更快落地，而且会以更普惠的方式落地。当然，这只是我的个人预想和推断。模型能力飞速发展的时代，真正值钱的会越来越是创意、判断力和执行力。

开发产品并不容易。如果你觉得 Linghun 对你有帮助，并且经济情况允许，欢迎适度打赏支持。我上一次创业失败后背负了不少债务，也需要养家糊口，同时还需要继续投入更多压测、真实项目测试和产品打磨。上一次创业里我是失败者，但在这一次开发和实践中，我觉得自己并不是。

如果你有更多想法，或者在体验 Linghun 时遇到问题，欢迎联系我，我会尽量一一解决。再次感谢各大模型厂商带来的真实增益，也感谢每一位开发者提供的好思路、好作品和真实反馈。

也希望大家能用 Linghun 做出更好的作品，提升自己的工作效率，少一点被模型“看起来很聪明但没有证据”的回答带偏。相信很多开发者都深有体会。

## 项目地址和文档

GitHub：

https://github.com/linghungegeg/Linghun

中文白皮书：

https://github.com/linghungegeg/Linghun/blob/main/WHITEPAPER.md

英文 README：

https://github.com/linghungegeg/Linghun/blob/main/README.en.md

许可证：

Apache License 2.0

## 最后

欢迎大家体验、提 issue、提建议。

如果你也长期用 AI 编程，应该会理解那种“模型看起来答得很顺，但关键事实没读、验证没跑、最后还自信说完成”的痛点。Linghun 想做的，就是把这些工程边界尽量收进运行时，让 AI 不只是会说，而是更稳定地参与真实工程交付。

你可以把它理解成：给大模型装上一套工程化外骨骼。模型负责理解、推理和生成；Linghun 负责把模型接到真实项目、真实工具、真实权限、真实验证和真实上下文里。

linghun - 自研AI编程工具 具有反幻觉系统+中枢调度+多模型路由+记忆+自我反思等能力

Linghun 开源：一个本地优先、证据优先的 AI 编程终端

人工智能

后端

开发工具

Linghun是一款本地优先的AI编程终端，通过工程化约束解决AI开发痛点。支持自然语言指令修改代码、运行测试、管理Git，内置反幻觉系统确保关键操作绑定真实证据。兼容Windows/PowerShell/中文路径，减少模型漂移和无效token消耗。提供代码索引、权限控制、验证感知等功能，让AI开发更稳定可控。开源地址：github.com/linghungegeg/Linghun

包管理器

智能体

Windows

GitHub

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Linghun是一款本地优先的AI编程终端，通过工程化约束解决AI开发痛点。支持自然语言指令修改代码、运行测试、管理Git，内置反幻觉系统确保关键操作绑定真实证据。兼容Windows/PowerShell/中文路径，减少模型漂移和无效token消耗。提供代码索引、权限控制、验证感知等功能，让AI开发更稳定可控。开源地址...

linghun - 自研AI编程工具 具有反幻觉系统+中枢调度+多模型路由+记忆+自我反思等能力-腾讯云开发者社区-腾讯云

linghun - 自研AI编程工具具有反幻觉系统+中枢调度+多模型路由+记忆+自我反思等能力

linghun - 自研AI编程工具具有反幻觉系统+中枢调度+多模型路由+记忆+自我反思等能力

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

linghun - 自研AI编程工具 具有反幻觉系统+中枢调度+多模型路由+记忆+自我反思等能力

linghun - 自研AI编程工具 具有反幻觉系统+中枢调度+多模型路由+记忆+自我反思等能力

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

linghun - 自研AI编程工具具有反幻觉系统+中枢调度+多模型路由+记忆+自我反思等能力

linghun - 自研AI编程工具具有反幻觉系统+中枢调度+多模型路由+记忆+自我反思等能力