OpenSquirrel
OpenSquirrel 是一款基于原生 Rust 和 GPUI 构建的 AI 编码助手管理面板，旨在为开发者提供统一的多智能体协作环境。它允许用户在同一界面中并排运行 Claude Code、Cursor、Codex 等多个 AI 编程工具，通过平铺式布局实现任务自动委派、SSH 远程连接及会话持久化，有效解决了在多个终端窗口间频繁切换的痛点。
尽管项目目前已归档且不再主动维护，但作者坦诚分享了从 GUI 到终端的决策过程，指出简单的配置或许比复杂软件更高效。即便如此，OpenSquirrel 的核心代码依然可用，特别是 legacy 分支保留了完整的特性集，包括多智能体网格布局、Token 成本追踪及丰富的主题定制。
这款工具适合热衷于尝试不同 AI 编程模型的技术开发者。如果你熟悉 Rust 或 macOS 系统，完全可以 Fork 该项目进行二次开发。它不仅是一个管理工具，更是一次关于如何优化人机协作流程的有趣探索，为多智能体编排提供了独特的视角与实践经验。
使用场景
资深全栈工程师小张正在重构一个复杂的微服务架构，需要同时协调多个 AI 编程助手分别处理后端 API、前端组件及自动化测试脚本的编写工作。
没有 OpenSquirrel 时
- 开发者需要在多个独立的终端窗口间频繁切换上下文，导致注意力分散且操作繁琐。
- 缺乏统一的监控面板，难以实时掌握 Claude、Codex 等不同模型的 Token 消耗与费用。
- 在远程服务器调试时，每次启动新 Agent 都需重新建立 SSH 连接并配置环境，耗时费力。
- 复杂任务拆解依赖人工手动将指令分发给不同 CLI 工具，容易出现指令遗漏或版本冲突。
使用 OpenSquirrel 后
- OpenSquirrel 利用 GPU 渲染的平铺管理界面，允许用户在同一屏幕内并列运行多个 Agent 会话，视野更清晰。
- 内置 Token 追踪模块自动聚合各运行时数据，帮助团队精准控制预算并优化提示词策略。
- 支持通过 SSH 直接靶向远程机器，并利用 tmux 保持会话持久化，实现本地与云端环境的无缝协作。
- 具备自动子代理委派能力，主节点可根据需求调度不同运行时执行特定代码片段，减少人工干预。
OpenSquirrel 通过构建可视化的统一控制平面，将原本割裂的多智能体工作流整合为高效协同的整体，大幅降低了分布式 AI 开发的复杂度。
运行环境要求
- Linux
- macOS
必需，macOS 需 Metal API，Linux 需 Vulkan API，未提及具体型号、显存及 CUDA 版本
未说明
快速开始
OpenSquirrel
本项目不再积极维护。
Fork 它，定制它，让它成为你自己的。
它曾经是什么
一个用于 AI 编码代理 (Agent) 的原生、GPU 渲染的平铺管理器。Rust + GPUI。支持并排运行 Claude Code、Codex、Cursor、Gemini 和 OpenCode，具备自动子代理委托、通过 SSH 定位远程机器以及持久化会话功能。
为何归档
在构建了一周后，我得出了一个更简单的结论：你不需要自定义图形用户界面 (GUI) 来编排 AI 代理。
以下是我的心得：
终端已经胜出。 每个 AI 编码命令行界面 (CLI)（Claude Code、Codex、Cursor Agent、Gemini CLI、OpenCode）都配备了成熟的终端文本用户界面 (TUI)。构建一个解析其 JSON 输出并重新渲染的 Rust GUI，效果永远不如直接使用原生 TUI。用户在终端中感到舒适。他们不想打开新窗口。
委托只是一个提示词，而非产品。 整个协调器/工作者委托系统——跨运行时启动子代理、收集结果、反馈回来——可以通过 CLAUDE.md 文件中的 4 行代码完成，告诉模型通过 Bash 使用 cursor agent --print 或 codex exec。无需编排守护进程。无需钩子。无需中间件。Claude Code 的 Agent 工具已经处理内部委托。对于外部 CLI，只需无头运行它们。
Token 追踪已存在。 CodexBar 位于你的 macOS 菜单栏中，通过读取本地数据文件来追踪 Claude、Codex、Cursor、Gemini 等的使用情况。无需将其构建到 GUI 中。
架构不匹配。 通过 JSON 流解析使用 Claude Code（一个 Node/Bun 进程）来构建和迭代 Rust GPU 应用程序是一个奇怪的反馈循环。该模型是在终端交互上训练的，而不是在调试 GPUI 渲染管线上。由于工具与工作流程相冲突，每个功能的开发时间都花了应有的 10 倍。
模型还不够好，无法提供有特定主张的用户体验 (UX)。 没人知道多代理编码的正确工作流。围绕单一工作流构建僵化的 UI 会让你被锁定。终端具有无限的灵活性。在模式出现之前，不要围绕它们构建产品。
替代方案
我现在实际使用的设置：
- 终端：Ghostty（或任何你喜欢的）
- 代理：直接运行它们 --
claude,codex,cursor agent,gemini - 委托：
~/.claude/CLAUDE.md中的指令，告诉 Claude 在被请求时通过 Bash 运行外部 CLI - Token 追踪：CodexBar（菜单栏应用，读取本地文件）
- 多代理：只需打开多个终端标签页/窗格
就是这样。无需自定义软件。编排层就是一个配置文件。
如果你想使用或 Fork 此项目
代码是可用的。legacy 分支在提交 78f1bf2 处拥有完整的功能集：
- 带有自动布局的多代理网格
- 跨运行时的协调器/工作者委托
- 带有 tmux 会话持久化的远程 SSH 定位
- 可重用的 UI 组件（FuzzyList, modal builders, selectable rows）
- 带有模糊搜索的模型选择器 (Cmd+M)
- 每个代理的 Token/成本追踪
- 7 种主题，持久化状态，MCP (模型上下文协议) 集成
- 93 个通过的测试
构建与运行
cargo build --release
# Run as .app bundle:
cp target/release/opensquirrel dist/OpenSquirrel.app/Contents/MacOS/OpenSquirrel-bin
open dist/OpenSquirrel.app
需要 Rust 1.85+ 和 macOS（Metal GPU）。Linux（Vulkan）可以编译且测试通过。
配置
~/.osq/config.toml -- 运行时、机器、MCP、主题、设置。
支持的运行时
| 运行时 | CLI | 模式 |
|---|---|---|
| Claude Code | claude |
持久化多轮对话 |
| Codex | codex |
单次执行 |
| Cursor Agent | cursor agent |
单次执行 |
| Gemini CLI | gemini |
单次执行 |
| OpenCode | opencode |
单次执行 |
许可证
MIT
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。