kimi-cli
kimi-cli 是一款运行在终端里的 AI 编程助手,能帮你写代码、改文件、执行命令,甚至自动规划任务步骤。它不只是个聊天机器人,更像一个懂技术的“终端搭档”:你可以直接让它跑 shell 命令(按 Ctrl-X 切换模式),也能把它嵌入 VS Code、Zed 或 JetBrains 等编辑器中,让 AI 深度参与你的开发流程。对于习惯命令行的开发者来说,它省去了来回切换工具的麻烦;对需要频繁调试、查文档或自动化操作的人而言,它能主动搜索网页、调用外部工具(支持 MCP 协议),并动态调整执行策略。无论是日常编码、排查错误,还是搭建复杂工作流,kimi-cli 都能提升效率。特别适合有一定命令行基础的软件工程师、技术研究员或 DevOps 人员使用。它的独特之处在于原生支持 Agent Client Protocol(ACP)和 Model Context Protocol(MCP),可灵活对接各类编辑器与外部服务,同时提供 Zsh 插件集成,让传统 Shell 体验瞬间拥有智能代理能力。整体设计轻量、开放,注重与实际开发环境无缝融合。
使用场景
一位后端工程师需要在紧急排查线上服务异常时,快速分析分散在多个日志文件中的错误堆栈,并自动修复配置文件中遗漏的环境变量。
没有 kimi-cli 时
- 工程师需手动打开多个终端窗口,反复执行
grep、cat和vim命令来定位错误线索,操作繁琐且容易出错。 - 面对复杂的报错信息,必须频繁切换浏览器搜索解决方案,再人工将代码片段复制回终端编辑器,上下文断裂严重。
- 修改配置文件时,需凭记忆核对所有相关环境变量,极易因遗漏某个隐蔽配置导致修复失败。
- 整个排查过程耗时较长,期间无法并行处理其他任务,心理压力巨大。
使用 kimi-cli 后
- 直接在终端输入自然语言指令,kimi-cli 自动遍历日志目录,精准提取关键错误堆栈并生成摘要报告。
- 遇到未知报错时,kimi-cli 自主联网检索最新技术文档,直接将可执行的修复代码应用到本地文件中。
- 通过智能分析项目依赖,kimi-cli 自动识别并补全缺失的环境变量,同时验证配置语法确保无误。
- 工程师只需监控执行进度,利用其内置的 Shell 模式(Ctrl-X)随时干预细节,大幅释放精力用于架构优化。
kimi-cli 将原本碎片化、高认知负荷的运维排查工作,转化为流畅的自动化闭环,让开发者从“操作工”回归“决策者”。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
Kimi Code CLI
Kimi Code CLI 是一个在终端中运行的 AI 代理,可帮助您完成软件开发任务和终端操作。它可以读取和编辑代码、执行 Shell 命令、搜索和获取网页,并在执行过程中自主规划和调整行动。
入门
请参阅 入门指南 了解如何安装和开始使用 Kimi Code CLI。
核心功能
Shell 命令模式
Kimi Code CLI 不仅是一个编码代理,也是一个 Shell。您可以通过按 Ctrl-X 切换到 Shell 命令模式。在此模式下,您可以直接运行 Shell 命令,而无需退出 Kimi Code CLI。

[!注意] 目前尚不支持
cd等内置 Shell 命令。
VS Code 扩展
Kimi Code CLI 可以通过 Kimi Code VS Code 扩展 与 Visual Studio Code 集成。

通过 ACP 的 IDE 集成
Kimi Code CLI 开箱即用地支持 Agent Client Protocol。您可以将其与任何兼容 ACP 的编辑器或 IDE 搭配使用。
要将 Kimi Code CLI 与 ACP 客户端一起使用,请确保在终端中运行 Kimi Code CLI,并先发送 /login 完成登录。然后,您可以配置您的 ACP 客户端,通过命令 kimi acp 将 Kimi Code CLI 作为 ACP 代理服务器启动。
例如,要将 Kimi Code CLI 与 Zed 或 JetBrains 配合使用,请在您的 ~/.config/zed/settings.json 或 ~/.jetbrains/acp.json 文件中添加以下配置:
{
"agent_servers": {
"Kimi Code CLI": {
"type": "custom",
"command": "kimi",
"args": ["acp"],
"env": {}
}
}
}
之后,您就可以在 IDE 的代理面板中创建 Kimi Code CLI 线程。

Zsh 集成
您可以将 Kimi Code CLI 与 Zsh 结合使用,借助 AI 代理的能力增强您的 Shell 使用体验。
通过以下方式安装 zsh-kimi-cli 插件:
git clone https://github.com/MoonshotAI/zsh-kimi-cli.git \
${ZSH_CUSTOM:-~/.oh-my-zsh/custom}/plugins/kimi-cli
[!注意] 如果您使用的是 Oh My Zsh 之外的插件管理器,可能需要参考插件的 README 获取安装说明。
然后,在 ~/.zshrc 中将 kimi-cli 添加到您的 Zsh 插件列表:
plugins=(... kimi-cli)
重启 Zsh 后,您可以通过按 Ctrl-X 切换到代理模式。
MCP 支持
Kimi Code CLI 支持 MCP(Model Context Protocol)工具。
kimi mcp 子命令组
您可以通过 kimi mcp 子命令组管理 MCP 服务器。例如:
# 添加可流式传输的 HTTP 服务器:
kimi mcp add --transport http context7 https://mcp.context7.com/mcp --header "CONTEXT7_API_KEY: ctx7sk-your-key"
# 添加带有 OAuth 授权的可流式传输的 HTTP 服务器:
kimi mcp add --transport http --auth oauth linear https://mcp.linear.app/mcp
# 添加 stdio 服务器:
kimi mcp add --transport stdio chrome-devtools -- npx chrome-devtools-mcp@latest
# 列出已添加的 MCP 服务器:
kimi mcp list
# 移除一个 MCP 服务器:
kimi mcp remove chrome-devtools
# 授权一个 MCP 服务器:
kimi mcp auth linear
临时 MCP 配置
Kimi Code CLI 还支持通过 CLI 选项进行临时的 MCP 服务器配置。
假设您有一个符合常见 MCP 配置格式的 MCP 配置文件,如下所示:
{
"mcpServers": {
"context7": {
"url": "https://mcp.context7.com/mcp",
"headers": {
"CONTEXT7_API_KEY": "YOUR_API_KEY"
}
},
"chrome-devtools": {
"command": "npx",
"args": ["-y", "chrome-devtools-mcp@latest"]
}
}
}
使用 --mcp-config-file 选项运行 kimi 即可连接到指定的 MCP 服务器:
kimi --mcp-config-file /path/to/mcp.json
更多
更多功能请参阅 文档。
开发
要开发 Kimi Code CLI,请执行以下操作:
git clone https://github.com/MoonshotAI/kimi-cli.git
cd kimi-cli
make prepare # 准备开发环境
之后您就可以开始对 Kimi Code CLI 进行开发了。
在做出更改后,请参考以下命令:
uv run kimi # 运行 Kimi Code CLI
make format # 格式化代码
make check # 运行代码风格检查和类型检查
make test # 运行测试
make test-kimi-cli # 仅运行 Kimi Code CLI 测试
make test-kosong # 仅运行 kosong 测试
make test-pykaos # 仅运行 pykaos 测试
make build-web # 构建 Web 界面并同步到包中(需要 Node.js/npm)
make build # 构建 Python 包
make build-bin # 构建独立二进制文件
make help # 显示所有 make 目标
注意:make build 和 make build-bin 会自动运行 make build-web 以嵌入 Web 界面。
版本历史
1.30.02026/04/021.29.02026/04/011.28.02026/03/301.27.02026/03/271.26.02026/03/251.25.02026/03/231.24.02026/03/181.23.02026/03/171.22.02026/03/131.21.02026/03/121.20.02026/03/111.19.02026/03/101.18.02026/03/091.17.02026/03/031.16.02026/02/271.15.02026/02/261.14.02026/02/251.13.02026/02/241.12.02026/02/111.11.02026/02/10常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
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。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备