toolkami
ToolKami 是一个旨在让构建和使用 AI 智能体(Agents)变得简单高效的开源框架。它核心理念是“化繁为简”,通过概念清晰且相互独立的模块,帮助开发者无缝整合确定性工具与动态智能体,从而解决当前 AI 代理开发中架构复杂、难以扩展的痛点。
该工具特别适合软件开发者、AI 研究人员以及希望探索自动化工作流的技术爱好者。ToolKami 不仅提供了一套功能丰富的命令行界面(CLI),支持沙箱隔离、多并发工作流管理及 Git 工作树操作,还采用了“函数式核心,命令式外壳”的先进设计模式,确保系统既灵活又稳健。其独特的技术亮点在于对 MCP(模型上下文协议)服务器的支持,借助 UV 脚本技术,可将复杂的服务器逻辑打包为单个二进制文件,极大简化了部署流程。此外,框架具备良好的可组合性与可扩展性,能够随着大语言模型能力的提升而平滑演进,无论是复现类似 Google AlphaEvolve 的高级算法实验,还是日常开发辅助,都能轻松胜任。
使用场景
某后端工程师需要在现有项目中快速验证一个高风险的算法重构方案,同时确保主分支代码绝对安全且环境依赖一致。
没有 toolkami 时
- 环境配置繁琐:每次测试新想法都要手动安装依赖或编写 Docker 配置,耗时且容易因本地环境差异导致“在我机器上能跑”的问题。
- 分支管理混乱:为隔离实验代码需手动创建、切换和清理 Git 分支,频繁操作易出错,甚至误删未合并的重要修改。
- 沙箱缺失风险:直接在主机运行未经信任的 AI 生成代码或外部脚本,存在污染系统环境或泄露敏感数据的安全隐患。
- 工作流割裂:在终端、编辑器和管理脚本间反复切换,缺乏统一命令行接口来串联“创建环境 - 执行任务 - 合并结果”的全流程。
使用 toolkami 后
- 一键沙箱启动:通过
toolkami sb命令瞬间基于docker-compose.yml拉起隔离容器,确保每次实验都在纯净、可复现的环境中运行。 - 自动化工作树管理:利用
toolkami wt自动从当前仓库创建独立工作树(Worktree),实验完成后通过merge安全合并或用drop无痕丢弃,彻底告别分支焦虑。 - 原生安全隔离:所有 AI 代理执行的代码均在 Docker 沙箱内运行,即使代码包含恶意逻辑也不会影响宿主机文件系统或网络配置。
- 流畅命令行体验:借助
tk别名和交互式选择器cd,开发者仅需几条自然语言风格的指令即可完成从环境构建到代码合并的闭环操作。
toolkami 通过将复杂的容器沙箱与 Git 工作流封装为简单的原子命令,让开发者能像搭积木一样安全、高效地构建和迭代 AI 驱动的开发流程。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
ToolKami - 让简单智能体变得容易
ToolKami 是一个开源的【概念清晰、各部分独立】的“简单”框架(观看视频),它使你能够构建并与 AI 智能体无缝协作。该框架自带一个命令行界面和精选的工具。
命令行界面 (CLI)
toolkami CLI 是对
首席执行官 Tobias 的 try 实现 进行了修改的版本。它在原有实现的基础上增加了沙箱功能,并遵循“函数式核心,命令式外壳”的设计原则(参考文章)。
使用方法
注意:tk 是 toolkami 的别名,也可以直接使用。
常用命令:
toolkami init [PATH]:生成 Shell 函数toolkami cd [QUERY]:交互式选择器toolkami wt [NAME]:从当前仓库创建工作树merge:将工作树的更改合并回父仓库drop:删除工作树及其分支
toolkami sb:从.toolkami/docker-compose.yml启动 Docker 沙箱build [--no-cache]:构建服务镜像(可传递 Docker Compose 标志,如--no-cache)exec [CMD...]:进入沙箱容器执行命令(默认为交互式bash)
该 CLI 旨在支持多任务、并发的智能体工作流:

安装步骤
curl -sL https://raw.githubusercontent.com/aperoc/toolkami/refs/heads/main/toolkami.rb > ~/.local/toolkami.rb
# 将 "try" 设置为可执行文件,以便直接运行
chmod +x ~/.local/toolkami.rb
# 添加到你的 Shell 配置文件(bash/zsh)
echo >> ~/.zshrc # 添加新行
echo 'eval "$(ruby ~/.local/toolkami.rb init)"' >> ~/.zshrc
框架
ToolKami 框架能够让确定性工具和动态智能体无缝协作。它以简单、可组合性和可扩展性为核心设计理念,能够很好地适应大型语言模型能力的不断提升。
所有 MCP 服务器都可以通过 UV 脚本打包成单个二进制文件进行分发(详情请见博客)。
我在一篇博客中详细介绍了默认的文件和 Shell 工具,并探讨了如何进一步优化它们(阅读原文)。

安装步骤
# 安装 UV
## macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh
## Windows
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
# 启动 MCP 服务器
`./servers/__main__.py`
应用场景
Google AlphaEvolve:ToolKami 风格
基于本框架实现的一个极简版 AlphaEvolve,附有详细的说明文档(查看文档)和代码(GitHub PR)。
社交媒体
版本历史
v0.1.42026/03/16v0.1.32026/03/15v0.1.22026/03/14v0.1.12026/03/14v0.1.02026/03/14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。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
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。

(图片来源: