dagger
Dagger 是一个现代化的自动化引擎,旨在帮助开发者可靠地构建、测试和交付任何代码库。它解决了传统软件交付流程中过度依赖脆弱的 Shell 脚本或专有 YAML 配置文件的痛点,让复杂的发布流程变得可编程、可复用且易于观测。
无论是需要在本地笔记本调试,还是在 CI 服务器或云端大规模运行,Dagger 都能提供完全一致的执行环境。其核心理念是“本地优先”,只要系统具备容器运行时(如 Docker),即可无缝迁移任务,彻底消除“在我机器上能跑”的环境差异问题。
Dagger 特别适合追求高效工作流的软件开发者和 DevOps 工程师。它提供了独特的技术亮点:支持 Go、Python、TypeScript 等八种语言的原生 SDK,让开发者能用熟悉的语言编写类型安全的自动化逻辑;所有操作均基于容器沙箱执行,依赖关系明确且严格类型化;默认启用基于内容寻址的增量执行与智能缓存,仅重新运行受变更影响的部分,显著提升效率。此外,Dagger 内置完整的 OpenTelemetry 追踪能力,用户可通过终端界面或 Web 视图实时可视化工作流细节,快速定位问题而非在海量日志中猜测。通过 Dagger,软件交付不再是黑盒,而是一个透明、可控且值得信赖的工程过程。
使用场景
某中型电商团队的 DevOps 工程师正致力于统一本地开发与 CI/CD 流水线的构建环境,以解决多语言微服务交付不一致的难题。
没有 dagger 时
- 环境差异导致“在我机器上能跑”的困境:开发人员本地依赖系统库版本不一,而 CI 服务器使用纯净镜像,导致构建脚本在本地通过却在云端失败。
- 维护成本高昂的胶水代码:为了协调构建、测试和部署,团队编写了大量复杂的 Shell 脚本和厂商锁定的 YAML 配置,难以调试且无法复用。
- 低效的增量构建体验:每次代码微调都触发全量重新构建,缺乏智能缓存机制,浪费大量计算资源和等待时间。
- 黑盒式的故障排查:构建失败时只能面对成千行纯文本日志,缺乏链路追踪,定位具体出错环节如同大海捞针。
使用 dagger 后
- 实现真正的“本地优先”一致性:dagger 将构建逻辑封装为可移植的容器化函数,确保同一套代码在笔记本、CI 服务器或云环境中行为完全一致。
- 用类型安全的代码替代脚本:工程师使用 Python 或 Go 等熟悉的语言调用 dagger SDK 编排流程,享受自动补全和编译期检查,彻底告别脆弱的 Shell 脚本。
- 智能增量执行加速反馈:dagger 基于内容寻址自动缓存中间产物,修改单个文件仅重跑受影响步骤,将构建时间从分钟级缩短至秒级。
- 可视化的全链路观测:每个操作自动生成 OpenTelemetry 追踪数据,开发者可在终端直接查看结构化执行图谱,瞬间定位失败根源。
dagger 通过将软件交付流程转化为可编程、可观察且处处一致的代码,从根本上消除了环境差异带来的不确定性并大幅提升了研发效率。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
Dagger:更优的交付方式
Dagger 是一个用于自动化软件交付的平台。它能够可靠地大规模构建、测试并部署任何代码库。
Dagger 可以在本地运行,也可以在 CI 服务器上或直接在云端运行。
brew install dagger/tap/dagger
为什么选择 Dagger?
Dagger 让您的软件交付具备 可编程性、本地优先、可重复性 和 可观测性。
可编程性。用于自动化软件交付的 Shell 脚本和专有 YAML 已经不再适用。Dagger 提供:完整的执行引擎和系统 API;8 种语言的 SDK;交互式 REPL;丰富的可复用模块生态系统等。
本地优先。一旦您使用 Dagger 自动化某项任务,它就能在任何支持的环境中可靠运行:您的笔记本电脑、AI 沙盒、CI 服务器,或是专用的云基础设施。唯一的依赖是像 Docker 这样的容器运行时。
可重复性。工具在容器中运行,并由沙箱化的函数进行编排。宿主机依赖被显式定义且严格类型化。中间产物按需即时构建。默认情况下,所有操作都是增量式的,并提供高级缓存控制。无论是测试报告、构建产物还是部署结果,Dagger 都能为您提供值得信赖的输出。
可观测性。每项操作都会发出完整的 OpenTelemetry 跟踪信息,并附带细粒度的日志和指标。您可以在终端中直接可视化跟踪,也可以通过 Web 界面查看。无需再从大段文本日志中猜测问题所在,即可立即调试复杂的工作流。
功能特性
系统 API。跨语言的 API,用于编排容器、文件系统、密钥、Git 仓库、网络隧道等资源。所有操作都具有类型安全,并且可以自由组合。
8 种语言的 SDK。为 Go、Python、TypeScript、PHP、Java、.NET、Elixir 和 Rust 提供原生 SDK。每个 SDK 均基于 API 模式生成,因此您可以获得符合语言习惯、具备完整类型安全性和编辑器支持的代码。
类型化工件。定义带有封装状态和方法的自定义对象类型。这些类型采用内容寻址,可在不同 SDK 语言边界和模块边界之间传递,而无需序列化。
增量式执行。每项操作都根据其输入进行键值索引。只需更改一个文件,只有受影响的操作才会重新运行。缓存采用内容寻址,在本地运行和 CI 环境中都能自动生效。
随处运行。唯一的要求是 Linux 容器运行时。在 Linux 上可原生运行,而在 macOS 和 Windows 上则可通过 Docker Desktop 等工具运行。本地与 CI 环境的行为完全一致。
内置追踪。每项操作都会生成 OpenTelemetry 的跨度。命令行工具包含实时 TUI;跟踪数据也可导出到 Jaeger、Honeycomb 或任何兼容 OTel 的后端。
开始使用
社区
贡献
请参阅 CONTRIBUTING.md。
版本历史
sdk/rust/v0.20.42026/04/09sdk/elixir/v0.20.42026/04/09sdk/python/v0.20.42026/04/09helm/chart/v0.20.42026/04/09sdk/go/v0.20.42026/04/09sdk/php/v0.20.42026/04/09sdk/typescript/v0.20.42026/04/09v0.20.42026/04/09sdk/rust/v0.20.32026/03/19sdk/elixir/v0.20.32026/03/19sdk/go/v0.20.32026/03/19sdk/php/v0.20.32026/03/19sdk/typescript/v0.20.32026/03/19sdk/python/v0.20.32026/03/19helm/chart/v0.20.32026/03/19v0.20.32026/03/19sdk/rust/v0.20.22026/03/19sdk/elixir/v0.20.22026/03/19sdk/go/v0.20.22026/03/19helm/chart/v0.20.22026/03/19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