wcgw
wcgw 是一款专为 Claude 等支持 MCP 协议的 AI 客户端设计的本地 Shell 与编程助手。它让大模型能够直接在您的计算机上执行代码编写、编译构建及命令运行任务,将聊天对话转化为实际的开发操作。
该工具主要解决了 AI 代理在本地环境中“动口不动手”的局限,通过提供完全交互式的终端体验,使开发者能实时观察并干预 AI 的执行过程。它特别适合需要高效自动化工作流的软件开发者和极客用户,尤其是那些希望利用 AI 进行复杂调试、批量文件处理或长期任务监控的专业人士。
wcgw 拥有多项独特的技术亮点:支持后台多命令并行执行与 ZSH shell;具备大文件增量编辑能力,智能规避令牌限制;内置语法检查机制,若 AI 生成的代码有误会自动反馈修正;同时采用严格的文件保护策略,要求 AI 必须先读取文件方可编辑,防止意外覆盖。配合其 VS Code 扩展,用户甚至可以直接接入 AI 正在操作的终端,实现人机协同的最佳编码体验。需要注意的是,由于 wcgw 赋予 AI 极高的系统权限,使用时请务必评估安全风险。
使用场景
后端工程师正在紧急修复一个遗留的 Python 微服务项目,需要在本地快速定位并解决因依赖冲突导致的编译错误及运行时异常。
没有 wcgw 时
- 开发者需在聊天窗口复制代码、手动切换到终端粘贴执行,遇到交互式命令(如选择菜单)时流程直接中断,无法继续。
- 修改大文件时经常触发 Token 限制,导致 AI 只能输出片段,开发者必须多次往返拼接代码,极易出错。
- AI 生成的代码若存在语法错误,无法自动感知,需人工运行编译器报错后,再手动将错误信息反馈给 AI 进行下一轮修正。
- 长时间运行的构建任务缺乏实时监控,开发者只能被动等待或频繁手动查询状态,严重拖慢调试节奏。
使用 wcgw 后
- wcgw 提供完全交互式的 Shell 体验,AI 可直接在后台运行多条命令并处理箭头键选择等交互操作,开发者可通过 VS Code 插件实时“附身”观察终端动态。
- 针对大文件,wcgw 智能采用增量编辑策略,自动判断是局部替换还是整体重写,完美规避 Token 上限,确保大模块重构一气呵成。
- 内置语法检查机制会在写入文件前自动验证,一旦发现错误立即反馈给 AI 自我修正,实现“编写 - 检查 - 修复”的自动化闭环。
- 支持让 AI 持续监控长耗时任务(如编译或测试),直到任务完成或失败才通知用户,释放人力专注于逻辑设计。
wcgw 通过将无限制的本地 Shell 控制权与智能代码编辑深度结合,把原本割裂的“对话 - 执行”流程转化为流畅的自主开发闭环。
运行环境要求
- macOS
- Linux
- Windows (仅限 WSL)
未说明
未说明

快速开始
用于 Claude 及其他 MCP 客户端的 Shell 和编码代理
赋能聊天应用在您的本地机器上进行编码、构建和运行。
wcgw 是一个与 shell 和代码编辑工具紧密集成的 MCP 服务器。
⚠️ 警告: 本 MCP 服务器提供对您机器 shell 和文件的无过滤访问权限。它不会限制 LLM 执行任意命令或进行意外更改。如果 AI 产生幻觉,该工具可能被攻击者滥用或执行危险命令。请仅在您完全理解并接受运行无限制 AI 代理相关风险的情况下才运行此仓库。
截至 2026 年,您可以使用 wcgw 的原因是它提供了完全交互式的 shell 体验,您和代理都可以控制(包括发送按键输入)。
结合将代理的 shell 挂载到您编辑器中的 wcgw VSCode 扩展,您可以获得目前市场上最佳的代理式 shell 体验。
文件编辑技巧和整体极简设计也有助于提高代理的工作效率。
演示

更新日志
[2025年10月6日] 模型现在可以在后台运行多个命令。ZSH 现已成为支持的 shell。多路复用功能得到改进。
[2025年4月27日] 移除了对通过中继服务器使用 GPT 的支持。从版本 5 开始,仅支持 MCP 服务器。
[2025年3月24日] 改进了 sonnet 3.7 的编写和编辑体验,CLAUDE.md 会自动加载。
[2025年2月16日] 您现在可以附加到 AI 使用的工作终端。请参阅下方的“attach-to-terminal”部分。
[2025年1月15日] 引入了三种模式:架构师模式、代码编写模式以及全能的 wcgw 模式。
[2025年1月8日] 提供了上下文保存工具,可将相关文件路径连同描述一起保存到单个文件中。可用作任务检查点或知识转移之用。
[2024年12月29日] 文件写入和编辑时的语法检查现已稳定。使
initialize工具调用变得更有用;当引用任何代码库时,会向 Claude 发送智能的代码库结构信息。同时,大文件处理能力也得到了提升。[2024年12月9日] VSCode 扩展可在 Claude 应用中粘贴上下文
🚀 亮点
- ⚡ 创建、执行、迭代: 您可以让 Claude 不断运行编译器检查,直到所有错误都被修复;或者让它持续监控长时间运行命令的状态,直到完成。
- ⚡ 大文件编辑: 支持大文件的增量编辑,以避免 token 限制问题。根据所需更改的比例,智能选择是进行小范围编辑还是大规模重写。
- ⚡ 编辑时的语法检查: 如果 LLM 的编辑存在语法错误,系统会反馈给它,以便其重新修改。
- ⚡ 交互式命令处理: 支持使用方向键、中断信号和 ANSI 转义序列的交互式命令。
- ⚡ 文件保护措施:
- AI 必须至少读取一次文件后才能对其进行编辑或重写,从而避免意外覆盖。
- 在读取超大文件时,避免上下文过载。文件会根据 token 长度进行分块。
- 初始化时,会返回所提供工作区的目录结构,并从中挑选重要文件(基于 .gitignore 文件及统计方法)。
- 基于搜索替换的文件编辑会尝试找到正确的搜索区域,即使有多个匹配项,也会根据之前的搜索结果来判断。否则将失败(以确保准确性)。
- 文件编辑采用间距容错匹配机制,并会在缩进不一致等问题时发出警告。如果没有匹配项,则会返回最接近的匹配结果,供 AI 修正错误。
- 使用类似 Aider 的搜索和替换功能,其性能优于基于工具调用的搜索和替换。
- ⚡ Shell 优化:
- 每次执行 shell 命令后,都会返回当前工作目录,以防止 AI 迷失方向。
- 命令轮询会在短暂超时后退出,以避免反馈延迟。然而,状态检查则会根据命令实时输出流调整等待时间。这两种方式相结合,能够提供良好的 shell 交互体验。
- 支持在主交互式 shell 之外同时运行多个后台命令。
- ⚡ 将代码库上下文保存为单个文件: 使用“ContextSave”工具进行任务检查点保存,可将详细上下文保存到一个文件中。之后,您可以在新的对话中通过询问“Resume
task id”来恢复任务。保存的文件也可用于其他形式的知识转移,例如让另一台 AI 提供帮助。 - ⚡ 轻松切换不同模式:
- 您可以要求它以“架构师模式”进行规划。受 Aider 架构师模式启发,先与 Claude 合作制定计划,这样可以提高准确性并防止过早编辑文件。
- 您也可以要求它以“代码编写模式”进行代码编辑和项目构建。您可以提供特定路径,并支持通配符,以防止其他文件被编辑。
- 默认情况下,它以“wcgw 模式”运行,该模式没有任何限制且拥有完全授权。
- 更多详情请参阅 模式章节。
- ⚡ 在多路复用终端中运行 使用 VSCode 插件 或运行
screen -x来连接到 AI 执行命令的终端。您可以查看历史记录、中断进程,或与 AI 使用的同一终端进行交互。 - ⚡ 自动加载 CLAUDE.md/AGENTS.md 自动加载项目根目录下的“CLAUDE.md”或“AGENTS.md”文件,并在初始化时将其作为指令发送。此外,还会加载全局“
/.wcgw/CLAUDE.md”或“/.wcgw/AGENTS.md”文件的内容,并与项目特定的 CLAUDE.md 一同添加。文件名区分大小写。如果存在 CLAUDE.md,则会附加该文件;否则将附加 AGENTS.md。
使用 MCP 设置 Claude
Mac 和 Linux
首先使用 Homebrew 安装 uv:brew install uv。
(重要提示:请务必使用 Homebrew 安装 uv。否则,请确保 uv 已安装在全局路径下,例如 /usr/bin/。)
然后创建或更新 claude_desktop_config.json 文件(路径为 ~/Library/Application Support/Claude/claude_desktop_config.json),内容如下:
{
"mcpServers": {
"wcgw": {
"command": "uvx",
"args": ["wcgw@latest"]
}
}
}
接着重启 Claude 应用程序。
可选:强制指定特定的 Shell
如果需要使用特定的 Shell(如 bash 或 zsh),可以在配置中添加 --shell 参数:
{
"mcpServers": {
"wcgw": {
"command": "uvx",
"args": ["wcgw@latest", "--shell", "/bin/bash"]
}
}
}
如果在设置过程中出现错误
- 如果出现类似
uv ENOENT的错误,请确认uv是否已正确安装。然后在终端运行which uv,将输出结果替换配置中的uv。 - 如果问题仍然存在,请检查是否能在终端成功运行
uv tool run --python 3.12 wcgw。该命令应无任何输出且不会退出。 - 尝试删除
~/.cache/uv文件夹。 - 尝试使用版本
0.6.0的uv,因为本工具正是基于该版本测试的。 - 使用以下命令调试 MCP 服务器:
npx @modelcontextprotocol/inspector@0.1.7 uv tool run --python 3.12 wcgw。
Windows 上的 WSL
此 MCP 服务器仅适用于 Windows 上的 WSL 环境。
要进行设置,请先安装 uv。
然后编辑或更新 Claude 配置文件 %APPDATA%\Claude\claude_desktop_config.json,内容如下:
{
"mcpServers": {
"wcgw": {
"command": "wsl.exe",
"args": ["uvx", "wcgw@latest"]
}
}
}
遇到错误时,在命令提示符中执行 wsl uv --python 3.12 wcgw 命令。如果出现 /bin/bash: line 1: uv: command not found 错误,则说明 uv 未全局安装,需指定正确的 uv 路径。
查找
uv的安装位置:whereis uv示例输出:
uv: /home/mywsl/.local/bin/uv测试完整路径是否有效:
wsl /home/mywsl/.local/bin/uv tool run --python 3.12 wcgw更新配置文件,使用完整路径:
{ "mcpServers": { "wcgw": { "command": "wsl.exe", "args": ["/home/mywsl/.local/bin/uv", "tool", "run", "--python", "3.12", "wcgw"] } } }请将
/home/mywsl/.local/bin/uv替换为你实际的uv路径。
使用方法
等待几秒钟后,如果一切正常,你应该能看到如下图标:
在此处

随后你可以让 Claude 执行 Shell 命令、读取文件、编辑文件、运行代码等操作。
任务检查点或知识转移
- 你可以通过点击“从 MCP 附加”按钮来附加“KnowledgeTransfer”提示,从而实现任务检查点或知识转移。
- 当运行“KnowledgeTransfer”提示时,“ContextSave”工具会被调用,将任务描述和所有文件内容保存到一个单独的文件中,并生成一个任务 ID。
- 在新的对话中,你可以说“恢复 '<任务ID>'”,AI 将会调用“Initialize”并加载相应的上下文。
- 或者直接打开生成的文件,将其分享给其他 AI 寄托处理。
模式
内置三种模式。你可以要求 Claude 切换到其中一种模式,例如“使用 'architect' 模式”。
| 模式 | 描述 | 允许 | 拒绝 | 调用提示 |
|---|---|---|---|---|
| Architect | 专为与 Claude 合作调查和理解你的代码库而设计。 | 只读命令 | 禁止 FileEdit 和 Write 工具 | 运行模式='architect' |
| Code-writer | 用于代码编写和开发 | 允许编辑或写入指定路径的文件,以及执行指定命令 | 禁止编辑或写入不符合指定 glob 模式的路径 | 运行代码编写模式,仅允许 'tests/**' 路径,且仅限使用 uv 命令 |
| wcgw** | 默认模式,所有功能均开放 | 全部开放 | 无限制 | 不需提示,或直接说“切换到 wcgw 模式” |
注意:目前在代码编写模式下,要么所有命令都允许,要么全部禁止。如果你提供允许的命令列表,Claude 会被指示只执行这些命令,但实际上并不会进行检查。(开发中)
附加到工作终端以进行调查
新增功能:VS Code 插件 现在会在工作区路径匹配时自动附加正在运行的终端。
如果你已安装 screen 命令,wcgw 会自动在一个 screen 实例上运行。若已启动 wcgw MCP 服务器,可以列出 screen 会话:
screen -ls
记下 wcgw 的 screen 名称,格式类似于 93358.wcgw.235521,其中最后的数字表示时分秒。
然后可以通过以下命令附加到该会话:
screen -x 93358.wcgw.235521
你可以安全地中断任何正在运行的命令。
也可以安全地与终端交互,例如输入密码或文本。(警告:如果启动新命令,任何新的 LLM 命令都会中断当前操作。)
切勿使用 exit 或 Ctrl-d 退出会话,而应使用 ctrl+a+d 安全分离,以免破坏 screen 会话。
为了获得更好的滚动体验,请在 ~/.screenrc 中加入以下内容:
defscrollback 10000
termcapinfo xterm* ti@:te@
[可选] VS Code 插件
https://marketplace.visualstudio.com/items?itemName=AmanRusia.wcgw
命令:
- 选择一段文本,按下
cmd+',然后输入指令。这会将应用切换到 Claude,并粘贴包含你的指令、文件路径、工作区目录以及所选文本的内容。
示例

通过 Docker 使用 MCP 服务器
首先构建 Docker 镜像:docker build -t wcgw https://github.com/rusiaaman/wcgw.git。
然后可以更新 /Users/username/Library/Application Support/Claude/claude_desktop_config.json,内容如下:
{
"mcpServers": {
"wcgw": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"--mount",
"type=bind,src=/Users/username/Desktop,dst=/workspace/Desktop",
"wcgw"
]
}
}
}
工具
该服务器提供以下 MCP 工具:
Shell 操作:
Initialize:重置 Shell 并设置工作区环境- 参数:
any_workspace_path(字符串)、initial_files_to_read(字符串数组)、mode_name(“wcgw”、“architect”或“code_writer”)、task_id_to_resume(字符串)
- 参数:
BashCommand:执行带有超时控制的 Shell 命令- 参数:
command(字符串)、wait_for_seconds(整数,可选) - 参数:
send_text(字符串)或send_specials([“Enter”、“Key-up”等])或send_ascii(整数数组)、wait_for_seconds(整数,可选)
- 参数:
文件操作:
ReadFiles:从一个或多个文件中读取内容- 参数:
file_paths(字符串数组)
- 参数:
WriteIfEmpty:创建新文件或将内容写入空文件- 参数:
file_path(字符串)、file_content(字符串)
- 参数:
FileEdit:使用搜索/替换块编辑现有文件- 参数:
file_path(字符串)、file_edit_using_search_replace_blocks(字符串)
- 参数:
ReadImage:读取图像文件以供显示或处理- 参数:
file_path(字符串)
- 参数:
项目管理:
ContextSave:保存项目上下文和文件,用于知识转移或保存任务检查点以便后续恢复- 参数:
id(字符串)、project_root_path(字符串)、description(字符串)、relevant_file_globs(字符串数组)
- 参数:
所有工具均支持绝对路径,并内置针对常见错误的防护机制。有关详细协议信息,请参阅 MCP 规范。
版本历史
5.6.12026/01/275.6.02026/01/235.5.62026/01/165.5.52025/12/185.5.42025/12/135.5.32025/12/045.5.22025/12/025.5.12025/10/095.5.02025/10/065.4.52025/10/055.4.42025/09/235.4.32025/08/295.4.22025/07/195.4.12025/06/285.4.02025/06/275.3.22025/06/185.3.12025/06/175.3.02025/06/155.2.02025/06/055.1.32025/05/15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。
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。