上周 Claude Code 源码泄露，我写了篇分析发在知乎，20 万阅读 8000 收藏。后来又把核心逻辑用 1300 行 Python 重写了一遍，就是 CoreCoder（300+ Stars）。
这两件事让我收到了大量私信和评论，归纳起来就一句话：
"我用不了 Anthropic 的 API，国产模型能不能跑你这个？"
说实话 CoreCoder 已经支持了，但我觉得做得不够彻底。CoreCoder 的定位是"教学用的精简实现"，1300 行代码是个优势但也是限制。很多人想要的是一个真正能日常用的工具，不是一个用来学习的 demo。
所以我又做了一个。
AnyCoder：用你手里的任何模型写代码
AnyCoder 是一个终端里的 AI 编程 Agent。你可以理解为"不挑模型的 Claude Code"。
bash
pip install anycoder
# 用 Kimi（默认，便宜好用）
export DEEPSEEK_API_KEY=sk-...
anycoder
# Use Kimi K2.5
anycoder -m kimi
# 用 Claude
anycoder -m claude
# 用 Qwen
anycoder -m qwen
# 用本地 Ollama，数据不出机器
anycoder -m ollama/llama3.1就这么简单。一行安装，一个环境变量，开始干活。
它能做什么
跟 Claude Code 一样的事情：
读代码。 你说"帮我看看 auth.py 的登录逻辑"，它打开文件，带行号地读给你看。大文件自动分段读，不会一次性塞爆上下文。
改代码。 不是把整个文件覆盖，是精准的搜索替换。你说"把这个函数里的同步调用改成异步"，它找到那几行，改了，其他的不动。改之前还会检查搜索字符串是不是唯一的，不唯一就让你给更多上下文，避免改错地方。
跑命令。 "跑一下测试"、"看看 git log"、"安装 requests"。shell 命令直接执行，输出直接拿来分析。
搜代码库。 "这个项目里哪些文件用了 Redis？"两种搜索：按文件名模式找文件（glob），按内容正则搜索（grep）。
自己循环。 这是 Agent 的关键。它不是回答一次就停了。改完代码之后它自己会想"是不是该跑个测试看看"，然后真的去跑，看到报错了自己修，修完再跑，直到通过。一个请求可能背后跑了十几轮工具调用。
100+ 模型随便切
底层用的 litellm，几乎市面上所有 LLM 都能接：
| 简写 | 模型 | 厂商 |
|---|---|---|
| deepseek | DeepSeek Chat | 深度求索 |
| qwen | Qwen Plus | 阿里通义 |
| gpt | ChatGPT | OpenAI |
| claude | Claude | Anthropic |
| gemini | Gemini | |
| kimi | Moonshot | 月之暗面 |
| glm | GLM | 智谱 AI |
在 REPL 里还能用 /model deepseek 随时切换，不用退出重启。
不在列表里的也能用，只要是 OpenAI 兼容 API 就行：
ini
export ANYCODER_API_BASE=https://your-api.com/v1
export ANYCODER_API_KEY=your-key
anycoder -m your-model-name本地模型更简单：
bash
anycoder -m ollama/codestral
anycoder -m ollama/deepseek-coder-v2数据完全不出你的机器。
为什么是 Python
两个原因。
第一，国内开发者最熟悉的语言。Claude Code 是 TypeScript 写的，想看懂源码还得先懂 TypeScript 的异步模型和类型系统。Python 代码看一眼就明白在干嘛。想改？fork 了直接改。
第二，生态好。litellm 这种统一 LLM 接口的库在 Python 生态最成熟。Rich 做终端渲染、Pydantic 做数据验证，都是拿来就能用的轮子。
整个项目依赖就四个包：litellm、rich、prompt_toolkit、pydantic。没有奇怪的间接依赖链，pip install 不会把你的环境搞乱。
跟现有工具的对比
vs Claude Code： 功能类似，但 Claude Code 只能用 Claude。AnyCoder 支持任意模型。而且 AnyCoder 是纯 Python，改起来容易。
vs Cursor/Windsurf： 那些是 IDE 插件，绑定了编辑器。AnyCoder 是终端工具，在服务器上 SSH 进去也能用。
vs Aider： Aider 也是终端 AI 编程工具，做得很好。AnyCoder 的区别是架构更简单直接，代码量小，想自己 fork 改造很方便。
vs 直接聊天窗口粘代码： Agent 模式的核心区别是它能自己操作文件系统。你不用复制粘贴了，它直接在你的项目里读、改、跑。
架构
四层，很清晰：
- CLI 层：Rich 渲染输出，prompt_toolkit 处理输入，支持历史记录和自动补全
- Agent 层：核心循环。用户输入 → LLM 决策 → 工具执行 → 结果反馈 → LLM 继续决策
- LLM 层：litellm 封装，流式输出，自动汇总 tool_calls 的 delta chunks
- 工具层：6 个工具，每个都有 JSON Schema 描述，注册到工具表里
上下文管理器在后面盯着。对话接近 token 上限时，自动把中间的旧消息压缩成摘要，保留系统提示和最近几轮对话。你感觉不到这个过程，但它让长对话不会因为超限而崩掉。
如果你读过我之前写的 Claude Code 源码分析，会发现 AnyCoder 实现了里面提到的几个核心设计：
- Agent 循环（多轮工具调用）
- 流式 tool_calls 组装
- 搜索替换式文件编辑（唯一性校验）
- 上下文窗口压缩
和 CoreCoder 的关系
CoreCoder 是"教学用途的极简实现"，1300 行代码，重点在于让你看懂 Claude Code 的架构。
AnyCoder 是"日常使用的生产工具"，该有的功能都有，该做的打磨都做了。
一个是解剖学教材，一个是能上手术台的手术刀。两个项目互补，不冲突。
试试看
ini
pip install anycoder
# 设个 key 就能用
export DEEPSEEK_API_KEY=sk-...
anycoder