每日一个开源项目(第154篇):Warp - 从‘好看的终端‘到 Agentic 开发环境

引言

"终端正在成为多 Agent 开发者工作流的中枢,而不只是一个命令运行器。"

这是"每日一个开源项目"系列的第154篇文章 。今天的主角是 Warp------2026 年 4 月宣布开源的 Rust 终端,以 OpenAI 作为发起赞助商,定位从"现代终端"升级为"Agentic 开发环境"。

Warp 的历史有一个清晰的转折点:2022 年它以一款界面美观的 macOS 终端进入公众视野,以 Blocks 功能(把命令输出结构化成独立块,而非连续的文字流)和 AI 命令补全吸引了大量开发者。

然后 AI Agent 的浪潮来了,Cursor、Claude Code、Codex 相继出现,"终端里跑 AI Agent"变成了新的核心需求。Warp 在 2026 年 4 月做了两件事:宣布开源,同时把产品定位重新表述为"Agentic 开发环境"------不只是在终端里显示 Agent 输出,而是把终端本身变成 Agent 的操作台。

你将学到什么

  • Warp 的四个核心产品:Terminal / Agent / Warp Drive / Oz 平台
  • Blocks 设计:为什么结构化命令输出对 Agent 工作流很重要
  • 内置 Oz Agent vs 外部 Agent(Claude Code、Codex、Gemini CLI)的关系
  • 2026 年 4 月开源的决策背景:OpenAI 发起赞助、AGPL v3 协议
  • Rust + WarpUI 的技术架构
  • Warp Drive:共享命令和工作流的协作功能

前置知识

  • 使用过 iTerm2、Alacritty 或类似终端
  • 了解 Claude Code、Codex 等 AI 编程工具
  • 对"AI Agent 工作环境"的概念有基本了解

项目背景

从"现代终端"到"Agentic 开发环境"

Warp 在 2022 年以一款"能记住你的工作流"的 macOS 终端进入市场,凭借以下特性迅速积累用户:

  • Blocks:把每个命令及其输出封装成独立的"块",可以搜索、分享、复用
  • AI 命令补全:自然语言描述想做什么,AI 生成命令
  • Warp Drive:把常用命令、工作流模板存到团队共享空间

2024-2025 年,AI Agent 的使用方式从"在对话框里写代码"演变成"在终端里跑 AI Agent"。这个变化直接影响了 Warp 的战略定位。

2026 年 4 月,Warp 宣布开源客户端代码,以 OpenAI 作为发起赞助商,同时发布重新定位的产品框架:"Agentic 开发环境,诞生于终端"。

作者/团队

  • 公司: Warp (warpdotdev)
  • 融资背景: 已获 GV、Microsoft M12、Abstract Ventures 等投资
  • 合作伙伴: Google、Anthropic、OpenAI、Docker、GitHub、Stripe
  • License: WarpUI 核心库 MIT,其余代码 AGPL v3
  • 开源时间: 2026 年 4 月

项目数据

  • ⭐ GitHub Stars: 62,900+
  • 🍴 Forks: 5,200+
  • 📦 Release: 55 个版本
  • 📄 License: AGPL v3(WarpUI: MIT)
  • 🦀 语言: Rust 98.3%

四个核心产品

Warp Terminal(终端本体)

Warp 对标准终端体验的核心改造是 Blocks

bash 复制代码
传统终端输出:
$ git clone https://github.com/...
Cloning into '...'...
remote: Enumerating objects: 1234, done.
remote: Total 1234 (delta 0)...
Receiving objects: 100% (1234/1234)...
$ make build
cc -O2 -c main.c -o main.o
cc -O2 -c utils.c -o utils.o
ld -o myapp main.o utils.o
$ cargo test
...20 lines of test output...

一个连续的文字流,命令和输出混在一起,无法区分

Warp Blocks:
┌─────────────────────────────────────────┐
│ $ git clone https://github.com/...      │ ← 命令块
│ ✓ Cloned in 1.2s                        │ ← 输出块(折叠或展开)
└─────────────────────────────────────────┘
┌─────────────────────────────────────────┐
│ $ make build                            │ ← 命令块
│ ✓ Build successful                      │ ← 输出块
└─────────────────────────────────────────┘
┌─────────────────────────────────────────┐
│ $ cargo test                            │
│ ✗ 2 tests failed                        │ ← 红色高亮失败
│   test auth::test_login ... FAILED     │
└─────────────────────────────────────────┘

每个 Block 可以被选中、分享(生成链接)、复制输出、搜索。这对 AI Agent 的输出展示尤其有价值------Agent 跑了 20 步操作,每一步的命令和结果都在独立的 Block 里,一眼看出哪步出了问题。

其他终端特性

  • 多光标编辑(在命令行里用类 IDE 的编辑体验)
  • 命令历史建议(基于使用频率)
  • 网格布局多窗格
  • 全平台:macOS 10.14+、Linux(.deb/.rpm/AppImage)、Windows 10/11

Warp Agent(内置编程 Agent)

Warp 的内置 Agent 叫 Oz,定位是一个能在 Warp 终端里直接运行的编程 Agent:

  • Issue 分类(从 GitHub 拉取 Issue,自动分析优先级和负责人)
  • 规格书编写(根据 Issue 或需求描述生成技术规格)
  • 代码实现
  • PR 审查
  • 开源项目贡献者协调(Oz for OSS 计划)

Oz 运行时的状态可以通过 build.warp.dev 上的 WASM 编译终端实时查看。

与外部 Agent 的关系:Warp 同时支持在 Warp 终端里运行 Claude Code、Codex、Gemini CLI 等外部 Agent。Warp 不排斥外部 Agent,而是提供一个更好的运行环境------Blocks 让 Agent 的操作过程可视化,Warp Drive 让 Agent 用到的工作流可以团队共享。

Warp Drive(共享工作流)

Warp Drive 是团队协作功能的核心:

  • 共享命令:把常用的长命令、参数组合存到 Drive,团队成员一键搜索调用
  • 工作流模板:把一系列命令步骤封装成可触发的工作流(类似 Makefile 但更易用)
  • Notebooks:把命令和说明文字混合编写,生成可分享的运维手册
  • 环境变量管理:在 Drive 里管理不同环境的变量配置
bash 复制代码
使用场景:
  # 新成员 onboarding:
  warp drive run setup-dev-env
  # 执行团队定义的开发环境配置工作流,自动安装依赖、配置环境变量
  
  # 标准部署流程:
  warp drive run deploy-staging
  # 团队统一的 staging 部署步骤,不需要每人记忆具体命令

Oz Agent Platform(云端 Agent 平台)

Oz 平台是 Warp 面向企业的云端 Agent 编排服务:

  • 从 SDK、CLI 或直接在 Warp Terminal 里启动 Agent 任务
  • 支持自托管或 Warp 托管部署
  • 连接任意工具(Slack、GitHub、Jira 等)
  • 对接任意推理提供商(AWS Bedrock、LiteLLM、OpenRouter)
  • 团队级治理:使用可见性、额度上限、权限控制

技术架构

Rust + WarpUI

Warp 用 Rust 构建整个应用,包括 UI 层(WarpUI 是他们自己写的 UI 框架),而不是在 WebView 里渲染 HTML。

这个选择的含义:

  • 无 Electron 开销:内存占用和启动速度接近原生应用
  • 跨平台一致性:同一套 Rust 代码构建 macOS、Linux、Windows 版本
  • WASM 支持:同样的代码可以编译到浏览器里运行(build.warp.dev 的 Web 版就是这么来的)
css 复制代码
WarpUI 的架构分层:
  warpui_core(核心布局和渲染,MIT)
      ↑
  warpui(Warp 特定组件,MIT)
      ↑
  主应用代码(AGPL v3)
      ├── terminal/     终端仿真
      ├── editor/       编辑器(Warp Code)
      ├── ipc/          进程间通信
      ├── drive/        Warp Drive 云同步
      └── graphql/      与后端 API 通信

主要依赖

  • Tokio:异步运行时
  • Alacritty:终端仿真底层(只用 VTE 解析层,不用 Alacritty 的 UI)
  • NuShell:命令解析和 Shell 集成
  • Hyper:HTTP 客户端

开源协议的设计

双层协议策略:

  • WarpUI 核心库(MIT):允许其他项目在宽松协议下使用 Warp 的 UI 框架
  • 主应用代码(AGPL v3):保证修改版本也必须开源,防止商业闭源 fork

AGPL 的选择说明 Warp 不只是"开放代码以展示透明度",而是要求社区贡献回流------任何基于 Warp 提供网络服务的修改版本都必须开源代码。

开源决策背景

Warp 2026 年 4 月的开源声明中提到几个关键动机:

  1. 社区贡献:Oz 处理 Warp 自身的 GitHub Issue 和 PR,开源后贡献者可以更深入参与
  2. 生态建设:AI 编程工具生态在快速演化,开源有助于建立开发者信任
  3. 透明度:Blocks、Warp Drive 涉及用户工作流数据,开源代码让安全审计成为可能

OpenAI 作为发起赞助商的参与,反映了"AI 编程工具基础设施需要开放"的行业共识。


快速上手

下载安装

bash 复制代码
# macOS
brew install --cask warp

# Linux(Ubuntu/Debian)
wget https://releases.warp.dev/stable/v0.2026.06.03.01/warp-terminal_0.2026.06.03.01_amd64.deb
dpkg -i warp-terminal_*.deb

# Windows
winget install Warp.Warp

从源码构建(需要 Rust)

bash 复制代码
git clone https://github.com/warpdotdev/warp.git
cd warp
./script/bootstrap  # 安装依赖
./script/run        # 构建并启动

在 Warp 里运行 Claude Code

bash 复制代码
# 安装 Claude Code
npm install -g @anthropic-ai/claude-code

# 在 Warp 终端里直接运行
claude

# Agent 的每一步操作都在 Blocks 里展示
# 可以在运行中暂停、搜索历史、复制输出

项目地址与资源


总结

Warp 的演进轨迹反映了一个更大的趋势:终端正在从"命令输入框"变成"AI Agent 的操作界面"。

早期的 Warp 主要解决终端的体验问题------Blocks 让输出可读,Drive 让工作流可共享,AI 补全让命令可发现。这些是"更好的终端"。

2026 年的定位调整是质的变化:终端成为 Agent 编排层。多个 Agent(Oz、Claude Code、Codex)在同一个界面里并行工作,每个 Agent 的操作都是可视化的 Block,Warp Drive 管理 Agent 用到的工作流。

62.9k Stars 在终端领域是极高的数字(只有少数几个终端项目达到这个量级)。2026 年 4 月的开源决策,加上 OpenAI 的参与,把 Warp 从一个商业终端产品变成了开发者工具生态里的基础设施讨论的一部分。


探索 PrimeSkills ------ 精选 AI Agent 与技能的市场,每一个都经过真实企业工作流验证,去掉浮夸,留下真正有用的。

欢迎访问我的个人主页,发现更多有价值的见解和有趣的产品。

相关推荐
ZZZMMM.zip1 小时前
基于鸿蒙HarmonyOS NEXT开发AI股票分析应用:智能投资新体验与鸿蒙Flutter框架跨端实践
人工智能·flutter·华为·harmonyos·鸿蒙
龙腾亚太2 小时前
当大语言模型遇上USV集群:大模型驱动的自适应路径规划方法
人工智能·语言模型·自然语言处理
米小虾2 小时前
从RAG到GraphRAG:2026年知识增强生成技术的进化之路与实战指南
人工智能·agent
珠海西格电力2 小时前
云边端协同架构:零碳园区管理系统的技术底座
大数据·运维·人工智能·算法·架构·能源
字节跳动视频云技术团队2 小时前
Agent 进化论:从对话到协作
人工智能·agent·音视频开发
犀利豆2 小时前
AI in Harness(三)
人工智能·后端
xcLeigh3 小时前
提示词基础:什么是Prompt以及它为何如此重要
人工智能·ai·大模型·prompt·ai写作·提示词
行走的陀螺仪3 小时前
深入理解 Agent Loop(一):从 Agent 爆发到传统 LLM 的局限
人工智能·chatgpt·agent