Kilo CLI 到底是什么

如果你最近刷 GitHub Trending 或者刷 AI 开发者社区，大概率会撞见 Kilo Code 这个名字。它不是一个孤零零的命令行小工具，而是一整套开源的 智能体式编程助手 ，CLI 只是它伸出来的一只手，另外几只手分别插在 VS Code、JetBrains 全家桶和云端。理解 Kilo CLI，绕不开先理解 Kilo Code 这套体系的野心，那就是做一个不锁定模型、不锁定编辑器的全流程 AI 编程代理。

下面这份报告会把 Kilo Code / Kilo CLI 的背景、特点和核心概念一次性讲透，把那些听起来很唬人的术语拆开揉碎了讲。

项目背景，从 GitLab 老兵到开源新星

Kilo Code 项目由 Kilo-Org 团队维护，代码仓库地址是 github.com/kilo-org/kilocode，采用 MIT 协议开源，星标数已经超过 2.7 万，fork 数超过 3000，提交记录多达 3 万余次，说明它不是玩具项目，而是一个持续高频迭代的严肃工程。

项目诞生于 2025 年 3 月，创始团队中有个响当当的名字，Sid Sijbrandij ，他是 GitLab 的联合创始人和前 CEO。他在接受采访时说自己被开源编程代理这股浪潮打动，觉得开发者渴望的是能亲手检查、信任、扩展 的工具，而不是一个黑箱。这也解释了为什么 Kilo 从设计之初就强调透明，用户可以审查它发给模型的完整提示词和上下文窗口。

有意思的是，Kilo Code 其实是从另一个开源项目 Roo Code fork 出来的，而 Roo Code 又是从更早的 Cline 演化而来。这条谱系放在开源 AI 编程助手的家族树里挺清晰，Continue、Tabby、Cline、Roo Code、Kilo Code 这一脉，共同的旗号都是透明、可自托管、模型自由选择 。

到 2026 年，Kilo 已经被数据科学巨头 Anaconda 收购，官网首页直接挂出了收购公告，用户规模号称超过 300 万，处理 token 数超过 40 万亿。

Kilo CLI 是怎么装、怎么跑起来的

CLI 这一层，本质上是 Kilo Code 智能体在终端里的化身，安装方式相当宽容，几乎覆盖了主流包管理器。

shell 复制代码

# npm
npm install -g @kilocode/cli

# curl 一键安装
curl -fsSL https://kilo.ai/cli/install | bash

# pnpm / bun
pnpm add -g @kilocode/cli
bun add -g @kilocode/cli

# Homebrew（macOS / Linux）
brew install Kilo-Org/tap/kilo

# Arch Linux AUR
paru -S kilo-bin

装好之后，在任意项目目录下敲一句 kilo，代理就会启动，接下来的交互跟你在 VS Code 里用 Kilo 插件几乎是一致的体验，只是换了个界面载体。

对于不想装本地环境的人，GitHub Releases 页面还提供了预编译二进制包，Windows、macOS（Intel / Apple Silicon）、Linux x64 / ARM 都有对应版本，甚至专门给老 CPU（没有 AVX 指令集）准备了 baseline 兼容版，给 Alpine 之类的极简容器准备了 musl 静态链接版，这种细节上的照顾说明团队确实在认真伺候各种边缘部署场景。

核心特点，Kilo 想跟别人不一样的地方

模型中立，是它最锋利的一张牌

市面上大多数编程助手其实是绑死在某一家模型供应商 身上的，GitHub Copilot 默认走 OpenAI 系，Claude Code 天然是 Anthropic 的亲儿子。Kilo 反其道而行，主打模型无关，用户可以在 OpenAI、Anthropic、Google、Mistral、Meta Llama 生态，甚至自己私有部署的模型之间随意切换，中途换模型也不影响任务连续性。

官网首页的宣传语直接就是500+ 模型，零加价，意思是 Kilo 不会在模型调用费用上抽一层利润，你付的就是供应商原价，这跟很多助手把模型调用包装成会员订阅、暗中赚差价的做法形成鲜明对比。

全场景覆盖，一个代理跑遍所有地方

Kilo 的定位是全能型工程平台 ，VS Code、JetBrains（包括 IntelliJ、PyCharm、WebStorm）、CLI、云端 Cloud Agent、甚至 Slack 入口都能触达同一个代理逻辑，任务可以在不同界面之间无缝交接，比如你在 IDE 里开了个任务，转头去手机上用 Kilo App 看审查结果、语音下指令都行。

开源透明，没有黑箱

MIT 协议开源意味着任何人都能审计代理发送给模型的完整提示词和上下文窗口 ，官网原话是没有静默的模型切换，这对企业用户尤其重要，毕竟谁也不想自己的代码库信息被莫名其妙地喂给某个没交代清楚的模型。

定价拆成三层，逻辑很清爽

Kilo 把收费拆成平台层、推理层、云计算层三块，互相独立计价，个人开发者用免费版加 BYOK（自带密钥）基本可以做到零成本试用。下面这张表梳理得比较直观。

方案	价格	适合人群	核心权益
Free & Open Source	$0	个人开发者	VS Code / JetBrains / CLI 插件，任意模型自由接入
Teams	$15/用户/月	小团队	用量分析、共享模式、集中账单、数据隐私控制
Enterprise	定制	大型组织	SSO/OIDC/SCIM、审计日志、SLA、私有网关 BYOK

AI 推理费用是单独计的，用户可以选 Kilo Gateway （按量付费，500+ 模型 60+ 供应商，原价无加价），也可以订阅 Kilo Pass（月费 19 美元起，赠送最高 50% 的额外积分），或者干脆用免费模型 / 本地模型（Ollama、LM Studio）跑到底，一分钱不花。

核心概念拆解

理解 Kilo，绕不开它的几个招牌概念，这几个词你在文档里会反复撞见。

Agent Modes，多模式智能体

Kilo 把一次完整的开发流程拆成了几个专用模式，每种模式对应软件工程里不同的阶段，切换模式相当于给代理换了个思维方式，而不是换了个工具。

graph LR A[Ask 模式 问答与解释] --> B[Architect 模式 系统设计与规划] B --> C[Code 模式 多文件代码生成] C --> D[Debug 模式 诊断与修复] D --> E[Orchestrator 模式 跨模式任务编排] E -.协调.-> A E -.协调.-> B E -.协调.-> C E -.协调.-> D

Ask 是日常对话层，用来问问题、要解释、写文档；Architect 负责把复杂需求拆成可执行步骤，先规划后动手；Code 才是真正下场改代码、跨文件重构的地方；Debug 专门盯着报错信息，跑命令、看输出、反复迭代直到问题解决；Orchestrator 则像个项目经理，协调前面几个模式按顺序完成一整套工作流。用户还可以自定义模式，把特定的提示词和权限打包成专属工具。

Auto Model，让代理自己选模型

这是个挺聪明的设计，用户不需要每次任务都手动挑模型，而是选一个策略档位。

Frontier，路由到最新最强的付费模型，适合复杂任务
Efficient，根据实时会话分类做智能路由，兼顾性价比
Free，优先用免费或实验性模型，能省则省

Auto Model 在背后自动判断任务复杂度和预算档位，帮用户在够用和够贵之间找平衡点。

Gateway / BYOK / 本地模型，三条推理路径并存

这三个词描述的是同一件事的三种实现方式，也就是模型调用从哪来。Kilo Gateway 是官方托管的按量付费网关，覆盖 60 多家供应商；BYOK（Bring Your Own Key）是用户自己带着 OpenAI、Anthropic 等供应商的 API Key 直连；本地模型则是彻底脱离云端，用 Ollama 或 LM Studio 在自己机器上跑开源权重模型。三条路可以混用，敏感任务走本地，日常任务走 Gateway，完全看用户自己的信任边界画在哪。

Checkpoints 与语义化代码库索引

Kilo 会给每次任务生成检查点（checkpoint），相当于代码修改过程中的存档点，出问题了可以回滚，这对于让 AI 大范围改代码这种心跳有点快的操作来说是必要的安全网。配合语义化代码库索引，代理在改动前能先理解整个仓库的结构和上下文，而不是瞎子摸象式地逐文件猜测。

权限控制下的终端与浏览器自动化

CLI 版本的 Kilo 能直接执行终端命令、做浏览器自动化任务，这听起来有点吓人，好在设计上加了权限确认机制，代理执行敏感操作前会停下来问一句，而不是直接放飞自我，这也是 aiidelist 评测里特别提到需要谨慎的权限纪律的地方。

一张图看懂 Kilo Code 生态全貌

graph TD subgraph 接入层 A1[VS Code 插件] A2[JetBrains 插件] A3[Kilo CLI] A4[Cloud Agent] A5[Slack 入口] end subgraph 代理核心 B1[Ask/Architect/Code/Debug/Orchestrator 模式] B2[Auto Model 路由策略] end subgraph 推理来源 C1[Kilo Gateway 托管推理] C2[BYOK 自带密钥] C3[本地模型 Ollama/LM Studio] end A1 --> B1 A2 --> B1 A3 --> B1 A4 --> B1 A5 --> B1 B1 --> B2 B2 --> C1 B2 --> C2 B2 --> C3

这张图基本上就是 Kilo 整套体系的骨架，接入方式随便挑，代理核心统一处理模式切换和模型路由，最底下的推理来源三条腿走路，互不打架。

写在最后

Kilo CLI 表面上是个终端小工具，背后撑着的其实是一整套开源、模型中立、多界面统一的工程哲学。它跟 Cursor、Windsurf 这类深度绑定单一模型或单一编辑器的产品走的是完全不同的路线，更像是把 AI 编程代理这件事做成了一个基础设施层，你想用什么模型、想在哪个界面干活，都留给用户自己决定。对于既想尝鲜 AI 编程又不想被某家供应商绑死钱包的开发者来说，这种开放姿态确实挺有吸引力，当然代价是配置项和概念比单一供应商的工具要多一些，学习成本也相应抬高了那么一点点。

参考资料

Kilo-Org/kilocode GitHub Repository, github.com/kilo-org/ki...

Kilo Code Pricing, kilo.ai/pricing

Paul Sawers, Inside Kilo Code: An open source AI coding agent with plans to reshape software development , Tessl Blog, 2025年12月10日, tessl.io/blog/inside...

Kilo Code Review, AI IDE List, aiidelist.com/ide/kilo-co...

Kilo Official Homepage, kilo.ai/