【GitHub每日速递 20251211】开源免费！OpenCode——能在终端畅用的AI编码神器来袭

原文: https://mp.weixin.qq.com/s/6O-JFXBFyx_mx2ujULfFyQ

开源免费！OpenCode——能在终端畅用的AI编码神器来袭

[opencode] 是一个 在终端中运行的AI编程助手 的 工具。简单讲，它能直接在命令行里帮你写代码、改代码，像有个程序员搭档陪你敲键盘。适用人群：开发者、终端重度用户

项目地址：https://github.com/sst/opencode

主要语言：TypeScript

stars: 35.4k

OpenCode是一款为终端设计的AI编码代理工具，以下是对它的详细介绍：

主要优势

• 开源免费：完全开源，用户可自由使用、修改和分发代码。
• 多模型支持：不依赖单一模型提供商，可与Claude、OpenAI、Google等模型配合使用，也支持本地模型。
• LSP支持：开箱即用的语言服务器协议（LSP）支持，提升编码效率。
• TUI设计：专注于终端用户界面（TUI），由Neovim用户和terminal.shop的开发者打造，挖掘终端的潜力。
• 客户端/服务器架构：支持远程控制，可在本地运行，通过移动应用远程操作。

核心功能

• 内置代理：包含两个内置代理，可通过Tab键切换
  • build：默认代理，具有完全访问权限，适用于开发工作。
  • plan：只读代理，用于代码分析和探索，默认禁止文件编辑，执行bash命令前需用户确认，适合探索陌生代码库或规划更改。
• 通用子代理：提供general子代理，用于复杂搜索和多步骤任务，可在消息中使用@general调用。

安装方式

支持多种安装方式，包括脚本安装和常见的包管理器安装：

• 脚本安装：使用curl -fsSL https://opencode.ai/install | bash命令进行安装。
• 包管理器安装
  • npm i -g opencode-ai@latest（支持bun、pnpm、yarn）
  • scoop bucket add extras; scoop install extras/opencode（Windows）
  • choco install opencode（Windows）
  • brew install opencode（macOS和Linux）
  • paru -S opencode-bin（Arch Linux）
  • mise use --pin -g ubi:sst/opencode（任意操作系统）
  • nix run nixpkgs#opencode（最新开发分支使用github:sst/opencode）

安装目录

安装脚本会按照以下优先级顺序确定安装路径：

1. $OPENCODE_INSTALL_DIR：自定义安装目录
2. $XDG_BIN_DIR：符合XDG基础目录规范的路径
3. $HOME/bin：标准用户二进制目录（若存在或可创建）
4. $HOME/.opencode/bin：默认备用目录

应用场景

• 代码开发：借助build代理进行日常开发工作，提高编码效率。
• 代码分析：使用plan代理安全地分析和探索陌生代码库。
• 复杂任务处理：利用general子代理处理复杂搜索和多步骤任务。

月度更新！这本用六种动物作封面的大模型教材，带你掌握前沿技术

Foundations-of-LLMs 是一个系统讲解大语言模型基础原理的开源教程。简单讲，它像一本中文“大模型入门宝典”，从数学基础到模型训练一步步讲清楚大模型是怎么工作的。适用人群：想深入理解大语言模型的学生、研究人员和工程师。

项目地址：https://github.com/ZJU-LLMs/Foundations-of-LLMs

主要语言：

stars: 13.0k

仓库关键信息解析

• README文件说明：该仓库旨在为对大语言模型感兴趣的读者系统地讲解相关基础知识、介绍前沿技术。作者团队会认真听取开源社区以及广大专家学者的建议，进行月度更新，致力于打造易读、严谨、有深度的大模型教材。
• 代码架构特点：仓库主要以文档形式呈现，包含完整的PDF版本教材，还有分章节内容的PDF文件夹以及各章节相关论文的文件夹。
• 项目核心功能描述：提供大语言模型相关知识的系统讲解，涵盖传统语言模型、大语言模型架构演化、Prompt工程、参数高效微调、模型编辑、检索增强生成等六章内容。每章配备相关Paper List以跟踪技术最新进展。
• 更新日志：文档提到会进行月度更新，持续补充大模型推理加速、大模型智能体等方向的内容。

主要内容

本书第一版包含六章内容，具体如下：

• 第1章：语言模型基础：介绍基于统计方法、RNN、Transformer的语言模型，语言模型的采样方法和评测。
• 第2章：大语言模型：阐述大数据与大模型结合带来新智能，介绍大语言模型架构概览，以及基于不同架构（Encoder - only、Encoder - Decoder、Decoder - only）的大语言模型和非Transformer架构。
• 第3章：Prompt工程：涵盖Prompt工程简介、上下文学习、思维链、Prompt技巧及相关应用。
• 第4章：参数高效微调：包括参数高效微调简介、参数附加方法、参数选择方法、低秩适配方法以及实践与应用。
• 第5章：模型编辑：介绍模型编辑简介、经典方法、附加参数法（T - Patcher）、定位编辑法（ROME）及模型编辑应用。
• 第6章：检索增强生成：包含检索增强生成简介、架构、知识检索、生成增强以及实践与应用。

优势

• 更新及时：作者团队进行月度更新，能及时跟上大模型技术的发展，补充最新内容。
• 知识系统：全面涵盖大语言模型多个关键方面的知识，为读者提供系统的学习资料。
• 易读性强：每章以一种动物为背景举例说明具体技术，增加了内容的趣味性和易读性。
• 跟踪前沿：每章配备相关Paper List，方便读者跟踪相关技术的最新进展。

应用场景

• 学习研究：适合对大语言模型感兴趣的学生、研究人员系统学习大语言模型的基础知识和前沿技术。
• 技术参考：为从事大语言模型相关开发、应用的技术人员提供技术参考和知识储备。