Autoloom

给 AI 写代码加上治理护栏，改有依据、交有证据

开源 freemium 编程开发

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1005

维护状态活跃

是否开源是

定价模式 freemium

项目预览

项目数据

分类编程开发

开发团队GanyuanRan

所属国家

官网地址https://autoloom.codes

GitHubhttps://github.com/GanyuanRan/Autoloom

定价模式freemium

价格说明免费桌面客户端，可选模型，付费信息待确认

访问状态

是否开源是

开源协议NOASSERTION

主要语言JavaScript

技术栈/模型aegis,agentic-coding,ai-agent,ai-coding,coding-agent,deepseek-harness,desktop-app,developer-tools,engineering-governance,software-development

GitHub 星标★ 1005

30天Star增速

HF 下载量

上线时间2026-09-30 00:00:00

代码更新—

仓库体积—

本站数据更新—

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-10-19

浏览次数1

项目介绍

Autoloom 是一款面向 AI 编程的桌面客户端，核心是在 AI 代理执行代码变更时内置 Aegis 治理机制。它要解决的问题是：AI 编码代理改动代码时常常缺乏依据、难以追溯、交付质量不可控。Autoloom 通过基线感知（baseline-aware）的变更管理，让每次修改都对照既有代码基线，明确改了什么、为什么改；同时提供证据支撑的交付流程，把执行过程沉淀为可核验的记录。用户可以自由选择底层模型（如 DeepSeek 等），不绑定单一供应商。项目用 JavaScript 开发，定位为免费桌面应用，将工程治理思维前置到 AI 执行环节，适合对代码变更可控性、可审计性有要求的开发团队和个人开发者。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

正在加载星标数据…

技术标签

使用教程

—

难度：入门约 10 分钟部署方式：本地安装 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Windows x64 操作系统（README 徽章标注的平台为 Windows x64）
可访问 GitHub Releases 页面的网络环境，用于下载安装包
一个可用的模型服务凭据（项目支持自选底层模型，如 DeepSeek）

安装与启动步骤

1打开发布页

访问项目 Releases 页面，查看最新正式版或 Beta 版安装包列表。
2下载安装包

在 Releases 中下载标注为 Windows x64 的安装文件，注意区分预发布版本。
3安装并启动

运行下载的安装程序完成安装，然后从开始菜单或桌面启动 Autoloom 桌面客户端。
4查阅官方文档

打开仓库内 docs/README.md（中文/English），按文档完成模型与治理机制的相关设置。

如何确认成功

Autoloom 桌面客户端窗口能正常打开即视为安装成功（README 节选未给出更具体的启动验证方式）。

常见问题

Q：支持哪些操作系统？

A：README 徽章仅标注 Windows x64，其他平台未在节选中说明，请以 Releases 页面与官方文档为准。

Q：找不到安装命令怎么办？

A：该项目为桌面客户端，README 节选只提供 Releases 与文档入口，未给出命令行安装方式，直接下载安装包即可。

Q：如何选择底层模型？

A：项目支持自由选择模型（如 DeepSeek 等），具体配置方式请查阅仓库 docs/README.md 中的中文文档。

Q：应该下载正式版还是 Beta 版？

A：Releases 徽章包含预发布版本，追求稳定性建议选最新正式版，想尝鲜可下载 Beta。

注意事项

README 节选未包含具体安装命令与配置项，本教程步骤依据徽章与链接推断，confidence 为 low。
实际安装与配置请以 https://github.com/GanyuanRan/Autoloom/releases 和 docs/README.md 为准。
下载安装包时注意核对平台标记为 Windows x64，避免下载不匹配的文件。

核心亮点

把基线感知变更和证据链内置到 AI 执行流程，而非事后补审计
桌面客户端免费，模型可自选，不锁定单一 AI 供应商
引入 Aegis 治理机制，让 AI 编码的每一步变更可追溯、可核验

不足之处

项目星标约千级，生态和社区规模仍小，长期维护待观察
治理机制会增加使用流程复杂度，轻量脚本场景可能显得偏重

适用场景

团队要求 AI 生成代码必须可审计、可回溯时使用
个人开发者想让 AI 改代码前先对照基线、避免盲目改动
需要向他人交付 AI 辅助完成的代码并附变更证据

替代项目

Cline、Aider、OpenHands

上一篇：skills

下一篇：codeAgent