Octomind Launches: Open-Source Rust AI Agent Runtime with MCP Support

面向 CLI 的 AI 编码智能体运行时。支持管道输入、定时调度与嵌入式集成。单一二进制文件，兼容任意模型，原生支持 MCP —— 专为自主工作而构建，而非仅仅用于聊天。

网站 · 文档 · Tap 注册表 · 基准测试 · 问题反馈

Octomind 是一个面向 CLI 的 AI 编码智能体运行时。它通过 MCP 工具赋予 LLM 对你代码仓库的真实访问权限——包括读写文件、运行 Shell 命令、搜索代码以及委派任务给子智能体。同一会话引擎可交互式使用，可通过 stdin 管道传输，可作为后台守护进程运行，可通过 WebSocket 通信，或作为另一个智能体技术栈中的 ACP 子智能体。

# 交互式
octomind run developer:general

# 管道模式 — CI、脚本、自动化
echo "Explain the auth module" | octomind run developer:general --format plain

# 守护进程模式 — 保持运行，从另一个终端与其交互
echo "watch the build" | octomind run --name watcher --daemon --format jsonl
octomind send --name watcher "run the test suite"

为什么选择 Octomind？

大多数编码智能体都假设有人盯着屏幕。Octomind 专为那些在你离开后仍需持续运行的工作而构建。

• 策略即代码，而非审批弹窗。 确定性的护栏机制——预调用守卫、后置结果钩子、回合后验证器——均定义在 TOML 文件和脚本中，因此可在 CI、守护进程和定时任务中正常工作。
• 经过真实 PR 验证。 它以低于最接近竞争对手的成本解决了 25 个保留任务中的 24 个。参见基准测试。
• 现成的专家角色。 octomind run developer:general 会从 tap 中拉取一个打包好的智能体（包含提示词、模型、MCP 服务器、工具权限）。只需一个仓库即可发布你自己的智能体。
• 持久敏锐的会话。 自适应压缩机制在保留任务知识和实时交互的同时，确保长任务持续推进。
• 任意模型，任意预算。 可使用 Octomind Cloud 或你自己的 API 密钥（支持 OpenRouter、Anthropic、OpenAI、DeepSeek、Ollama 等），为每个角色选择特定模型，并设置每次请求和每个会话的支出阈值。超过阈值的请求将被停止；对于达到会话阈值的终端会话，系统会询问 y/N 后再继续，而非交互式 octomind run 则会以退出码 75 停止。
• 统一配置。 模型、工具、角色、护栏、预算：全部采用 TOML 格式，无需框架代码。

快速开始

1. 安装（macOS、Linux）：

curl -fsSL https://raw.githubusercontent.com/muvon/octomind/master/install.sh | bash

在 Windows 上，使用 PowerShell：

irm https://raw.githubusercontent.com/muvon/octomind/master/install.ps1 | iex

在 macOS 上，你也可以通过 Homebrew 安装：

brew install muvon/tap/octomind

2. 获取模型访问权限。 最快的方式是使用 Octomind Cloud，它内置了模型且无需配置：

octomind login

更喜欢使用自己的提供商密钥？跳过登录并导出一个密钥（也可以是 OPENAI_API_KEY、ANTHROPIC_API_KEY、DEEPSEEK_API_KEY），然后按照 模型访问 指南将配置指向该密钥：

export OPENROUTER_API_KEY="your_key"

3. 在你的项目中运行专家代理：

cd ~/your/project
octomind run developer:general

现在你已进入一个会话，其中的代理可以读取你的代码、运行命令和编辑文件。界面是一个带有 Markdown 渲染的纯文本提示符——无需学习 TUI，因此它可以通过 SSH、在 tmux 中以及在 CI 日志中正常工作。首次运行专家代理时，它可能会安装其工具并请求凭据。

developer:general 来自默认 tap muvon/tap，而不是你的本地配置。直接运行 octomind run 会启动配置中的默认角色 assistant:concierge。

尝试 录制的 Bug 修复演示：包含两个失败的测试、一次代理修复以及一次独立的测试重跑。

基准测试

基于 octobench 进行测量，针对 从合并的 Pull Request 中提取的 25 个任务，涵盖 Python、PHP、Rust、C++ 和 JavaScript。每个代理在修复前的仓库中工作；由合并修复后保留的测试决定通过或失败。这些是 2026 年 7 月 30 日发布的公开结果，并非对当前检出版本的测量。

• 运行框架至关重要。 opencode 使用了相同的模型和端点；octomind 解决了 24 个问题，而前者为 19 个，且成本大约只有一半。所有四个代理均使用标准调用方式运行，未经任何调优，因此这衡量的是整个运行框架的表现，而非单个功能特性。
• 即便采用最坏情况定价，依然领先。 glm-5.2 运行时未启用提示缓存，而 Opus 约 97% 的上下文重读按缓存费率计费——尽管如此，octomind 在解决数量、成本和实际耗时方面仍然保持领先。
• 可复现性。 包含逐案例表格、工件及复现指南：BENCHMARK.md。背景信息参见：博客文章。

护栏机制：策略即代码

在你的仓库中放置一个 .agents/guardrails.toml 文件。运行时将以确定性方式强制执行该配置，无需编译代码，也无需安装插件。

# Pre-call deny — block a class of calls before they execute
[[guard]]
match   = "shell(command=^rm\\s+-rf?)"
message = "rm -rf blocked."

# Conditional rule — only fires after the agent ran git status this session
[[guard]]
match   = "shell(command=git push)"
when    = ["+shell(command=git status)"]
message = "Review changes before pushing."

Hook 和 validator 脚本示例参见：Guardrails guide。

（注：更多技术实现细节与完整 API 文档请查阅原项目 README）