goose AI Agent 實戰：用 Rust 開一隻全能小幫手

📌 本文重點

goose 是用 Rust 寫的開源 AI Agent 框架

讓 LLM 真的能跑指令、改檔案、寫測試而不只聊天

可接任意 LLM，並透過 workflow 自動化多步驟任務

很適合 DevOps / 開發者做日常開發與部署自動化

用一句話說清楚：goose 是一個用 Rust 寫的開源 AI Agent 框架，可以讓 LLM 不只聊天，而是真的幫你在電腦上安裝套件、跑指令、改程式碼、寫測試，變成一個可以自動執行任務的「全能小幫手」。

GitHub 專案：https://github.com/aaif-goose/goose

goose 和一般聊天機器人有什麼不同？

一般 ChatGPT / Claude 類工具，多半停在「給你建議」：

產生程式碼片段
幫你想測試案例
告訴你下一步可以怎麼做

goose 的差別在於：它可以自己動手做。

透過 goose，你可以讓模型：

在你的環境裡 執行殼層指令（shell commands）
直接修改專案檔案、重構程式碼
跑測試、根據結果再修正
用 plugin / tool 的形式接上你自己的 API 或腳本

換句話說，它比較像一個「可編程的 AI 工具人」，而不是純聊天機器人。

💡 關鍵： goose 不只回覆文字，而是能在你的實際環境中「讀檔案、下指令、改程式」，真正把建議變成動作。

核心功能：你可以拿 goose 來做什麼？

1. 調用殼層指令：讓 LLM 幫你按命令行上的按鈕

goose 內建「可以執行 shell 指令」的能力。

你可以叫 agent 做這些事：

安裝套件：apt-get, brew, pip, cargo…
拉專案：git clone、切分支、pull 最新版
跑工具：npm test、cargo test、pytest、make build

你要做的行動：

想一件你平常常打的一串指令（例如部署前要跑的 3–5 個步驟）
把它寫成一句自然語言任務，交給 goose，觀察它如何自己拆解並下指令

2. 程式碼編輯與測試：真的會改你專案的那種

goose 支援對檔案系統操作，讓 LLM 直接：

開啟 / 讀取專案中的檔案
修改檔案內容（插入、刪除、重構）
新增測試檔、更新 README

常見用法：

讓 agent 自動幫你 加 log / exception handling
要它針對某個 module 補齊單元測試
改 config、更新版本號、調整 CI 設定檔

你要做的行動：

選一個「可以放心被 AI 改壞」的小 side project
用 goose 給它一個任務，例如：「在這個 Rust 專案裡，新增一個 health check endpoint，並幫我補上測試」

3. 自訂工具擴充：把你自己的腳本、API 變成 agent 的能力

goose 的設計重點是 「可擴充的工具」。你可以：

把現有的 Python / Bash 腳本包裝成一個 tool
把團隊內部 API（如 issue tracker、部署服務）接進來
讓 agent 用「呼叫工具」的方式，連續完成更複雜的流程

實際效果：

LLM 不用自己「想像」怎麼部署，而是呼叫你提供的 deploy_api
你可以限制它只能用你認可的工具，控制風險

你要做的行動：

列出你工作中最常手動跑的 2–3 個腳本
想像它們如果變成一個 deploy_service / create_release 的工具，agent 可以怎麼自動串起來

4. 接任意 LLM：OpenAI、DeepSeek、本地模型都行

goose 標榜 「with any LLM」，實際上就是可以在設定中自由切換 backend：

OpenAI（如 gpt-4.1）
DeepSeek API（如 deepseek-coder）
透過 OpenAI-compatible API 的本地模型（Ollama、LM Studio…）

這讓你可以：

開發時用免費 / 便宜模型測試流程
上線到正式環境時再換成更穩定的雲端模型

你要做的行動：

先挑一個你現有就有 API Key 的 LLM（例如 OpenAI 或 DeepSeek）
決定：
「實驗階段」用哪個模型
「正式跑自動化」時要不要升級到較貴的模型

💡 關鍵： 透過切換 GOOSE_MODEL 等設定，你可以在成本（本地 / 便宜模型）與效果（雲端高階模型）之間彈性取捨。

適合誰用？三種典型場景

1. DevOps／SRE：日常腳本自動化

例如：

部署前：拉最新程式碼 → 跑測試 → build → health check
緊急修補：切 branch → 套 patch → 跑 smoke test → 發一版 hotfix

用 goose 的做法：

把這些步驟包成一個「任務腳本」（workflow）
讓 agent 自己決定下一步要跑哪個指令、根據輸出結果調整

2. 開發者：專案 boilerplate 生成與重構

適用情境：

開一個新服務：想要快速產生「專案骨架 + 基本路由 + CI 檔案」
老專案：想系統性把某種寫法換成新的 pattern

用 goose 可以這樣玩：

指定專案資料夾給 agent
給一個任務：「初始化一個 NestJS API 專案，幫我加上 Dockerfile 和 GitHub Actions CI」

3. 團隊工程流程：CI 前自動檢查與修修補補

在 CI 跑之前，先讓 goose 幫你：

檢查程式格式、lint 問題
嘗試自動修正簡單的錯誤
對 PR 產生簡短變更說明

做法：

在 CI pipeline 裡加入「goose agent 步驟」
給它權限在 CI runner 上修改檔案並 push（或開新 PR）

💡 關鍵： 把 goose 放進 CI / pre-commit，可以在錯誤進到主線分支之前，自動完成一輪整理與簡單修補。

怎麼開始：最快速的上手路徑

1. 用 Docker 跑起官方範例（最快測試）

前提：

已安裝 Docker
手邊有一個 LLM API Key（例：OPENAI_API_KEY）

步驟：

# 1. 拉專案
git clone https://github.com/aaif-goose/goose.git
cd goose

# 2. 建一個 .env，放你的模型設定（簡化示意）
cat << 'EOF' > .env
OPENAI_API_KEY=your_key_here
GOOSE_MODEL=openai/gpt-4.1
EOF

# 3. 用 docker compose 跑起來（實際以 repo 裡的 compose 指令為準）
docker compose up --build

跑起來後，通常會有：

一個 CLI / HTTP 介面
你可以丟：
「在這個容器裡安裝 curl 並測試對 google.com 發送請求」

行動建議：先在容器內做「無害」的事情，例如安裝一個套件、建立一個測試檔案，確認 goose 真的有在動你環境。

2. 本機安裝（Rust 使用者）

前提：

Rust toolchain（rustup）

步驟：

# 1. 安裝依賴
cargo install --path .  # 實際請以 README 為準

# 2. 設定環境變數
export OPENAI_API_KEY=your_key_here
export GOOSE_MODEL=openai/gpt-4.1

# 3. 跑 CLI
goose run

你可以在終端機裡對 agent 下指令，例如：

「列出目前資料夾的檔案，幫我找出所有含有 TODO 的檔案並列出行號」

3. 接上常見模型（OpenAI / DeepSeek / 本地 LLM）

以下是假設性的設定方向（實際請對照 goose README）：

OpenAI

export OPENAI_API_KEY=your_key
export GOOSE_MODEL=openai/gpt-4.1

DeepSeek

通常會提供 OpenAI 相容 API：

export OPENAI_BASE_URL=https://api.deepseek.com/v1
export OPENAI_API_KEY=your_deepseek_key
export GOOSE_MODEL=deepseek-chat

本地 LLM（以 Ollama 為例）

啟動 Ollama 後：

export OPENAI_BASE_URL=http://127.0.0.1:11434/v1
export OPENAI_API_KEY=dummy
export GOOSE_MODEL=ollama/llama3.1

行動建議：先用最簡單、你現在就有的 API Key 接上，確認 goose 的流程跑得通，再考慮搬到本地模型節省成本。

寫一個自己的「任務腳本」：讓 agent 連續完成幾個步驟

goose 的強項在於可以定義「多步驟任務」。概念上，你會有一個 workflow 設定（格式依官方為準，這裡用 pseudo-code 示意）：

# workflows/dev_check.toml
name = "dev_precommit_check"

[[steps]]
type = "shell"
command = "git status"

[[steps]]
type = "agent"
prompt = "閱讀 git status，決定要先格式化哪一些檔案，並執行對應指令。"

[[steps]]
type = "shell"
command = "cargo test"

[[steps]]
type = "agent"
prompt = "根據測試結果，如果有簡單錯誤可以直接修，並再次執行對應測試。"

用法：

goose run-workflow workflows/dev_check.toml

這樣，你可以一行命令啟動一個「會看情況調整動作」的前置檢查流程。

你要做的行動：

先定義一個超簡單的 workflow：
Step1：ls 專案
Step2：請 agent 根據專案結構生成一段簡短說明，寫入 PROJECT_SUMMARY.md

實戰：從零做一個小型自動化 workflow

目標：在一個現有專案裡，做「提交前自動整理 + 簡單修補」流程。

我們要達成：

檢查目前分支變更檔案
對變更檔案跑 formatter / linter
如果有明顯錯誤，由 agent 嘗試自動修改
重新跑測試

Step 1：準備專案與權限

找一個你熟悉、可以接受被改動的專案資料夾
新開一個分支，如 feat/goose-auto-fix
確保 goose 有權限：
讀寫這個資料夾
執行必要的指令（例：npm test、cargo test）

Step 2：定義 workflow（示意）

依 goose 支援的格式建立一個 workflow 檔（假設是 YAML）：

name: precommit-helper
steps:
  - type: shell
    command: git diff --name-only
  - type: agent
    prompt: |
      你看到的是目前分支有變更的檔案清單。
      目標：
      1. 對這些檔案執行合適的 formatter / linter 指令（依照檔案類型判斷）。
      2. 若 formatter/linter 回報可自動修復的問題，請修改檔案並重新執行檢查。
  - type: shell
    command: npm test  # 或你專案的測試指令
  - type: agent
    prompt: |
      根據測試輸出，
      - 若是小型邏輯／型別錯誤，嘗試修改相關檔案後再次執行測試。
      - 若錯誤較複雜，請產生簡短說明寫入 precommit_report.md。

Step 3：實際執行與調整

bash goose run-workflow precommit-helper.yaml

觀察它的行為：
有沒有亂跑你不想要的指令？
修改的檔案是否合理？
根據結果調整：
限制能用的指令範圍（例如只允許 npm test, npm run lint）
在 prompt 裡多加一些「安全護欄」，例如「不要刪除檔案」。

完成後，你就有了一個：

可以在提交前幫你「整理 + 修補 + 產生報告」的小型 AI 助理
海豚式改進：遇到痛點就稍微改一下 workflow / 工具清單，越用越貼近你團隊習慣

小結：下一步可以怎麼玩？

如果你看到這裡，建議接下來這樣走：

先跑官方範例容器一次，確認 goose 在你機器上可以正常跑指令。
選一個專案資料夾，做一個超小 workflow：只做檔案摘要或自動補 README。
把你現有的一個腳本包成 tool，讓 agent 可以呼叫（例如部署或打包腳本）。
等你有信心後，再把它接進 CI / pre-commit 流程。

完整專案與最新用法請看：https://github.com/aaif-goose/goose

把 goose 想成一個「可編程的 ChatGPT + 指令列機器人」，先從最小、風險最低的自動化開始，你會很快找到適合自己工作流的用法。

🚀 你現在可以做的事

打開 <https://github.com/aaif-goose/goose>，用 Docker 照著 README 跑一次官方範例

選一個 side project，讓 goose 幫你完成「新增一個 endpoint + 補上測試」的小任務

把日常最常用的一個部署或檢查腳本包成 tool，寫一個只包含 2–3 個步驟的簡單 workflow

用 goose AI Agent 開一隻全能小幫手

goose 和一般聊天機器人有什麼不同？

核心功能：你可以拿 goose 來做什麼？

1. 調用殼層指令：讓 LLM 幫你按命令行上的按鈕

2. 程式碼編輯與測試：真的會改你專案的那種

3. 自訂工具擴充：把你自己的腳本、API 變成 agent 的能力

4. 接任意 LLM：OpenAI、DeepSeek、本地模型都行

適合誰用？三種典型場景

1. DevOps／SRE：日常腳本自動化

2. 開發者：專案 boilerplate 生成與重構

3. 團隊工程流程：CI 前自動檢查與修修補補

怎麼開始：最快速的上手路徑

1. 用 Docker 跑起官方範例（最快測試）

2. 本機安裝（Rust 使用者）

3. 接上常見模型（OpenAI / DeepSeek / 本地 LLM）

OpenAI

DeepSeek

本地 LLM（以 Ollama 為例）

寫一個自己的「任務腳本」：讓 agent 連續完成幾個步驟

實戰：從零做一個小型自動化 workflow

Step 1：準備專案與權限

Step 2：定義 workflow（示意）

Step 3：實際執行與調整

小結：下一步可以怎麼玩？

留言

發佈留言取消回覆

更多文章

自我優化 LLM Stack 實戰架構

用 GlycemicGPT 把血糖變成可讀故事

5 分鐘做出你的 Claude 專屬小 Agent

當 ChatGPT 想看你的帳本：先用，再質疑

用 goose AI Agent 開一隻全能小幫手

goose 和一般聊天機器人有什麼不同？

核心功能：你可以拿 goose 來做什麼？

1. 調用殼層指令：讓 LLM 幫你按命令行上的按鈕

2. 程式碼編輯與測試：真的會改你專案的那種

3. 自訂工具擴充：把你自己的腳本、API 變成 agent 的能力

4. 接任意 LLM：OpenAI、DeepSeek、本地模型都行

適合誰用？三種典型場景

1. DevOps／SRE：日常腳本自動化

2. 開發者：專案 boilerplate 生成與重構

3. 團隊工程流程：CI 前自動檢查與修修補補

怎麼開始：最快速的上手路徑

1. 用 Docker 跑起官方範例（最快測試）

2. 本機安裝（Rust 使用者）

3. 接上常見模型（OpenAI / DeepSeek / 本地 LLM）

OpenAI

DeepSeek

本地 LLM（以 Ollama 為例）

寫一個自己的「任務腳本」：讓 agent 連續完成幾個步驟

實戰：從零做一個小型自動化 workflow

Step 1：準備專案與權限

Step 2：定義 workflow（示意）

Step 3：實際執行與調整

小結：下一步可以怎麼玩？

留言

發佈留言 取消回覆

更多文章

自我優化 LLM Stack 實戰架構

用 GlycemicGPT 把血糖變成可讀故事

5 分鐘做出你的 Claude 專屬小 Agent

當 ChatGPT 想看你的帳本：先用，再質疑

發佈留言取消回覆