Kilo：把 AI 工程師變成你的隊友

📌 本文重點

• Kilo 把「AI 寫程式」變成可維護、可自動化的流程
• 透過 Coding Agent 深度整合 Git、CI/CD 與多模型
• 適合從 side project 到團隊技術債整理的多種場景

Kilo 要解決的是：開發者用一堆零散 AI 工具寫程式，卻沒有一個「可維護、可自動化」的整體開發流程。

Kilo 自稱是「agentic engineering platform」——你可以把它想成：在你的 repo 裡駐點的一個 AI 全端工程師，會幫你

• 建專案骨架
• 寫/改功能
• 跑測試、看錯誤訊息
• 幫你重構、整理技術債

而且能直接接上你現有的 Git repo、CI/CD、以及本機或雲端的模型 Provider。

---

為什麼需要「agentic 開發平台」？

你現在可能已經在用：

• VS Code 外掛（例如 Continue）生成小段程式碼
• ChatGPT / Claude 看片段檔案、問問題
• CLI 工具跑一下重構或加註解

問題是：

• 多工具拼接難維護：聊天室裡有一堆 prompt 歷史、VS Code 裡有另一堆，過幾天就找不到當初怎麼做到的。
• Prompt 難複用：每次要做類似任務，都要重新描述一遍需求，無法像 CI script 一樣版本化、共用。
• 沒有「可測試」的 AI 工作流：AI 幫你改了一堆檔案，但沒有標準化流程（跑測試、檢查 diff、回滾），風險很高。

💡 關鍵： Kilo 的價值在於把一次性的「聊天魔法」變成可版本化、可測試、可接入 CI/CD 的標準工程流程。

Kilo 的定位，就是把「AI 幫你寫程式」這件事，變成可配置、可重複、接得進 CI/CD 的工程流程，而不是一次性的聊天魔法。

---

核心功能 1：代碼代理接管「從建專案到重構」的流水線

在 Kilo 裡，你不是跟模型聊聊天，而是跟一個 Coding Agent 合作。這個 agent 可以：

• 讀你的 repo、測試檔、package.json
• 根據指令規劃任務（新增功能、修 bug、重構）
• 自動修改多個檔案、寫測試、跑測試
• 回報變更內容，讓你決定要不要 merge

你可以這樣用：

1. 選一個 side project 資料夾：

bash
cd my-project
# 假設 Kilo 提供 CLI，例如：
kilo init

1. 用自然語言下任務（以下為示意）：

bash
kilo task "在 /api/users 加一個 POST /users endpoint，驗證 email 格式，並補一個 basic 測試"

1. 查看 Kilo 的輸出：

2. 會顯示改了哪些檔案

3. 建議的測試指令

4. 可能的風險或 TODO

5. 自己跑一次 git diff，確認沒問題再 commit。

這個流程很貼近 Reddit 那篇「local coding agents 要一直看護」的心得，只是 Kilo 把「小任務 → 跑測試 → 看 diff → 重複」這套節奏變成標準功能，而不是你自己硬湊。

---

核心功能 2：跟現有 Git repo、CI/CD 同步工作

和一般 IDE 插件不同，Kilo 一開始就假設你有一個「活生生」的 repo 和 pipeline：

• 直接在現有 repo 裡工作：不需要複製專案到另一個 SaaS；Kilo 讀的就是你本機或公司 Git server 裡的原始碼。
• 可輸出標準化變更：讓你用 Pull Request / Merge Request 流程來審核 agent 的修改。
• 能接到 CI/CD：
• 在 CI 裡觸發 Kilo 工作流，例如：當 label 標記 ai-fix 時，讓 Kilo 先嘗試修 failing test。
• 或讓 Kilo 自動根據測試結果重新調整 patch，再推一版。

你可以這樣實作一個「半自動工人」：

1. 在團隊的 monorepo 裡安裝 Kilo CLI。
2. 在 CI（例如 GitHub Actions）加一個 job，當 PR 標上 ai-refactor 時：
3. 讓 Kilo 讀 PR 變更與測試結果
4. 自動嘗試整理重複程式碼、加註解
5. 再 push 一個 commit 到同一 PR
6. Reviewer 的工作就從「手動改所有小問題」變成「看 AI 的 patch，挑重要的修改」。

這樣 Kilo 不會變成神祕黑箱，而是像一個會寫程式的 bot，嵌在你原本的開發流程裡。

---

核心功能 3：在本機模型和雲端模型之間切換

很多人用本地模型（Local LLM）當 coding agent，遇到的情況跟 Reddit 這篇 很像：

• 小修小補很順
• 任務一變大就開始迷路、亂改

Kilo 的做法是：把「用哪個模型」變成設定，而不是你心情。你可以在 config 裡設定：

• provider = local：例如接 Ollama、LM Studio，處理日常小變更、內網環境
• provider = cloud：接 OpenAI、Anthropic 等，用於大 refactor 或跨多模組的大任務

一個實用策略：

• 開發階段：
• 小任務（例如「把這個 service 改成 async/await」）用本地模型
• 大任務（例如「重構整個 auth 流程」）切到雲端模型
• CI 裡：
• 預設用較便宜的雲端模型
• 特定 label / branch 才用昂貴、上下文大的模型

💡 關鍵： Kilo 讓你依任務大小與上下文需求，在本地與雲端模型間切換，避免為每個任務都付「最大 context window」的成本。

這也呼應「context window tax」那篇文章的提醒：不要盲丟整個 codebase 進去，而是用 agent 幫你整理「當下任務真正需要的上下文」，再選適合的模型處理。

---

Kilo 和其它 coding agent 的差異

目前開源世界至少有兩個熱門路線：

• Continue：偏 IDE 助手，貼近個人開發體驗。
• Kilo：偏「平台」，替你包一整套 agentic workflow。

簡單對比：

名稱	核心功能	免費方案	適合誰
Kilo	Agentic engineering 平台，整合 repo / CI / 多模型	開源	有現成 repo、想把 AI 納入正式流程的個人或團隊
Continue	IDE 內嵌 coding agent，自然語言輔助寫碼	開源	主要在本機編輯器工作、想要即時補碼的工程師

如果你想要的是「打開編輯器、有個 AI 可以問」，Continue 很好；
如果你想要的是「把 AI 變成團隊裡固定的一個角色」，Kilo 更接近你要的東西。

---

適合誰用：三種典型場景

1. Side project 快速起步

狀況：

• 你有一個想做很久的 side project，但每次卡在「先建框架、選技術棧」。

可以這樣用 Kilo：

1. 建一個空資料夾 my-saas-idea。
2. 啟動 Kilo，給一句需求：

用 Next.js + Prisma 幫我建一個基本的 SaaS skeleton，要有登入、註冊、簡單的 dashboard。

1. 讓 Kilo 生成初始專案結構、主要頁面、基本 API。
2. 你再手動微調風格與商業邏輯。

目標：把「從 0 到可以 deploy」壓縮到一個晚上。

💡 關鍵： 把從「空資料夾到可部署原型」壓縮到一個晚上，大幅降低 side project 起步門檻。

2. 團隊做 internal tool / PoC

狀況：

• 老闆要一個 data dashboard、內部工作流程工具，功能明確但預算有限。

用法：

1. 由一位工程師負責 repo 結構和核心 domain model。
2. 讓 Kilo 處理：
3. 重複的 CRUD API
4. 表單驗證
5. 基本的表格 / 篩選 UI
6. 在 CI 加上：
7. 每次 PR merge 前由 Kilo 自動生成／更新 API 文件或型別註解。

這樣人類工程師把時間花在與利害關係人對齊需求，Kilo 負責把「說得清楚的需求」變成程式碼。

3. 既有專案引入「半自動開發工人」

狀況：

• 大型 legacy repo，技術債多，沒人想改。

你可以：

1. 挑一小塊模組（例如帳號系統），讓 Kilo 專門負責：
2. 改 function 命名、補型別
3. 把重複邏輯抽成共用 helper
4. 先設定幾個安全守則：
5. 不改動資料庫 migration
6. 不刪 public API
7. 每週固定開一個 ai-refactor branch，讓 Kilo 在上面做整理，再由工程師 review 部分合併。

你會得到一個「穩定每週幫你還 10% 技術債」的 bot，而不是一次性大爆改。

---

15 分鐘上手：從安裝到跑出第一個任務

以下是一個簡化的「試玩路線」，你可以在今天就跑一遍。

步驟 1：從 GitHub 安裝 Kilo

1. 確認你有 Node.js（18+）和 Git。
2. 全域安裝 Kilo CLI（命令以實際文件為準，下面為示意）：

bash
npm install -g @kilo-org/cli

1. 或直接把專案 clone 下來：

bash
git clone https://github.com/Kilo-Org/kilocode.git
cd kilocode
pnpm install
pnpm build

👉 安裝細節請以官方 repo 為準：github.com/Kilo-Org/kilocode

步驟 2：設定第一個模型 Provider

1. 在專案根目錄建立 Kilo 設定檔（假設為 kilo.config.json）：

json
{
"provider": "openai",
"model": "gpt-4.1-mini",
"apiKeyEnv": "OPENAI_API_KEY"
}

1. 在 shell 裡設定環境變數：

bash
export OPENAI_API_KEY=sk-...your-key...

1. 如果想用本地模型（例如 Ollama），則把 provider 換成 ollama，並指定對應模型名稱。

步驟 3：挑一個現有 repo 試跑小任務

1. 選一個你熟的專案，例如：

bash
cd ~/projects/my-api
kilo init

1. 跑一個小而明確的任務，例如新增 API endpoint：

bash
kilo task "新增 GET /health endpoint，回傳 { status: 'ok' }，並補一個簡單的測試"

1. 等 Kilo 完成後：

2. 先跑一次測試（例如 npm test）

3. 看 git diff，確認改動合理
4. 滿意就 commit：

bash
git add .
git commit -m "Add /health endpoint via Kilo"

1. 如果想試重構任務，可以改成：

bash
kilo task "重構 userService：把重複的 email 驗證邏輯抽成 utils/email.ts，新增測試覆蓋 edge case"

跑完這一輪，你就會直觀感受到：Kilo 比「一般聊天式 AI」更像是一位會說明自己在做什麼的 junior 工程師，你的工作變成指定需求、設好護欄、檢查成果。

---

如果你已經在用各種 AI 助手寫程式，但總覺得東一塊西一塊，不妨試著把 Kilo 當成「AI 工程師駐點平台」，用上面這個 15 分鐘路線跑一圈，看看它能幫你穩定接下哪些工作。

🚀 你現在可以做的事

• 打開終端機，依照文中步驟安裝 Kilo CLI，並跑完第一個 kilo task
• 在一個熟悉的 side project 上，設定 kilo.config.json 並嘗試本地模型與雲端模型切換
• 在團隊 repo 的 CI（例如 GitHub Actions）中新增一個 ai-refactor label 流程，讓 Kilo 試著幫忙處理技術債