Kerwin AI Information

標籤: coding agent

  • Kilo：把 AI 工程師變成你的隊友

    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