Autoloom 是一款 AI 编码桌面客户端，官方定位是「Governance Engineering for Coding Agents」——把 Aegis 治理方法内置到执行链路里：任务开始时先审视目标、事实、既有能力与约束，判断这次改动是否必要；改动前检查重复职责与无谓层级；交付前把需求、实际执行和验证材料三方对照，说明哪些完成了、哪些还没验证。客户端免费，模型自选。首个正式版 v0.1.0（2026-11-13）目前只有 Windows x64 版，macOS 与 Linux 版计划中。客户端源码目前未公开。 定价：客户端免费下载使用；模型用量由你所选的模型服务商计费（官方：The client is free; your chosen provider bills model usage）。其余付费方案暂未公开。编辑评分：⭐ 4.5。
Autoloom 是什么？
把工程判断力装进 AI 编码执行链路里的桌面客户端。
官方的定位是 Governance Engineering for Coding Agents——治理工程。它把 Aegis 的核心治理方法带进编码运行时：先质疑这次改动是否必要，改动前挑战自己的假设，交付前对照需求与执行证据做复核。
用官方自己的说法，目标是「少花时间提醒你的 Agent 先去调研、避免不必要的复杂度、并展示它到底验证了什么」。
需要先说清楚两件事：客户端源码目前未公开；目前只有 Windows x64 版（首个正式版 v0.1.0 已于 2026-11-13 发布，走正式 latest 更新通道）。
核心方法：在决策点做推理
官方把 Aegis 的方法映射到开发流程的四个位置，这张表值得逐行看：
| 方法 | 在流程里的作用 |
|---|---|
| 第一性原理与变更必要性 | 任务开始时审视目标、事实、既有能力和约束，确立「为什么必须改」，以及是否已有足够的现成方案 |
| 反熵与结构复杂度检查 | 改动前检查重复职责、无谓层级与维护负担，确保新增的复杂度对应一个具体问题 |
| 反例审查与因果诊断 | 改动前检查可能推翻方案的条件；执行失败后要求基于观察与证据做诊断 |
| 实现一致性与完成度复核 | 记录结果前对照需求、实际执行与验证材料，说明哪些完成了、哪些还没验证 |
关键在于官方把这些要求放到流程里对应的时间点，并检查关键操作的前置顺序、保留过程记录。但官方也把边界划得很清楚：「方法是否应用得当、结果是否可靠，仍然需要从代码、执行结果和验证证据去判断。」
实际能看到的机制
1. Governance impact 折叠行 在项目变更被采纳并执行之前，会话里会显示一行折叠的治理影响说明，描述相关方法如何改变了这次具体动作。它的用户可见字段跟随请求语言，完整记录仍可展开检查。
2. 项目决策留痕 已记录的项目目标、约束与关键决策会随项目保存。这些决策发生变化时，会展示一份具体的 diff 供你确认。
3. 可配置的偏好 可以设置测试优先偏好和代码复杂度阈值，让它贴合你自己项目的要求。
4. 工作空间 支持本地项目与通过 SSH 连接的 Linux x64 远程项目。项目文件、代码 diff、命令日志、预览和可停靠的交互终端都在同一个界面里。
5. Web 搜索开箱可用 本地与 SSH 项目都能用 Web 搜索，走内置的公开 Parallel / Exa MCP 服务，不需要单独配搜索 API Key。直接读页面时支持代理 Fake-IP DNS，同时保留公网访问检查。官方也提醒匿名搜索仍受上游限制。
6. 内置更新 客户端会后台检查并下载更新（v0.1.0 起走正式 latest 通道），下载完成后点「Restart to update」即可安装并重开。官方提醒：更新前先把在跑的任务收尾或停掉，普通退出不会安装更新。
技术底座
Autoloom 构建在 DeepSeek 官方的开源 DeepSeek Harness dsh-v0.1.1-rc.2（源码 commit b150a551）之上，保留了 Cordis 插件机制。官方表示会持续跟进上游发布，并把适配后验证过的改动纳入，同时保持自己的版本号与发布节奏。
客户端保留第三方许可与版权声明。
价格、平台与授权
价格：客户端免费，模型自选。 官方原话是「The client is free; your chosen provider bills model usage.」——软件不收钱，但你接入的模型服务商按用量计费。当前没有公开的其它付费方案。
平台：目前只有 Windows x64 正式版（v0.1.0）。 安装包名为 Autoloom-。官方称 macOS 与 Linux 桌面客户端计划中。另外远程项目支持 Linux x64（走 SSH，需要 Node.js 22.x，即 22.19 或更高；受限命令还需要可用的 Bubblewrap 沙箱后端）。
授权：客户端源码当前未公开。 官方明确写「Autoloom's client source code is not currently public」，并说明这不代表永久闭源，未来会评估开源范围与方式。所以它不是开源项目，GitHub 上的仓库是官方发布下载、更新说明和收集反馈的入口。
升级与安装需要注意的事
官方在发布说明里列了几条，建议照做：
- 更新前保存进行中的工作。 v0.1.0 升级须知提醒已装 Beta 的用户先收尾任务、保存工作，再在设置里检查更新、后台下载完成后点「重启以更新」；Beta 时期官方提醒过数据格式可能变动、升级前备份重要项目。
- 安装包没有 Windows 代码签名。 可能触发未知发布者或 SmartScreen 提示。请从本仓库 Releases 下载并校验校验和，不要为了装它去关掉系统安全功能。
- 每次发布都提供
SHA256SUMS。 可用 PowerShell 的Get-FileHash -Algorithm SHA256核对。 - 无密钥的安装/更新/界面检查不等于真实模型端到端测试通过。 具体验证范围看每次 Release 的说明。
值不值得用？
优点：
- 把「先想清楚再动手」变成运行时约束。 不靠你反复提醒，而是放在对应时间点检查前置顺序并留痕。对受够了「AI 改完说不清为什么改」的人来说，这个方向很对症。
- 过程可查。 Governance impact 行与项目决策 diff 让「AI 为什么这么改」有据可依，而不是只能看最终结果。
- 不锁模型。 客户端免费、提供商自选，你在设置里填自己的 API Key 就行。
- 远程项目一起管。 本地和 SSH 远程项目在同一个工作空间，含 diff、命令日志、预览与终端。
- Web 搜索不用额外配 Key。 内置公开 MCP 服务，省一步配置。
缺点：
- 平台覆盖窄。 只有 Windows x64；macOS 与 Linux 用户现在用不上。
- 不开源。 客户端源码未公开，无法自行审计或改造。官方说未来会评估，但当前只能接受现状。
- 安装有摩擦。 无代码签名，Windows 会拦；要自己核 SHA256SUMS。
- 升级仍要谨慎。 v0.1.0 是首个正式版，官方提醒更新前保存进行中的工作，重要项目先备份。
- 模型费用另算。 客户端免费不等于零成本。
总体结论： 如果你在 Windows 上做 AI 辅助开发，又一直对「Agent 改代码改得说不清」这件事不满意，Autoloom 提供了一个少见的解法——把治理方法放进执行链路，而不是放在提示词里靠人盯。现在值得试，但 v0.1.0 是首个正式版，建议拿备份过的项目、小范围改动开始。macOS / Linux 用户先等等。
使用建议
1. 从 Releases 下载并核对校验和。
无代码签名，务必核对 SHA256SUMS，不要为了安装去关掉系统安全功能。
2. 拿一个已备份的测试项目开局。 官方建议就是「open a test project you have backed up and start with a clearly scoped change」，照做最省心。
3. 先把模型接好再干活。 设置里添加模型提供商与 API Key，并选定默认模型。不同模型的治理表现会有差异。
4. 认真读那行 Governance impact。 它展示的是「相关方法如何改变了这次具体动作」。如果一行都读不出改动理由，说明这次变更的治理质量不高，值得回头问。
5. 项目决策变更时看 diff。 它会展示具体差异供你确认，这是把项目上下文钉住的关键机制，别习惯性点过。
6. 更新前先停任务。 后台下载完成后点「Restart to update」才会安装；普通退出不会安装。更新前把在跑的任务收尾，避免状态错乱。
适合谁用？
推荐： 在 Windows 上做 AI 辅助开发、又对「改动理由与交付证据」有要求的开发者；想给团队引入可审计 AI 编码流程的技术负责人；已经在用 DeepSeek Harness 生态的人。
可考虑： 需要把治理方法固化进日常开发、但不想自己写一堆规则的团队；经常连远程 Linux 开发机干活的人。
不推荐： macOS 或 Linux 用户（客户端还没出）；必须能审计源码才能进入流程的场景；不接受首个正式版早期风险的正式生产项目。
一句话：它想解决的问题是「让 AI 的改动说得清、验得明」，解法是把治理做进运行时而不是提示词里——方向值得试，但刚到首个正式版，仍建议拿备份过的项目小范围开始。
