Goose 这个项目，名字有点普通。
点开 GitHub 才发现，Star 已经冲到 5w+，不是之前那种三万多的小热度了。项目也从 block/goose 挪到了 Agentic AI Foundation，挂在 Linux Foundation 下面。这个细节我会多看一眼，至少说明它不是一个随手丢出来的 demo。
它想干的事也不绕。
不是让 AI 给你补一段函数。
不是你问一句，它答一句。
Goose 更像你在本地开了一个会跑命令的 AI 工程师。你给它一句任务，比如把测试修掉、补点文档、跑一下项目，它会自己读文件，自己改代码，自己执行 shell，报错了再回头改。
这跟平时用 ChatGPT 写代码的感觉不太一样。
以前是这样：AI 写一段，你复制进 IDE，跑崩了，再把报错贴回去。来来回回几轮，最后人比 AI 还忙。
你就是那个中间件。
Goose 想少掉这个人肉转发的过程。
官方说它是跑在你机器上的 general-purpose AI agent，有桌面端，也有 CLI，还能通过 API 接进别的地方。代码、工作流、数据分析、自动化，都能碰一点。项目 README 里也写得很直接：它不只是 code suggestion，而是 install、execute、edit、test 这些动作都能做。
我比较在意的是本地这件事。
很多公司仓库不能随便丢给外部模型，尤其是老项目，一堆内部接口、配置、历史包袱。Goose 可以接本地 LLM，也能走 Ollama 这类本地供应商。官方文档里也提到，本地模型能让数据留在自己环境里，甚至离线干活。
当然，别想太美。
本地模型要真的干复杂任务，机器配置、模型工具调用能力，都得跟上。模型不支持 tool calling，Goose 那套扩展能力基本就废了一大半。官方文档里也专门提醒了这点。
它没有绑死某一个模型。
Anthropic、OpenAI、Google、Ollama、OpenRouter、Azure、Bedrock 这些都能接。官方页面写的是 15+ providers，MCP 扩展也有 70+。
这地方有点像“插线板”。
模型是一个插头。
文件、终端、浏览器、GitHub、数据库，又是别的插头。
Goose 夹在中间，负责把这些东西串起来。
我不太想把它写成“下一代 AI 编程范式”那种大词，没必要。你真用起来，最明显的差别可能就是少切几个窗口。
少复制一次报错。
少盯着它问“然后呢”。
Goose 现在也有桌面端，macOS、Linux、Windows 都有；喜欢终端的直接装 CLI。GitHub Releases 还在持续发版，最近一个版本是 2026 年 7 月 3 日的 v1.41.0。
这类 agent 工具，别指望一上来就替你接管整个项目。
需求写歪了，它照样能跑很久，最后跑出一堆很努力但没用的改动。
我更愿意先丢小任务。
比如修一批测试。
补一段 README。
升级一个依赖。
清理几个 lint 报错。
跑完再看 diff。
GitHub 地址：block/goose