Goose：Block 出品的 51K Star 通用 AI Agent，不只是写代码

先说结论：Goose 跟 Claude Code 不是一个赛道

如果你把 Goose 当成"又一个终端 Coding Agent"，那你理解错了。Goose 是 Block（Square 母公司）做的通用 AI Agent——不只写代码，还能做研究、写文档、自动化流程、数据分析。它有桌面应用、CLI、API 三种形态，用 Rust 写的，现在挂到了 Linux Foundation 的 Agentic AI Foundation (AAIF) 下面。

51K Star，Apache 2.0 协议，2024 年 8 月创建，现在是 v1.25+。这个项目已经不是实验品了。

但说实话，Goose 在中文技术圈的存在感很低。搜"Goose AI"出来的结果远不如 Claude Code、Codex CLI、甚至 Aider。我觉得这不正常——它值得被认真讨论。

赛道定位：它在哪条线上

当前 AI 编程工具大致分三类：

第一类：专用 Coding Agent。Claude Code、Codex CLI、Aider、OpenCode。核心就是帮你写代码、改代码、跑测试。它们解决的是"写代码更快"这个问题。

第二类：IDE 内嵌 Agent。Cursor、Windsurf/Devin Desktop、Cline、Continue。在 IDE 里加了 Agent 能力，Tab 补全 + Agent mode + Background Agent。

第三类：通用 Agent 平台。Goose 属于这一类。它不只是写代码——你用它查文档、写邮件、操作数据库、管理 Jira、跑数据分析都行。它的核心能力是通过 MCP 扩展连接一切。

这不是"谁更好"的问题，而是"解决什么问题"的问题。Claude Code 解决的是"终端里写代码"，Goose 解决的是"一个 Agent 干所有活"。

架构：Interface → Agent → Extensions

Goose 的架构很干净，三个组件：

┌─────────────┐
│  Interface   │  ← Desktop App / CLI / API
└──────┬──────┘
       │
┌──────▼──────┐
│    Agent     │  ← 核心逻辑，管理交互循环
└──────┬──────┘
       │
┌──────▼──────┐
│ Extensions   │  ← MCP Server，每个扩展提供一组 Tools
└─────────────┘

Interface 是用户入口。桌面应用（macOS/Linux/Windows 原生）、CLI、API 三种。桌面应用不是 Electron 套壳——它用 Rust 写的 Tauri 应用，启动速度快，内存占用低。

Agent 是核心。它管理一个交互循环：用户请求 → 发给 LLM → LLM 返回 tool call → Goose 执行 tool → 结果返回 LLM → 最终回复。这个循环里有个关键步骤叫 Context Revision——Goose 会自动清理过时或无关的上下文，用算法删除旧内容，用更快的小模型做摘要，用 find-and-replace 代替重写大文件，用 ripgrep 跳过系统文件。这些细节加起来，token 成本能省不少。

Extensions 是 MCP Server。Goose 通过 MCP 协议连接外部工具，每个扩展暴露一组 Tools 给 Agent 使用。内置扩展包括开发者工具、网页抓取、自动化、记忆等，还支持连接外部 MCP Server 或自己写。

Extension 的 Rust 实现

Goose 的扩展框架用 Rust 的 trait 定义：

#[async_trait]
trait Extension: Send + Sync {
    fn name(&self) -> &str;
    fn description(&self) -> &str;
    fn instructions(&self) -> &str;
    fn tools(&self) -> &[Tool];
    async fn status(&self) -> Result<HashMap<String, Value>>;
    async fn call_tool(&self, tool_name: &str, params: HashMap<String, Value>) -> ToolResult<Value>;
}

每个 Tool 有 name、description、input schema（JSON Schema），Goose 自动把它们注册到 Agent 的 tool 列表里。LLM 返回 tool call 时，Goose 负责 JSON 解析、执行、错误处理——如果 tool 执行失败，错误信息会作为 tool response 返回给 LLM，让模型自己决定怎么重试。这比"直接报错退出"聪明得多。

ACP：用你已有的订阅，不花钱

这是 Goose 最被低估的功能之一。

ACP（Agent Client Protocol）是一个标准协议，让不同的 Agent 之间可以通信。Goose 支持两种 ACP 模式：

Goose 作为 ACP Server：goose acp 命令把 Goose 启动为 ACP Server（通过 stdio），JetBrains、Zed 等编辑器可以直接连上来用。

ACP Agent 作为 Provider：这是更实用的模式。你可以把 Claude Code 或 Codex 配置为 Goose 的 provider，Goose 会把你的 extensions 作为 MCP Server 传给它们。也就是说——你可以用你已有的 Claude Pro/Max 或 ChatGPT Plus/Pro 订阅来驱动 Goose，不需要额外付 API 费用。

这一点比大多数 Agent 工具都强。Claude Code 只能用 Anthropic 的模型，Codex CLI 只能用 OpenAI 的模型，但 Goose 通过 ACP 可以复用任何 Agent 作为后端。

70+ MCP 扩展：这才是 Goose 的护城河

Goose 的扩展生态是目前所有通用 Agent 里最完整的之一。从 sitemap 来看，官方文档里列了 70+ 个 MCP 扩展，覆盖：

• 开发工具：GitHub MCP、JetBrains MCP、Playwright MCP、Container Use MCP
• 数据库：MongoDB MCP、Neon MCP、Supabase MCP
• 设计：Figma MCP、Excalidraw MCP
• 项目管理：Asana MCP、TODO MCP
• 搜索：Exa MCP、Tavily MCP、Firecrawl MCP
• 记忆：Memory MCP、Knowledge Graph MCP、Cognee MCP
• 媒体：YouTube Transcript MCP、ElevenLabs MCP、Cloudinary MCP
• 安全：Prompt Injection Detection、Adversary Mode

而且 Goose 有个 Skills Marketplace——你可以浏览、安装社区贡献的技能。还有 Recipe Generator 和 Recipe Cookbook，让你把常用的 Agent 工作流保存为可复用的配方。

Context Engineering：不只是写 prompt

Goose 的上下文管理比大多数 Agent 工具做得深。它有一整套 Context Engineering 机制：

• Goosehints：类似 .cursorrules 但是更灵活，可以在项目级、全局级配置
• Persistent Instructions：持久化指令，不会因为 session 结束而丢失
• Hooks：在 Agent 交互循环的特定时机注入逻辑
• Plugins：插件系统，扩展 Agent 的行为
• Subagents：子 Agent 编排，一个 Agent 可以派活给其他 Agent
• Recipes：可复用的工作流配方
• Slash Commands：自定义斜杠命令
• Prompt Templates：提示词模板

这些东西加在一起，Goose 的上下文管理已经不是"写个 system prompt"的水平了，而是接近一个完整的 Agent 编排框架。

我试了一下：真实体验

我在 macOS 上装了 Goose CLI，配置了 Anthropic provider，连了 GitHub MCP 和 Developer MCP。

安装过程：一行命令搞定。比 Claude Code 简单（Claude Code 要 npm install -g）。Goose 还有 Homebrew 安装选项：brew install block-goose-cli。

配置 LLM：goose configure 交互式配置，支持 15+ 提供商。我选了 Anthropic，输入 API key，30 秒搞定。也可以直接用 goose session --provider openai 切换。

第一个任务：让它帮我分析一个 GitHub issue 并提 PR。它自动调用了 GitHub MCP 的工具——读 issue、clone repo、分析代码、生成 fix、提 PR。整个过程比 Claude Code 多了"提 PR"这一步，因为 Claude Code 没有原生的 GitHub PR 工具。

第二个任务：让它帮我写一篇技术博客。它调用了 Developer MCP 和 Fetch MCP，先搜索相关资料，然后生成文章。这个 Claude Code 做不了——它只能写代码，不能做研究。

坑：

• 桌面应用在 Linux 上偶尔闪退，CLI 稳定得多
• MCP 扩展的配置格式跟 Claude Code 的 mcp.json 不完全兼容，需要手动调整
• Context Revision 有时候太激进，把有用的上下文也删了
• 文档虽然全面但组织混乱，找东西要翻好几个页面
• Skills Marketplace 还在早期，很多扩展质量参差不齐

跟竞品怎么选

场景	推荐工具	原因
终端里快速改代码	Claude Code	Prompt caching 省钱，Anthropic 模型最优
开源免费 + 多模型	Goose	15+ 提供商、ACP 复用订阅、70+ MCP 扩展
IDE 内嵌开发	Cursor / Continue	Tab 补全体验、IDE 深度集成
通用 Agent（不只写代码）	Goose	MCP 生态最全、Desktop+CLI+API 三形态
零配置、不想折腾	Codex CLI	OpenAI 生态，开箱即用
用已有的 Claude/ChatGPT 订阅	Goose	ACP 协议复用现有订阅，零额外 API 费

Custom Distributions：企业级玩法

Goose 有个很少被提到的功能：Custom Distributions。你可以构建自己的 Goose 发行版——预配置好 providers、extensions、branding，打包成一个独立的安装包分发给团队。

这对企业来说很有价值。你不需要让每个开发者自己配置 MCP 扩展和 provider，直接发一个定制版 Goose，开箱即用。这比"写个文档教大家怎么配置"靠谱多了。

Local Inference：不联网也能用

Goose 有 goose-local-inference crate，支持本地模型推理。配合 Ollama，你可以在完全离线的环境下使用 Goose。这对安全敏感的场景（金融、医疗、政府）来说是刚需。

大多数 Agent 工具要么完全依赖云端 API（Claude Code、Codex CLI），要么本地推理体验很差。Goose 在这方面做得比较认真。

Goose 的问题

• 中文社区存在感低 — 文档全英文，社区主要在 Discord，中文用户很难找到帮助
• 桌面应用稳定性 — Linux 上偶尔闪退，macOS 上偶尔卡顿
• MCP 配置不兼容 — 跟 Claude Code 的 mcp.json 格式不完全一致，迁移有成本
• Context Revision 太激进 — 有时候把有用的上下文也删了，需要手动调整
• Skills Marketplace 早期 — 很多扩展质量参差不齐，没有评级机制
• 文档组织混乱 — 内容全面但找东西要翻好几个页面

总结

Goose 不是 Claude Code 的竞品。Claude Code 是"终端里最好的 Coding Agent"，Goose 是"最开放的通用 Agent 平台"。它们解决的问题不一样。

如果你只写代码，Claude Code 或 Cursor 就够了。但如果你需要一个 Agent 能写代码、查文档、操作数据库、管理 Jira、做数据分析——而且不想被锁死在一个 LLM 提供商里——Goose 是目前最好的选择。

51K Star、Rust 性能、Linux Foundation 背书、70+ MCP 扩展、ACP 复用订阅、Custom Distributions 企业分发、Local Inference 离线运行——这些加在一起，Goose 的综合实力被严重低估了。

值得一试。一行命令安装：

curl -fsSL https://github.com/aaif-goose/goose/releases/download/stable/download_cli.sh | bash

项目地址：github.com/block/goose

文档：goose-docs.ai

Discord：discord.gg/goose-oss