Open Interpreter：从”本地跑代码的 AI”到 Rust 版 Codex fork

很多人第一次听说 Open Interpreter，是因为它那句”让大模型直接在你电脑上跑代码”：读日历、发邮件、总结文档、改代码，自然语言说一声就干。Koala 项目库条目（ID 663）当年就是这么介绍它的——一个绕过 ChatGPT Code Interpreter”不能上网、上传受限”限制、充分利用本地环境的 CLI 工具。但今天再打开 KillianLucas/open-interpreter 会发现，它已经变了仓库、换了语言、改了许可。本文基于其现官方仓库与文档，讲清它现在是什么，以及老用户该怎么对号入座。

一、它现在是什么：给低成本模型用的 coding agent

今天的 Open Interpreter 官方自述是 “A coding agent optimized for low-cost models”（一个为低成本模型优化的编码代理），仓库迁到 openinterpreter/openinterpreter，约 68.5k Star、5.9k Fork，用 Rust 重写，并且明确说自己是 OpenAI Codex 的一个 fork。

它的核心思路不是”再做一个更强的模型”，而是复刻各家低成本模型官方推荐的 agent harness（提示词 + 工具调用循环），把 Kimi K3、GLM 5.3、DeepSeek、Qwen、Z.AI 这类开源/低价模型的 coding 表现尽量榨出来。你在终端里输入 /harness，就能在下面这些 harness 之间切换：

官方甚至专门用 Rust 重新实现了 Kimi 官方推荐的 Kimi Code harness，以”类 Codex 界面 + 最大 K3 性能”为卖点。

二、技术机制：协议兼容 + 沙箱 + 可移植

新版的几个工程要点（来自官方 README）：

• 协议双兼容：同时支持 ACP（Agent Client Protocol）和 OpenAI Codex 的 exec 协议。已经在用 Codex SDK 的人，把 new Codex() 改成 new Codex({ codexPathOverride: "interpreter" }) 一行就能切过来；
• 原生沙箱执行：在 macOS、Linux、Windows 上都在原生沙箱里跑命令，配合 approvals（审批）机制，不是无脑提权乱执行；
• 任意 OpenAI 兼容模型：interpreter --chat-completions 可以接任何兼容 Chat Completions 的厂商，/model 在 TUI 里随时切换；
• 可移植优先：刻意复用通用标准——仓库级 AGENTS.md、共享 .agents/skills 目录、MCP，产品私有的状态只放在 ~/.openinterpreter，避免把用户锁死在 Open Interpreter 自己的格式里；
• Computer Use：自带 QA skill，能通过 agent-browser 驱动真实浏览器测 web 应用、通过 trycua 操作原生桌面应用。

安装也简化成了一行脚本（macOS/Linux curl ...install | sh，Windows irm ...install.ps1 | iex），装完在终端敲 i 或 interpreter 就开跑。

三、新旧对照：名字没变，内核全换了

这是读这个项目最容易踩的坑，单独列一张对照表：

官方在 README 末尾专门加了一句”Looking for the original Python project? It lives on as a community-maintained fork”，就是怕老用户找错地方。

四、口径偏差：宣传与现实的距离

1. 品牌延续性是最大的”误导”：搜索引擎和历史文章里的 Open Interpreter 几乎都是那个 Python、AGPL、“本地万能助手”的版本；但今天这个同名仓库是 Rust Codex fork，定位收敛到了 coding agent。拿老教程（pip install open-interpreter、一堆 Python API 用法）来装新版会对不上；
2. “本地 AI 助手”= 让 LLM 在你机器上执行命令：这既是卖点也是最大风险。官方现在靠原生沙箱 + 审批来缓解，但本质上你是在授权一个会犯错的模型操作你的文件系统与 shell。Koala 当年 Demo 里”发邮件、读日历”这类高权限动作，真实使用时必须配合审批与沙箱，别图省事开全放行；
3. “optimized for low-cost models”是定位，不是跑分：官方没有给出一个独立、可复现的第三方基准对比表，“把低成本模型性能榨干”靠的是复刻各家官方 harness 这种工程 trick——它不改变模型本身的能力上限，只是少浪费；
4. harness 列表很长本身就是依赖信号：一长串 claude-code/kimi-code/qwen-code/deepseek-tui 说明它在逆向对齐各家商业 coding agent 的交互细节，一旦某家改了自己的 harness 提示词或循环，对应的模式就可能”失真”。

五、优势与局限

优势：

1. 低成本模型的 coding 体验救星：把 Kimi/GLM/DeepSeek/Qwen 这类便宜模型的 agent 能力，通过 harness 复刻拉到接近商业 coding agent 的水平；
2. 协议兼容、可移植：ACP + Codex exec 双兼容，复用 AGENTS.md/MCP/.agents/skills，不锁用户；
3. 真跨平台沙箱：三大桌面系统原生沙箱执行，比”直接裸跑”安全一档；
4. 许可友好：新版 Apache-2.0，比老版 AGPL-3.0 对商用友好得多。

局限：

1. 定位收敛、不是当年的”万能本地助手”：新仓库聚焦 coding，想找当年那个什么都干的 Python 版，得去 endolith fork；
2. 安全模型仍需人把关：LLM 直接动本地系统，沙箱和审批不能省，误删/误发风险始终在；
3. 依赖外部模型：本身不带模型，能力上限由你接的那个低成本模型决定；
4. harness 是”追着别人抄”：靠对齐各家官方交互范式，自身原创的 agent 设计沉淀有限。

六、谁该关注

• 想用便宜开源模型（Kimi/GLM/DeepSeek/Qwen）做终端 coding 的开发者：这是它现在最直接的目标用户；
• 已在用 OpenAI Codex SDK 的团队：一行 codexPathOverride 就能切到它试低成本模型；
• 怀念当年”本地万能助手”的老用户：要去 endolith/open-interpreter 社区 fork，别在新仓库找；
• 对”LLM 直接操作本机”零容忍的场景：生产/敏感机器上慎用，务必开审批与沙箱。

参考来源

• Open Interpreter GitHub 仓库（现 Rust/Codex 版）
• Open Interpreter 官方文档
• 原 Python 项目社区维护 fork
• Koala 项目库条目：Open Interpreter | 本地 AI 助手