多提供商模型路由
config crate 中的 route 模块与 provider_descriptors.json 描述提供商、模型与鉴权来源，支持按配置解析出可用路由，而非绑定单一模型厂商。
BAIZE AI RESOURCE
Rust 编写的多模型 AI 编码 Agent，含 TUI、CLI 与云端调度
Codewhale
Rust 编写的多模型 AI 编码 Agent，含 TUI、CLI 与云端调度
资源介绍
Codewhale 是一个以 Rust 实现、面向编码任务的 AI Agent 工具集，仓库由多个 crate 组成：core 负责会话与工具解析，config 负责模型与提供商路由，execpolicy 负责命令执行策略与审批，mcp 负责 MCP 客户端接入，memory 负责上下文与记忆，lane 负责 worktree 与并行任务，tui 与 cli 提供终端界面和命令行入口。它强调提供商中立：通过配置文件和 provider_descriptors 描述不同模型路由，用户可自行选择已配置的模型，而不是被绑定到单一厂商。内置技能（如 batch、best-of-n、debug、dataviz、contributor-onboarding）以 SKILL.md 形式定义工作流，best-of-n 会在独立 worktree 中并行生成多个候选方案并按统一评分标准评审，只有通过验证的胜出方案才被应用。仓库还包含 Daytona 云快照定义，可将固定版本的 codewhale 二进制部署为云端 Computer 执行任务。适合需要本地可控、可扩展、多模型协作的开发者与团队使用。
Agent 能力
内置技能工作流
在 crates/tui/assets/skills 下以 SKILL.md 形式提供可复用任务流程，例如 batch 技能把大型可并行目标拆分为有界工作单元，复用现有 agent/worktree 机制执行、整合并验证，且仅在显式调用时触发。
并行候选与评审
best-of-n 技能在独立 worktree 中并行启动 2–4 个候选（默认 3），用统一评分标准由只读评审者打分，胜出方案需通过验证后才应用。
MCP 与插件扩展
mcp crate 提供 stdio 客户端，tui 资源目录中包含 rust-toolkit 等插件，可通过 MCP 与插件机制扩展工具能力。
资源配置
运行平台
本地运行Docker
Agent框架
自研框架
配置方式
配置文件环境变量API Key
运行与使用
安装 Codewhale，并配置准备使用的模型提供商及必要凭据。
在目标代码仓库中启动 TUI 或 CLI，根据需要启用 MCP 工具、技能或插件。
用自然语言说明要分析、修改或测试的任务，并明确允许操作的文件范围。
审阅 Agent 的计划、工具调用和代码差异；使用云端沙箱时先确认快照与数据范围，再接受最终改动。
使用案例
并行候选方案对比
使用场景面对有多种可行实现路径的设计或调试任务
使用 best-of-n 技能，在独立 worktree 中并行生成 2–4 个候选方案，由只读评审者按统一评分标准打分，胜出方案通过验证后再应用。
新贡献者上手检查
使用场景刚克隆仓库、想确认代码是否最新且能通过 CI
使用 contributor-onboarding 技能，只读检查分支与同步状态，执行 cargo build --release -p codewhale-cli -p codewhale-tui，再运行仓库 CI 的 fmt、clippy、test 验证门。
云端沙箱执行任务
使用场景需要把 Agent 放到隔离的云端环境中运行
基于 computer/snapshots/cloud-agent 的 Daytona 快照创建沙箱，镜像内以非 root 的 agent 用户运行固定版本的 codewhale 二进制，并通过 daytona exec 执行命令。
包含内容
codewhale-source.zip
README-中文安装说明.md
LICENSE-MIT.txt
THIRD-PARTY-NOTICES.md
SHA256.txt
