# Loushang：面向复杂交付的 AI 原生代码编排平台

> 以方法论为核心的 AI 编程工作系统，支持多模型运行时、有状态会话、工具治理和可追溯交付，为复杂软件开发提供可靠的基础设施。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-06-04T13:44:21.000Z
- 最近活动: 2026-06-04T13:53:12.699Z
- 热度: 127.8
- 关键词: Loushang, AI 编程, 方法论运行时, 有状态会话, 工具治理, 可追溯交付, 多模型, Agent 编排, 复杂工作流, 软件工程
- 页面链接: https://www.zingnex.cn/forum/thread/loushang-ai
- Canonical: https://www.zingnex.cn/forum/thread/loushang-ai
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：zhnt
- 来源平台：github
- 原始标题：loushang
- 原始链接：https://github.com/zhnt/loushang
- 来源发布时间/更新时间：2026-06-04T13:44:21Z

## 原作者与来源\n\n- **原作者/维护者**: Heng Zhou（周恒）\n- **来源平台**: GitHub\n- **原始标题**: Loushang: AI-native coding orchestration platform\n- **原始链接**: <https://github.com/zhnt/loushang>\n- **开源协议**: Apache-2.0\n\n---\n\n## 项目概述\n\nLoushang（楼上）是一个以方法论（Method）为核心的 AI 原生编程工作系统，旨在解决当前 AI 辅助编程工具在复杂软件开发场景中的可靠性问题。项目发起人 Heng Zhou 拥有低代码系统、工作流引擎、数据库、模型驱动工程等领域的深厚背景，他将这些经验融入 Loushang 的设计中，试图构建一个从意图到验证交付的完整方法论运行时。\n\n与 Cursor、GitHub Copilot 等以"补全"和"生成"为主要交互模式的工具不同，Loushang 将"方法"、"阶段"、"角色"、"工具"、"会话"和"工作产物"都视为运行时对象。其目标不仅是让智能体更聪明，更是让复杂工作变得更可靠、可恢复、可审计、可交付。\n\n---\n\n## 设计哲学：为什么需要 Loushang\n\n现代 AI 智能体已经能够规划和行动，但在复杂工作场景中，上下文丢失、执行无法恢复、工具难以治理、结果无法验证等问题仍然普遍存在。Loushang 的设计哲学基于以下观察：\n\n**上下文持续性**: 传统的对话式 AI 编程往往是一次性的——一旦会话结束，上下文就丢失了。Loushang 引入了"有状态会话"概念，会话可以暂停、恢复、分叉和导出，确保长周期项目的连续性。\n\n**方法论的可操作性**: 软件工程中的各种方法论（如 TDD、DDD、敏捷开发）通常停留在理论层面。Loushang 将方法论编码为可执行的运行时对象，包括阶段定义、指导原则、验收标准等，使方法论真正落地。\n\n**工具治理**: 当 AI 智能体可以调用任意工具时，安全性和可预测性成为关键问题。Loushang 提供了工具治理框架，定义哪些工具在何种策略下可用，并记录完整的调用链路。\n\n**可追溯交付**: 复杂工作的交付物需要可追溯——谁做了什么、为什么这样做、经过了哪些验证。Loushang 将交付过程本身作为一等公民，支持审计和复盘。\n\n---\n\n## 核心概念与架构\n\n### Method（方法）\n\n方法是 Loushang 的核心抽象，代表一种可复用的工作执行方式。一个方法定义包括：\n\n- **阶段（Stages）**: 工作执行的顺序步骤\n- **指导（Guidance）**: 每个阶段的具体指引\n- **验收期望（Acceptance Expectations）**: 阶段完成的判断标准\n\n例如，一个"功能开发"方法可能包括：需求理解 → 架构设计 → 测试用例编写 → 代码实现 → 代码审查 → 集成测试 → 文档更新等阶段，每个阶段都有明确的输入、输出和验收条件。\n\n### Session（会话）\n\n会话是持久化的编码对话和执行记录。与传统的一次性聊天不同，Loushang 的会话具有以下特性：\n\n- **可恢复**: 随时回到之前的会话状态继续工作\n- **可分叉**: 从某一点创建新的分支会话，探索不同方案\n- **可导出**: 将会话历史导出为标准格式，便于分享和存档\n- **可诊断**: 分析会话的执行路径、决策点和异常\n\n这种设计使得复杂项目的开发过程不再是一次性的黑盒，而是可管理、可复现的工程资产。\n\n### Tool（工具）\n\n工具是在策略约束下向智能体提供的可执行能力。Loushang 区分了内置工具（如代码搜索、文件操作）和项目级扩展工具，后者可以通过 Extension 机制动态注册。\n\n工具治理包括：\n- 工具注册与发现\n- 调用策略（何时可以调用、需要什么权限）\n- 调用记录与审计\n- 结果验证与错误处理\n\n### Extension（扩展）\n\n扩展机制允许项目级自定义，包括：\n\n- **Hooks**: 在特定生命周期点插入自定义逻辑\n- **Custom Tools**: 项目特定的工具实现\n- **Dynamic Resources**: 运行时动态加载的资源\n- **Commands**: 自定义 CLI 命令\n- **Flags**: 扩展配置选项\n\n这种设计使得 Loushang 可以适应不同团队、不同技术栈的特定需求，而不需要修改核心代码。\n\n### Model Provider（模型提供商）\n\nLoushang 通过模型目录（Model Catalog）统一接入多种 AI 提供商和模型，包括 OpenAI、Anthropic、Google、DeepSeek、Kimi 等。用户可以在不同任务中选择最适合的模型，系统负责路由、流式处理、工具调用和成本追踪。\n\n---\n\n## 当前可用功能\n\nLoushang 目前处于早期开发阶段，核心可用功能包括：\n\n**loushang code**: 面向软件开发的 CLI 和终端工作台，是当前的主要产品形态。支持模型路由、持久化会话、工具调用、扩展机制和方法论引导的编码流程。\n\n**loushang.ai**: 提供商感知的 AI SDK，提供模型注册表、流式处理、工具调用和成本辅助功能。这是构建其他工作表面的基础层。\n\n**内置工具集**: 代码搜索、文件操作、终端执行、Git 操作等常用开发工具。\n\n**扩展系统**: 项目级扩展钩子、自定义工具、动态资源和命令。\n\n---\n\n## 快速开始\n\nLoushang 推荐从源码运行：\n\n```bash
git clone https://github.com/zhnt/loushang.git
cd loushang

# 使用 uv 创建虚拟环境
uv venv .venv
source .venv/bin/activate
uv pip install -e ".[dev]"

# 查看帮助
loushang --help
loushang --list-models
loushang --list-commands

# 开始一个任务
loushang -p "Inspect this repository and summarize what it does."
```\n\nMakefile 提供了便捷的 `make bootstrap` 命令，自动创建虚拟环境并安装开发依赖。对于本地二进制安装，可以使用 `make install-binary`。\n\n---\n\n## 发展路线图\n\nLoushang 的发展规划分为五个阶段：\n\n**V1**: loushang code 作为主要的产品形态，专注于软件开发场景。\n\n**V2**: loushang work 作为个人复杂工作工作台，支持代码、研究、演示文稿等专门化流程。\n\n**V3**: 引入守护进程（daemon）、方法市场和模型网关基础设施，支持更复杂的部署场景。\n\n**V4**: 团队工作流、共享运行、审批流程、预算管理和审计功能。\n\n**V5**: 托管运行时，为方法论绑定的复杂工作提供完全托管的执行环境。\n\n目前稳定聚焦在 V1 阶段，loushang code 和底层的 loushang.ai SDK 是开发重点。更广泛的工作表面（如 loushang research、loushang ppt）属于路线图中的演进方向。\n\n---\n\n## 技术借鉴与致谢\n\nLoushang 的设计借鉴了多个开源项目的设计和工程模式，包括 OpenAI Codex、pi、python-prompt-toolkit、browser-use、Kimi CLI、superpowers、gstack、openclaw 和 hermes-agent。这些项目作为参考和灵感来源，除非在 THIRD_PARTY_NOTICES.md 中明确列出，否则本仓库不包含或重新分发它们的代码。\n\n这种开放的学习态度体现了项目团队对工程最佳实践的重视，也表明 Loushang 是在充分研究现有方案基础上的创新，而非重复造轮子。\n\n---\n\n## 与现有工具的比较\n\n| 维度 | Loushang | Cursor / Copilot | 传统 IDE |\n|------|----------|------------------|----------|\n| 交互模式 | 方法论引导的阶段性交付 | 实时代码补全和建议 | 手动编码为主 |\n| 上下文管理 | 有状态、可恢复、可分叉 | 会话级，通常一次性 | 文件级 |\n| 工具治理 | 策略化、可审计 | 有限或缺失 | 插件机制 |\n| 交付可追溯 | 内置审计和复盘 | 依赖外部版本控制 | 依赖提交历史 |\n| 方法论支持 | 方法论作为运行时对象 | 提示工程 | 流程规范文档 |\n\nLoushang 的定位不是替代现有工具，而是填补它们在复杂、长周期、高可靠性要求场景中的空白。\n\n---\n\n## 局限与注意事项\n\n作为早期阶段的项目，Loushang 目前存在以下局限：\n\n首先，项目仍在积极开发中，API 和命令行接口可能会发生变化。生产环境使用前需要充分测试和评估。\n\n其次，虽然方法论框架已经设计完成，但内置的方法库仍在建设中。用户目前需要较多自定义配置才能发挥方法论优势。\n\n最后，多模型支持虽然架构上已就绪，但实际测试覆盖的模型和提供商有限，边缘场景可能存在兼容性问题。\n\n---\n\n## 结语\n\nLoushang 代表了对 AI 辅助编程工具演进方向的一种思考：从"更聪明的补全"走向"更可靠的交付"。它试图回答一个问题：当 AI 可以生成代码时，如何确保生成的代码是正确的、可维护的、符合团队标准的？\n\n通过将方法论、会话、工具和扩展都作为一等公民，Loushang 为复杂软件开发提供了一个有原则的框架。它可能不会让每个开发者都更快，但目标是让团队开发更可靠、更可预测、更可审计。\n\n对于那些在 AI 编程工具浪潮中感到"快但乱"的开发团队，Loushang 提供了一种可能的替代路径：不是追求极致的生成速度，而是追求交付的确定性和可追溯性。这或许正是企业级软件开发真正需要的。