AnyModelBot 深度评测:19 天 314 个提交 35 个版本,2045 个测试跑出 6 条红,其中 4 条是宿主限制

AnyModelBot 深度评测:19 天 314 个提交 35 个版本,2045 个测试跑出 6 条红,其中 4 条是宿主限制

想在微信里让 AI 干活,绕不开一个尴尬:网页版聊得再顺,它也碰不到你电脑上的文件、开不了你的软件;真让它动手,又要自己搭沙箱、配审批、做记忆。AnyModelBot 想省掉的正是这一步——一个装在自己电脑上的桌面应用,机器人有记忆、能跑命令、能在授权后操作电脑,还能接进微信、飞书、Telegram、Slack、Discord。19 天里它涨到 4,097 Star,发了 35 个版本。

先把它是什么说清:它是应用,不是按订阅卖的模型服务。应用本体 MIT 免费,模型走作者自家的 Modelflare 按量付费,也可以填各家的官方 Key 直连。这条边界我放在后面单独一段讲。

我把仓库整个 clone 下来,在隔离沙箱里装了依赖、跑了两遍类型检查、分三段跑完它自带的 2,045 个测试。下面全是自己跑出来的数字。

一、19 天 314 个提交:两天搭骨架,之后小步发版

仓库 2026-10-27 建,最后一次提交是 11-15。314 个提交分布在 17 个有提交的日子里:

日期 提交数 备注
2026-10-27 9 首提交一次性落地运行时、飞书/微信渠道、内置网关、界面、Electron 桌面壳、Docker
2026-10-30 ~ 11-01 19 + 82 + 105 三天 206 个,占全部 314 个的 65.6%
2026-11-02 ~ 11-03 17 + 16 收尾与修复
2026-11-04 ~ 11-11 每天 1 ~ 10 个 进入小步节奏
2026-11-14 ~ 11-15 12 + 13 冲 0.1.36 到 0.1.40

10 月 31 日和 11 月 1 日两天合计 187 个提交,占总量 59.6%。之后单日再没超过 17 个。

版本节奏更极端:GitHub Release 35 条(31 条语义版本 v0.1.5 到 v0.1.40,加 4 条 win-x64-<版本>-unsigned 的早期 Windows 包),tag 41 个,全部压在 20 天里,平均一天 1.75 个。版本号在这个密度下几乎没有索引作用——想知道两个相邻版本差什么,得翻更新日志而不是记版本号。

二、架构:小依赖树,三个重子模块

真正好看的地方是它的分层,也是我评测里最想让人抄的部分。

生产依赖只有 10 个,开发依赖 12 个。装依赖这一步全部可复现:

项 我跑出来的值
生产依赖 / 开发依赖 10 / 12(另有 29 条脚本、要求 Node 22.13 以上)
npm ci 结果 395 个包、283MB、4.0 秒
锁文件 已提交进仓库(218KB,格式第 3 版)——很多热门仓库不带,它带了
类型检查 两份配置各跑一次,退出码都是 0(1.1 秒 / 1.7 秒)

锁文件在仓库里这一点值得单独说:很多热门大仓库不带锁文件,装出来的依赖每次都不一样;它带了,所以上面这 4 秒可以复制。10 个生产依赖里最重的四个是飞书官方开发包、给桌面壳用的自动更新器、做界面的 preact 和 htm、以及通信库。

但依赖树小不等于项目轻。它真正的重量在三个 git 子模块:

子模块 用途 语言
magpie 子模块 内置模型网关,负责把请求转给各家供应商 Go
deepseek-harness 子模块 代理运行时(也就是机器人的执行引擎,项目里叫 DSH) TypeScript
kimi-computer-use 子模块 电脑操作技能包 TypeScript

src/ 下 20 个模块目录,342 个 TypeScript 文件、57,586 行;其中 src/i18n 一个目录就占 170 个文件(140 个语言包、28 个消息命名空间),所以真正的业务代码是 48,006 行。模块划分是照着产品动作切的,不是照着框架切的:core/ 管统一消息类型与会话队列,delivery/ 管主动消息的免打扰与每日上限,agent/ 是代理宿主与审批桥接,tools/ 是联网搜索、生图生视频、电脑操作、PowerShell、连接应用,tasks/ 是后台任务与规则,store/ 用 Node 自带的 SQLite 所以不需要原生编译。

一个我没想到的细节:架构约束是拿测试兜的,不是写在文档里——有一份测试文件专门检查依赖方向,存储层只能依赖数据形状层,反过来就报错。

规范也几乎不在仓库根:

位置 行数 管什么
仓库根的约定文件 7 第 1 行禁止切分支,其余 6 行全是发版纪律(官网要真的部署上线、发布包与镜像与官网全同步才算发完)
技能目录里的开发规范 42 加一个新目录 Bot 的全部规矩,第一句就把深文档指走
目录 Bot 的参考文档 330 包格式、检查、签名、界面接口
开发文档 311 20 个模块各一句用途,加工程细节

这和那些把规范写成一大摞技能文档矩阵的同类项目正好相反:根上只有发版纪律,代码规矩交给测试,人的规矩交给那 42 行。

三、实证:2,045 个测试,三段式从「1 红」到「全绿」再到「6 红」

测试是我这次评测的主证据,因为它自己会分层:缺哪个前置条件就跳过哪一层,跳过的名单和条件都写在测试文件里。

阶段 前置 文件 用例 耗时
d1 裸跑 三个子模块都没检出 1 失败 / 105 通过 / 13 跳过(共 119) 1 失败 / 1,842 通过 / 202 跳过(共 2,045) 118.5 秒
d2 拉电脑操作子模块 单独拉那一个子模块,浅克隆一层(0.4 秒,17 个文件) 106 通过 / 13 跳过 1,843 通过 / 202 跳过 117.2 秒,退出码 0
d3 装代理运行时 node scripts/prepare-dsh.mjs(570 个包、裁剪后 119.3MB) 2 失败 / 110 通过 / 7 跳过 6 失败 / 1,973 通过 / 66 跳过 291.1 秒,退出码 1

d1 那一条红很好懂:有个用例要读子模块里的技能说明文件,子模块没拉,文件不存在。拉下来 0.4 秒,它就绿了——这也是 d2 能做到 106 个文件全绿、退出码 0 的原因。

但 d2 的全绿有水分:13 个文件被整段跳过,其中包括 agent.integration(49 个用例)、rules.integration、tasks.integration。跳过条件是「找不到代理运行时或找不到 bwrap(Linux 上的沙箱工具)或不是 Linux」。所以 d2 阶段,它最有卖点的那部分根本没被测。

d3 装上运行时之后,那些用例才真正跑起来,于是 6 条红。这 6 条我逐条查了原因,得分成两类。

第一类 4 条,是宿主环境限制,不是项目缺陷:

用例 期望 我这里的实得
遮蔽宿主数据目录 看不到数据库 能列出 anymodel.db、-shm、-wal 等
拦回环管理接口 返回 403 返回 200
默认档位:工作区外的写入被关住、提权要审批 看不到数据库 能读到
完全权限档:命令不装沙箱 回环接口仍被拦 返回 200

原因链我复现了。这些用例要在测试里再起一层沙箱,而我这边已经是沙箱里了,套不了第二层:

验证动作 结果
在沙箱内起一层最小沙箱(bwrap 加两个只读挂载) 报 setting up uid map: Read-only file system
同一条命令在沙箱外跑 退出码 0,正常通过
单独新建用户命名空间 通过
新建用户命名空间并映射成 root 失败:写不进进程的用户映射文件

根因是嵌套环境里 /proc 是只读挂载,而新建用户命名空间的最后一步要往那里写一个映射文件,写不进去。

bwrap 探不通之后,它会按设计退到备选的 Landlock 沙箱——这个我实测是可用的(探针返回「完整」)。但 Landlock 只按路径授权读写,不做网络隔离,所以「遮住数据库」和「拦回环接口」这两件事在这个环境里就落空了。换句话说:这 4 条红测的是宿主有没有能力关住自己,我这台机器没有,不是它写错了。

第二类 2 条,是实现改了、断言没跟上,跟沙箱无关:

用例 断言 实际
系统提示词里机器人设定在最后 结尾等于机器人设定 结尾是「技能和应用」段
规则会话的观察模式提示 含「这次是观察:只看、只查,不改任何东西」 实际是「观察:只看、只查,不写文件、不发消息、不调用写入接口」

第一条我做了探针:在测试里临时打一行日志把系统提示词尾部打出来(跑完已还原),尾部确实是「技能和应用」。翻代码看,拼接顺序从 0.1.36(11-14,加技能库那次)起就变成「机器人段、连接的应用、技能和应用」了,断言还停在旧约定。第二条更明显:那句提示文案在 0.1.33(11-14)改写过,测试没跟着改;规则段本身是正确加载的,探针里能看到。

所以准确的说法是:2,045 个用例里,1,973 个在完整环境下通过,2 条是仓库自己该修的回归,4 条是我这台机器的局限。它的自动构建跑的其实是 d2 那种形态(有电脑操作子模块、没有代理运行时),所以这 6 条里有 2 条在自动构建里根本不会被执行——这是「测试全绿」这句话在这里容易误导的地方。

四、坐标系:它跟谁在一个架子上

把它放进读者熟悉的两个位置看,轮廓更清楚。

第一个位置是「自己电脑上的 Agent 应用」。OpenMuse 是同一赛道最近的参照,6.3k Star、520 个测试,但当时一个正式版本都没发;它走的是另一条路——两天把骨架搭完,然后用 35 个 release 一点点补,测试规模也大一个量级。

第二个位置是「自托管 AI 前台」。LibreChat 是 4.7 万 Star 的自托管对话前台,它解决的是「模型和对话归自己管」,形态是网页。它多走了一步:桌面端、能跑命令、能在授权后操作电脑,代价是它必须处理沙箱与审批——也就是上面那 4 条红的来源。agent-autoloop 代表第三侧——「谁在跑 Agent」这一层,它的答案是把调度放在命令行中台;它的答案是放在你自己的桌面上,让人在微信里就能批。

适合谁:想在自己电脑或家用存储服务器上有一个能读写文件、能定时干活、能从微信说话的助手,并且愿意用 Docker 或装包而不愿自己拼沙箱、审批、记忆、渠道这四件事。不适合谁:介意请求经过第三方网关的人;以及想从源码自己跑通的人——下面这段要有心理准备。

五、边界、代价与结论

先说利益边界,这是这篇最该建议你读的一段。应用本体按开源协议免费开放,包里没有任何订阅或付费字段。但模型默认走作者自家的 Modelflare,按量付费。项目说明文档里有一段自称「一条诚实的边界」的原文:模型请求会经过 Modelflare 转发给你选定的供应商,Modelflare 会保留请求日志,保留什么、保留多久见它的信任中心。同一份文档另一处写得更直白:不声称能做到万无一失,凡是你发给模型的内容都会离开你的设备。本次评测没有购买任何付费服务、没有收取任何费用,与作者也没有往来。

代价清单,按我撞到的顺序:

  • 从源码跑一条通要四样东西:Node 22.13 以上(文档写 22.13 以上,镜像里用 22)、Go(编内置网关,文档写 1.26.8 以上,镜像里用 1.27)、三个子模块、代理运行时。少一样,测试就会静默跳过一整层。
  • 我这台机器没有 Go,所以网关没编出来,也就没跑真模型对话——聊天质量这篇不做评价,我评的是它的工程与测试。
  • 苹果系统上的电脑操作还是测试版,要求系统版本 14.4 以上。
  • issue 区只有 3 条(1 条未关:Windows 安装版启动即退,无窗口无日志)。低 issue 数不等于没坑,也可能是用户规模还没上来——19 天的项目,样本太薄。
  • 贡献者 4 人:作者内圈 3 人占了 310 个提交(98.7%),外部两位分别 14 个和 1 个。这不是社区项目,是一个团队的高频迭代。

我的判断:它是一个把「桌面 Agent 的脏活」做扎实了的项目——沙箱、审批、记忆、渠道、多语言,每一样都留了测试;依赖树小、锁文件在、自动构建只跑能跑的那一层,这些是它敢一天发近两个版本的底气。真正要观察的是两件事:那 2 条与实现脱节的断言什么时候补上(补上说明它在意测试可信度),以及模型必须过自家网关这条边界,读者能不能接受。

如果你的用法是「在微信里让助手把电脑上的活干完」,它现在的成熟度值得装一个试试;如果你要的是完全自建、谁的网关都不经过,那还是回到自托管方案更省心。