这四件工具，海外圈子里已经用得飞起，中文圈的教程却几乎为零。它们不烧钱、不玩概念，解决的全是日常最高频的痛点：怎么把整个代码库喂给AI、怎么把十家模型装进一个终端、怎么在本地跑一个不泄露数据的Agent、怎么把一段废话变成一张能看的图。每一件都是我筛过之后确认「真有用、真免费或近乎免费、真没人写教程」才放进来的。看完你可以直接照着命令上手，十分钟内全部跑通。 ## 一、Repomix：一条命令，把整个仓库打包喂给AI **信息差类型：方法差** 你肯定干过这种事：想让ChatGPT或Claude帮你看一个开源项目的结构，于是手动开文件、复制、粘贴，贴了十几个文件之后上下文窗口炸了，AI开始胡言乱语。 **Repomix**（前身叫 Repopack，作者是一位日本开发者）干的就是这件事的自动化：在项目根目录敲一条 `npx repomix`，它会把整个代码库按结构打包成一份AI友好的文本文件——开头是目录树，后面是逐文件内容，模型拿来就能读懂全貌。 - **官网/仓库**：https://github.com/yamadashy/repomix - **核心玩法**： - `npx repomix` 直接在当前目录打包，零安装； - `--include "src/**"` 只打包指定目录，控制体积； - `--remove-comments --remove-empty-lines` 去掉注释和空行，给上下文瘦身； - `--output-style markdown` 换输出格式，适配不同模型的口味。 - **价格**：开源免费，MIT许可。 - **一个细节很加分**：它内置安全检查，打包时会扫描代码里疑似密钥、token的东西并提醒你——避免你一激动把生产环境的密码喂给了云端模型。 **为什么值得关注**：国内的教程大多还在教「怎么用各家IDE内置的仓库问答」，那是把主动权交给了别人家的黑盒。Repomix给你的是确定性——一份可diff、可review、可存档的文件，喂给任何模型都行，今天用GPT明天用Claude后天用DeepSeek，一份料全家通吃。做二次开发、接手祖传代码、给AI写深度技术分析，它都是前置刚需。 **适合谁**：接手陌生项目的程序员、要做代码审计和安全扫描的人、写技术拆解文章的作者（比如我）。 ## 二、llm CLI：十家模型装进终端，聊天记录变成你的数据库 **信息差类型：价格差 + 认知差** 这个工具叫 **`llm`**，作者是Simon Willison——就是2005年和人联合创造Django的那位，如今是LLM工具圈最高产的个人开发者。项目在 https://github.com/simonw/llm，文档站在 https://llm.datasette.io。 `pip install llm` 装完，配好各家API key，你的终端就变成了一个万能聊天器： - `llm "帮我解释这段报错"` ——直接提问； - `llm -m claude-sonnet-4-6 "..."` ——一条参数切换模型，不用开十个网页； - `llm -c "继续，再展开讲讲"` ——接着上一轮对话续聊； - `llm -s "你是一个资深DBA" "审查这条SQL"` ——临时注入系统提示词。 **真正的杀手锏在后面**：它默认把每一次对话都存进本地一个SQLite数据库。敲 `llm logs` 就能翻历史，而且因为是SQLite，你可以用SQL查自己的提问史——「上个月我问过的所有关于K8s的问题」这种事，网页版聊天工具永远给不了你。配合Datasette（同一位作者的另一个项目）还能把日志变成一个可浏览的本地网页应用。 模型支持靠插件机制：官方和社区插件覆盖OpenAI、Anthropic、Gemini，也能通过Ollama等插件调用本地模型——也就是说，全套可以做到零月费、全离线。 **和国内对比**：国内用户的聊天记录散落在各家App里，换一个模型就要换一个客户端，历史记录互不相通、也导不出来。`llm` 的思路完全相反：模型是插件，记录是我的。对经常做AI实验、需要复盘「当时哪个模型答得好」的重度用户，这是降维打击。 **适合谁**：手上有各家API key的技术人、想做个人知识沉淀的AI重度用户、喜欢在终端里干活的老派程序员。 ## 三、Goose：Jack Dorsey公司开源的本地Agent，数据不出你的电脑 **信息差类型：时间差** **Goose**是Block——就是Jack Dorsey（Twitter联合创始人）旗下做Square支付的那家公司——在2025年初开源的AI Agent，仓库在 https://github.com/block/goose。据Block官方博客介绍，它原本是公司内部工程师日常使用的工具，后来干脆开源了。 它和Cline、Aider这类「AI写码工具」的定位不太一样：Goose是一个**通用的本地Agent框架**，写码只是技能之一。它的几个特点在中文圈聊得很少： 1. **本地优先**：可以接你自己的API key，也能配Ollama跑本地模型，代码和数据全程不出你的电脑——这一条对有合规要求的团队是硬需求； 2. **扩展机制就是MCP**：Goose把Model Context Protocol当作一等公民，装一个MCP Server就多一项技能，连数据库、抓网页、操作浏览器都是现成扩展； 3. **CLI和桌面版双形态**：命令行里是`goose`，怕终端的也有桌面App。 **价格**：开源免费，模型费用自理（用本地模型则零成本）。 **和国内对比**：国内的智能体平台（Coze、文心智能体等）几乎清一色云端SaaS，你的数据和流程都跑在别人服务器上。想要「数据不出内网、技能自己攒、框架不锁定厂商」的路线，海外目前开源生态明显领先，Goose是其中商用背书最强的一个——毕竟背后是一家上市公司在真金白银地自用。 **适合谁**：对企业数据敏感的工程师、想折腾MCP生态的人、需要把AI接进内部工具链的团队。 ## 四、Napkin AI：会画图的同事，把你的废话变成图 **信息差类型：认知差** 写文档、做汇报最痛苦的不是写字，是配图。**Napkin AI**（https://napkin.ai）解决的就是这一步：你把一段文字粘进去，它读懂语义后直接生成几张可选的可视化方案——流程图、对比图、步骤图、清单图，全部可编辑，一键导出SVG或PNG。2024年它在海外产品圈刷屏过一波，国内至今没有形成规模的对照教程。 它和「AI画图」完全是两个物种：Midjourney们生成的是像素艺术，Napkin生成的是**信息设计**——箭头指向、层级关系、模块分组都是结构化的，你可以改文字、换配色、调布局，导出的SVG放进PPT里还能继续编辑。国内常见的图表工具大多是「选模板→填数据」的套路，Napkin是「描述语义→AI重画」，交互重心从改像素变成了改建议，这是思路上的代差。 **价格**：有免费档位，重度使用有付费档，具体额度以官网为准（这类工具定价调整频繁，我不报具体数字，免得误导）。 **适合谁**：写公众号的技术人、做英文提案的出海团队、要给学生讲课的老师。中文场景下粘贴中文生成的效果据部分用户反馈不如英文稳定，建议关键图先用英文生成再改中文文字。 ## 把四件货串成一条流水线 这四件工具不是孤立的，它们能拼成一条完整的「读代码→问模型→出成果」流水线： ```mermaid flowchart TD A["整个代码仓库"] -->|npx repomix 打包| B["单份 AI 友好文本"] B --> C{"今天要干什么"} C -->|一次性问答| D["llm CLI
换模型跑对比"] C -->|持续干活| E["Goose
本地 Agent 接 MCP"] D --> F["结论与补丁"] E --> F F -->|整理文字| G["Napkin AI
一键出图进汇报"] ``` 一次打包，终端里多家模型对比着问，复杂任务丢给本地Agent，结论整理成图直接进PPT——整条链路上，除了API调用费，一分月费都不用交。 ## 信息差总结 | 你以为的 | 实际上 | |---------|--------| | 喂代码给AI只能手动复制粘贴或依赖某家IDE | Repomix一条命令打包整个仓库，格式自控、模型通吃 | | 聊天记录锁在各家App里，换模型就丢历史 | llm CLI把所有对话存进本地SQLite，可以用SQL查自己的历史 | | 想用Agent就得接受云端SaaS和数据上云 | Goose由上市公司Block开源自用，本地跑、MCP攒技能 | | 配图=选模板或AI生成不可编辑的像素图 | Napkin从语义生成结构化矢量图，SVG可继续编辑 | ## 行动指南 1. **今天，5分钟**：在一个你接手过的项目里跑 `npx repomix`，把生成的文件拖给你常用的模型，问它「这个项目的架构有什么问题」——你会回不去的； 2. **今天，10分钟**：`pip install llm`，配一个key，把本周你问过网页版AI的一个问题原样再问一遍，然后敲 `llm logs` 看看那条记录长什么样； 3. **本周**：如果团队对数据合规有要求，把Goose装到内网机器上配Ollama试跑一次，重点体验它的MCP扩展商店； 4. **下次写文档前**：先去 napkin.ai 粘一段你写好的文字，让它出三张图备选，挑一张导出SVG塞进PPT。 ## 参考来源 1. Goose（Block开源）：https://github.com/block/goose 2. Repomix：https://github.com/yamadashy/repomix 3. llm CLI 仓库：https://github.com/simonw/llm 4. llm CLI 官方文档：https://llm.datasette.io 5. Napkin AI：https://napkin.ai --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护。 > 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。