dify
Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.
- 162k
- Python
- 2 h ago

基于MAF的Coding Agent智能体
Repo NarutoAI/NarutoCode, read from GitHub 1 min ago. NarutoAI has not joined Take My Repo.
NarutoAI/NarutoCode is a public repo on GitHub by NarutoAI. 基于MAF的Coding Agent智能体. It declares the MIT license on GitHub. It is written mainly in C#, has 41 stars and last changed on 2026-09-30. Nobody has reviewed it on Take My Repo yet, which says nothing about its quality. Read from GitHub on 2026-11-19.
In the maintainer's words. Shown from GitHub; Take My Repo does not keep a copy.
NarutoCode 是一个在终端中使用的 Agent 编程工具。启动后,你可以直接用自然语言让它分析项目、修改文件、执行命令、排查问题或整理文档。
说明:客户端 GUI 暂时没有完成,当前仅提供终端(TUI)使用方式。
首次使用前,需要创建配置文件:
~/.narutocode/config.json
示例配置:
{
"llms": [
{
"provider": "OpenAI",
"protocol": "OpenAIChat",
"address": "https://api.openai.com/v1",
"apiKey": "YOUR_OPENAI_API_KEY",
"model": "gpt-4.1",
"maxContextWindowTokens": 128000,
"maxOutputTokens": 16384,
"supportsVision": true
},
{
"provider": "DeepSeek",
"protocol": "OpenAIChat",
"address": "https://api.deepseek.com",
"apiKey": "YOUR_DEEPSEEK_API_KEY",
"model": "deepseek-chat",
"maxContextWindowTokens": 64000,
"maxOutputTokens": 8192
}
],
"vision": {
"enabled": true,
"protocol": "OpenAIChat",
"address": "https://api.example.com/v1",
"apiKey": "YOUR_VISION_API_KEY",
"model": "qwen-vl-plus",
"maxOutputTokens": 1024,
"timeoutSeconds": 60
},
"system": {
"logLevel": "Error",
"compactionThresholds": {
"imageCompaction": 0.25,
"toolEviction": 0.6,
"summarization": 0.8,
"fallbackTruncation": 0.9,
"minimumPreservedGroups": 8
}
},
"mcpServers": {
"codegraph": {
"type": "stdio",
"command": "codegraph",
"args": ["serve", "--mcp"],
"description": "用于分析 agent-framework(MAF)的源码",
"workingDirectory": "",
"enabled": true
}
},
"enableApproval": false,
"maxTurnCount": 10
}把 apiKey、model 和 address 替换成你自己的模型配置。provider 是模型供应商的唯一标识,后续可以通过 /provider 命令切换。
如果使用 Anthropic 协议,可以增加一个 protocol 为 Anthropic 的配置:
{
"provider": "Anthropic",
"protocol": "Anthropic",
"address": "https://api.anthropic.com",
"apiKey": "YOUR_API_KEY",
"model": "claude-sonnet-4-20250514",
"maxContextWindowTokens": 200000,
"maxOutputTokens": 16384,
"supportsVision": true
}当当前主模型的 supportsVision 为 false 时,可以通过可选的 vision 节点配置一个独立多模态模型。配置有效后会获得两项能力:Agent 增加 recognize_image 工具,用于读取本地路径、file:// 或 http(s):// 图片并把识别结果作为文本返回给主模型;用户输入携带的图片附件(如 /image 命令)也会在发送前自动交给独立视觉模型解析成文本。
{
"vision": {
"enabled": true,
"protocol": "OpenAIChat",
"address": "https://api.example.com/v1",
"apiKey": "YOUR_VISION_API_KEY",
"model": "qwen-vl-plus",
"maxOutputTokens": 1024,
"timeoutSeconds": 60
}
}vision.enabled 为 true 时,address、apiKey 和 model 必须全部填写;否则程序启动时会报告配置错误。vision.protocol 支持 OpenAIChat、OpenAIResponses 和 Anthropic,默认 OpenAIChat。视觉模型会接收固定的系统提示词,以客观输出图片关键信息、可读文字(OCR)、界面状态和错误信息,供主模型继续处理。
用户图片附件的自动解析行为:主模型不支持视觉且 vision 配置有效时,附件图片会逐张解析,结果以 [图片 N 解析] 段落拼接在用户文字之后发送给主模型;单张图片解析失败会以 [图片 N 解析失败] 占位提示替代,不会中断发送。
如果需要接入外部 MCP Server,可以在 mcpServers 中配置。支持 stdio 和 http 两种传输类型。
stdio:首次加载工具时启动对应本地命令,并把 MCP Server 暴露的工具加入 Agent 可用工具列表。http:连接远程或本地 HTTP MCP 服务,自动兼容 Streamable HTTP 和 HTTP+SSE 协议。{
"mcpServers": {
"codegraph": {
"type": "stdio",
"command": "codegraph",
"args": ["serve", "--mcp"],
"description": "用于分析 agent-framework(MAF)的源码",
"workingDirectory": "",
"enabled": true
},
"codegraph-frontend": {
"type": "stdio",
"command": "codegraph",
"args": ["serve", "--mcp"],
"description": "用于分析前端代码仓库的 CodeGraph 服务。",
"workingDirectory": "",
"enabled": true
},
"remote-tools": {
"type": "http",
"url": "https://example.com/mcp",
"headers": {
"Authorization": "Bearer YOUR_TOKEN"
},
"description": "远程 MCP 工具服务。",
"enabled": true
}
}
}mcpServers 的键是服务名称。agent 会使用 {服务名称}__{工具名称} 作为工具名,避免多个 MCP 服务暴露同名工具时冲突。
description 会拼接到该 MCP 服务暴露工具的描述前面。多个 MCP 服务提供同类工具时,可以用它告诉 AI 每个服务对应的用途,例如分别用于后端仓库、前端仓库或文档仓库。
http 类型的 headers 可选,用于在每次 HTTP 请求中附带自定义请求头,例如鉴权令牌、租户标识等。
NarutoCode 会额外使用运行时设置文件保存当前默认模型:
~/.narutocode/settings.json
如果首次启动时 settings.json 不存在,或里面没有有效的 provider,NarutoCode 会自动写入 llms 数组中的第一个 provider。
| 配置项 | 必填 | 说明 |
|---|---|---|
llms |
是 | LLM 模型配置数组,至少配置一个模型。 |
llms[].provider |
是 | 模型厂商唯一标识,例如 OpenAI、DeepSeek、Anthropic 或自定义名称。 |
llms[].protocol |
是 | 模型接入协议,支持 OpenAIChat、OpenAIResponses、Anthropic。 |
llms[].address |
是 | 模型服务地址,必须是完整 URL。 |
llms[].apiKey |
是 | 模型服务访问密钥。 |
llms[].model |
是 | 要使用的模型名称。 |
llms[].maxContextWindowTokens |
否 | 最大上下文窗口 Token 数。 |
llms[].maxOutputTokens |
否 | 模型最大输出 Token 数,默认 128000。 |
llms[].supportsVision |
否 | 模型是否支持直接视觉输入,默认 false。为 false 时,发送给模型的聊天历史会过滤图片内容(替换为 [image] 占位文本);可额外配置 vision 节点,让 Agent 通过 recognize_image 工具调用独立视觉模型获取图片文本描述。 |
vision |
否 | 独立视觉模型配置。仅当 vision.enabled 为 true 且配置完整时启用图片识别工具。 |
vision.enabled |
否 | 是否启用独立视觉模型,默认 false。 |
vision.protocol |
否 | 视觉模型接入协议,当前仅支持 OpenAIChat,默认 OpenAIChat。 |
vision.address |
启用时必填 | 视觉模型服务地址,必须是完整 URL。 |
vision.apiKey |
启用时必填 | 视觉模型服务访问密钥。 |
vision.model |
启用时必填 | 要使用的视觉模型名称,例如 qwen-vl-plus、glm-4v-flash。 |
vision.maxOutputTokens |
否 | 单次图片识别最大输出 Token 数,默认 1024。 |
vision.timeoutSeconds |
否 | 视觉模型调用超时时间(秒),默认 60。 |
system.logLevel |
否 | 日志最小输出级别,支持 Trace、Debug、Information、Warning、Error、Critical;未配置或配置无效时默认 Error。 |
system.compactionThresholds.imageCompaction |
否 | 图片压缩触发阈值(相对于上下文窗口的比例),默认 0.25。当 Token 使用率达到上下文窗口的 25% 时触发图片压缩。 |
system.compactionThresholds.toolEviction |
否 | 工具结果压缩触发阈值(相对于上下文窗口的比例),默认 0.6。当 Token 使用率达到上下文窗口的 60% 时触发工具结果压缩。 |
system.compactionThresholds.summarization |
否 | 摘要压缩触发阈值(相对于上下文窗口的比例),默认 0.8。当 Token 使用率达到上下文窗口的 80% 时触发摘要压缩。 |
system.compactionThresholds.fallbackTruncation |
否 | 兜底截断触发阈值(相对于上下文窗口的比例),默认 0.9。当摘要后仍接近窗口上限时,只保留最近上下文,避免请求超过模型窗口。 |
system.compactionThresholds.minimumPreservedGroups |
否 | 摘要和兜底截断时至少保留的最近消息组数量,默认 8。 |
mcpServers |
否 | MCP 服务配置对象,键为 MCP 服务名称。 |
mcpServers.<name>.type |
否 | MCP 服务传输类型,支持 stdio 和 http,默认 stdio。 |
mcpServers.<name>.command |
stdio 必填 | MCP 服务启动命令,仅适用于 stdio 类型。 |
mcpServers.<name>.url |
http 必填 | MCP HTTP 服务端点,必须为绝对 http 或 https URL,仅适用于 http 类型。 |
mcpServers.<name>.headers |
否 | MCP HTTP 服务自定义请求头,仅适用于 http 类型,键值会随每次请求发送。 |
mcpServers.<name>.args |
否 | MCP 服务启动参数数组,例如 ["serve", "--mcp"]。 |
mcpServers.<name>.description |
否 | MCP 服务用途描述,会拼接到该服务暴露工具的描述前面,帮助 AI 区分多个同类 MCP 服务。 |
mcpServers.<name>.workingDirectory |
否 | MCP 服务启动工作目录;为空时使用当前进程工作目录。 |
mcpServers.<name>.env |
否 | MCP 服务启动时附加的环境变量对象。 |
mcpServers.<name>.enabled |
否 | 是否启用该 MCP 服务,默认 true。 |
enableApproval |
否 | 是否开启 Shell 工具审批,默认 false。设置为 true 后,执行 Shell 工具前需要确认。 |
maxTurnCount |
否 | 单次对话最大交互轮次,默认 10。 |
如果你拿到的是压缩包,先解压并进入目录:
tar -xzf narutocode-osx-arm64-aot.tar.gz
cd narutocode-osx-arm64-aot在要操作的项目目录中运行:
./narutocode
也可以直接指定工作目录:
./narutocode /path/to/workspace
如果已经把 narutocode 放到了 PATH 中,也可以直接使用:
narutocode /path/to/workspace
启动后,NarutoCode 会以该目录作为当前工作区。后续让 Agent 查看、修改或执行的内容都会基于这个工作区。
网关是一个独立的可执行程序,作用是把 NarutoCode 的 Agent 能力扩展到外部消息通道(如企业微信)。网关启动后,外部用户通过企业微信机器人发来的消息,会交给 Agent 处理并自动回复。
网关使用独立的配置文件,不影响 config.json:
~/.narutocode/gateway.json
示例配置:
{
"weComBots": [
{
"id": "project-a-bot",
"workspace": "/path/to/your/project-a",
"enabled": true,
"botId": "aib-xxxxx",
"botSecret": "your-bot-secret",
"corpId": "your-corp-id",
"corpSecret": "your-corp-secret",
"agentIdForRestApi": 1000002,
"maxInboundChars": 4096
}
]
}如果需要绑定多个企业微信机器人到不同的工作目录,可以在 weComBots 数组中配置多组:
{
"weComBots": [
{
"id": "project-a-bot",
"workspace": "/path/to/your/project-a",
"enabled": true,
"botId": "aib-aaa",
"botSecret": "secret-a"
},
{
"id": "project-b-bot",
"workspace": "/path/to/your/project-b",
"enabled": true,
"botId": "aib-bbb",
"botSecret": "secret-b"
}
]
}./narutocode-gateway
也可以指定配置文件路径:
./narutocode-gateway --config /path/to/gateway.json
启动成功后会输出:
网关已启动,按 Ctrl-C 退出。
之后在企业微信中对机器人发送消息,Agent 会处理后自动回复。每个机器人绑定各自的工作目录会话,互不干扰。
| 配置项 | 必填 | 说明 |
|---|---|---|
weComBots |
是 | 企业微信机器人绑定数组,至少配置一个。 |
weComBots[].id |
是 | Gateway 内部绑定标识,用于区分多个机器人,必须唯一。 |
weComBots[].workspace |
是 | 该机器人消息进入的根工作目录路径,不同绑定的工作目录不能重复。 |
weComBots[].enabled |
否 | 是否启动该机器人通道,默认 false。 |
weComBots[].botId |
是 | 企业微信 AI 机器人 BotId,格式 aib-xxxxx。 |
weComBots[].botSecret |
是 | AI 机器人长连接 Secret。 |
weComBots[].corpId |
否 | 企业 CorpID,REST API 降级发送使用。 |
weComBots[].corpSecret |
否 | 自建应用 Secret,用于获取 access_token。 |
weComBots[].agentIdForRestApi |
否 | 自建应用 AgentId,REST API 降级发送使用。 |
weComBots[].maxInboundChars |
否 | 入站消息最大字符数,超出截断,默认 4096。 |
botId和botSecret用于接收消息(WebSocket 长连接)。corpId、corpSecret、agentIdForRestApi为可选的 REST API 凭据,仅在 WebSocket 回复不可用时降级使用。
企业微信凭据也可以通过环境变量提供,环境变量名以绑定 id 派生前缀。例如 id 为 project-a-bot 时,对应环境变量:
| 环境变量 | 对应配置项 |
|---|---|
WECOM_PROJECT_A_BOT_BOT_ID |
weComBots[].botId |
WECOM_PROJECT_A_BOT_BOT_SECRET |
weComBots[].botSecret |
WECOM_PROJECT_A_BOT_CORP_ID |
weComBots[].corpId |
WECOM_PROJECT_A_BOT_CORP_SECRET |
weComBots[].corpSecret |
WECOM_PROJECT_A_BOT_AGENT_ID_FOR_REST_API |
weComBots[].agentIdForRestApi |
规则:将绑定
id中的非字母数字字符替换为下划线,全部转大写,加WECOM_前缀。
NarutoCode 支持在工作目录下配置子 Agent,让根 Agent 将特定任务委派给其他工作目录中的专业子 Agent 执行。
创建配置文件:
~/.narutocode/subagents.json
示例配置:
{
"delegation": {
"agentExecutionTimeoutSeconds": 600
},
"workspaces": [
{
"workspace": "/path/to/your/project",
"subAgents": [
{
"id": "code-reviewer",
"name": "代码审查子 Agent",
"description": "负责审查代码的正确性、安全性和性能问题。",
"workspace": "/path/to/your/project-review"
},
{
"id": "release-operator",
"name": "发布执行子 Agent",
"description": "负责发布前检查、构建验证和发布清单生成。",
"workspace": "/path/to/your/project-release"
}
]
}
]
}workspace 完全一致时,才会注入对应子 Agent。workspace(目标工作目录)中独立执行,拥有独立的文件系统、Shell 和会话上下文,不污染根会话历史。根 Agent 通过 delegate_agents 工具委派任务,支持两种调度模式:
| 配置项 | 必填 | 说明 |
|---|---|---|
delegation.agentExecutionTimeoutSeconds |
否 | 单个子 Agent 任务最长执行秒数,默认 600。 |
workspaces[].workspace |
是 | 根工作目录路径,决定哪些工作目录会获得子 Agent 能力。 |
workspaces[].subAgents[].id |
是 | 在当前根工作目录范围内唯一的子 Agent 标识。 |
workspaces[].subAgents[].name |
是 | 子 Agent 名称,用于提示词和日志展示。 |
workspaces[].subAgents[].description |
是 | 子 Agent 职责描述,帮助根 Agent 判断何时委派。 |
workspaces[].subAgents[].workspace |
是 | 子 Agent 实际执行任务的目标工作目录。 |
subagents.json不存在或为空时,根 Agent 不会暴露delegate_agents工具,行为与普通单 Agent 完全一致。
如果 config.json 中配置了多个模型,可以在运行中使用 /provider 查看和切换当前模型。
查看当前 provider 和可选列表:
/provider
切换到指定 provider:
/provider DeepSeek
切换成功后,NarutoCode 会把当前 provider 写入:
~/.narutocode/settings.json
下次启动时会优先使用这个 provider。如果 settings.json 没有有效 provider,则自动使用 llms 数组的第一个配置。
可以使用 /effort 查看和切换当前推理强度。
查看当前 effort 和可选列表:
/effort
切换到指定 effort:
/effort high
可选值为 low、medium、high、xhigh。切换成功后,NarutoCode 会把当前 effort 写入:
~/.narutocode/settings.json
下次启动时会优先使用这个 effort。如果 settings.json 没有配置 effort,则默认使用 medium。
启动后可以直接输入自然语言任务,例如:
帮我分析这个项目的目录结构
帮我找出登录接口相关代码,并说明调用链路
帮我修改 README,把新配置项补充进去
运行测试并修复失败的问题
如果需要让 Agent 分析图片,可以使用 /image:
/image ./docs/screenshot.png 请分析这张截图里的错误
支持的图片格式:
png、jpg、jpeg、webp、gif
也可以一次传入多张图片:
/image ./before.png ./after.png 对比这两张图的差异
图片输入依赖当前模型支持视觉。需要为当前使用的模型在 config.json 中开启:
{
"llms": [
{
"provider": "OpenAI",
"protocol": "OpenAIChat",
"address": "https://api.openai.com/v1",
"apiKey": "YOUR_OPENAI_API_KEY",
"model": "gpt-4.1",
"maxContextWindowTokens": 128000,
"maxOutputTokens": 16384,
"supportsVision": true
}
]
}未开启(默认 false)时,聊天历史中的图片会被替换为 [image] 占位文本,模型无法分析图片内容。
默认情况下:
"enableApproval": false
Shell 工具不需要额外审批。
如果希望执行 Shell 工具前先确认,可以改为:
"enableApproval": true
开启后,当 Agent 请求执行 Shell 工具时,终端会提示审批:
1 agree / 0 deny
输入:
1:同意执行0:拒绝执行当 Agent 正在回复或执行任务时,你仍然可以继续输入下一条消息。NarutoCode 会把新输入加入队列,等当前任务结束后继续处理。
Ctrl+Cexit 或 quit如果当前有正在运行的 Agent 操作,第一次 Ctrl+C 会优先取消当前操作。
NarutoCode 会按工作目录保存会话历史。默认数据文件位置:
~/.narutocode/data/data.db
本地数据库为 SQLite,表结构采用 snake_case 命名、雪花 BIGINT 主键、无外键设计,共 5 张表:
| 表名 | 职责 |
|---|---|
agent_workspaces |
工作目录实体(侧边栏分组维度) |
agent_sessions |
会话记录(含创建时生效的 llm_provider / llm_model / reasoning_effort 与 Token 统计) |
agent_session_items |
UI 渲染历史 Item(面向 UI 的独立通道:由 MafAgentChatClient 流式侧的 ItemTracker 聚合写入,payload 按 kind 存专属强类型 JSON;用户交互问答卡片等待态即落库、终态回写,同时作为交互等待态的恢复来源) |
agent_chat_messages |
LLM 聊天历史(面向模型的持久化通道:append-only,四列设计:role/type/model_content/created_at;temporary 表示框架临时注入,不进 UI 与恢复) |
agent_chat_message_runtimes |
LLM 运行时上下文(覆盖式,压缩策略专用,按雪花 id 排序) |
两条持久化通道职责分离:agent_chat_messages / agent_chat_message_runtimes 由 ChatHistoryProvider 持久化链路(AgentChatMessageWriter)写入,服务于 LLM 恢复与审计;agent_session_items 由 MafAgentItemTracker 在流式输出侧聚合写入(用户输入 / 思考 / 正文 / 工具调用及结果 / 审批卡片 / 错误),UI 历史加载直接读取该表投影,互不耦合。
持久化层内部按「表 + 读写方向」拆分,类名与表名一一对应(agent_<域>_<复数> → Agent<域><Reader|Writer>),AgentSessionRepository 仅做跨表编排、不直接执行 SQL:AgentWorkspaceReader / AgentWorkspaceWriter(agent_workspaces)、AgentSessionReader / AgentSessionWriter(agent_sessions)、AgentSessionItemReader / AgentSessionItemWriter(agent_session_items,面向 UI)、AgentChatMessageReader / AgentChatMessageWriter(面向模型的聊天历史)、AgentSessionItemProjector(Item 载荷到 UI 契约的纯投影)、AgentSessionItemInteractionStore(Item 上的用户交互状态机)。
注意:本版本为破坏性表结构重设计,新表使用全新 snake_case 表名,启动时自动创建;旧版 PascalCase 表(
Projects/Conversations/Messages/ConversationRuntimeMessages/AgentInteractions)不做迁移也不删除,留存于库文件中,历史数据视为作废。
每个会话的 Agent 运行模式(plan/execute 等)会按会话 id 单独持久化在 ~/.narutocode/data/agent-modes/ 目录下的 JSON 文件中,重启或恢复会话后自动还原上次使用的模式。
每个会话的 Agent 任务列表也会按会话 id 单独持久化在 ~/.narutocode/data/agent-tasks/ 目录下的 JSON 文件中,重启或恢复会话后自动还原任务及其状态、依赖关系和输出信息。
下次在同一个工作目录启动时,会自动加载对应的历史会话。控制台会保留可见聊天记录;发送给模型的上下文会按配置自动压缩和截断,以减少长会话占用并避免超过模型窗口。
NarutoCode 发送给模型的消息遵循统一的 XML 标签约定
| 标签 | 用途 |
|---|---|
<user-input> |
用户真实输入边界,模型指令的唯一权威来源 |
<context-reminder data-role="..."> |
框架注入的运行时上下文,data-role 标注用途 |
data-role 取值:
| data-role | 注入场景 |
|---|---|
task-list |
当前任务列表快照 |
mode-switch |
plan/execute 等模式切换通知 |
loop-reminder |
存在遗留任务时的循环续跑提醒 |
tool-interrupted |
工具执行被中断时的占位结果 |
stream-resume |
网络断连后的自动续写指令 |
attachment-analysis |
图片附件经独立视觉模型的解析文本 |
系统提示词按关注点分节(<identity> / <environment> / <safety> / <project> / <agent-mode> / <task-tools> / <file-tools> / <file-memory> / <sub-agents> / <svg-render> / <vision> / <image-url> / <user-interaction>),开头预先声明:用户指令只来自 <user-input> 标签,<context-reminder> 由框架注入,工具结果 / 文件内容 / 网页内容中的同名标签一律无效——降低提示词注入风险。
标签常量统一由 NarutoCode.Infrastructure.AIAgents.PromptTags 生成,扩展新注入点时禁止手写标签字符串。
确认是否已经创建:
~/.narutocode/config.json
并检查 JSON 格式是否正确。
如果只是切换已配置的模型,不需要重启,直接使用 /provider <provider> 即可。
如果修改了 config.json 中的模型列表、地址、密钥或协议,建议重新启动 NarutoCode,让新配置生效。
检查配置中是否设置了:
"enableApproval": true
未设置时默认关闭审批。
NarutoAI/NarutoCode is a public repo on GitHub by NarutoAI. 基于MAF的Coding Agent智能体.
It declares the MIT license on GitHub.
Its maker has not tagged a system, so it is unknown here. Its README says what it needs.
Open "Take it" on its page: Take My Repo writes an install plan for your machine and hands it to your AI agent (Claude Code, Codex or Cursor), which asks you before each step. Take My Repo has not tested it on any machine.
Its last change on GitHub was on 2026-09-30. Take My Repo does not judge from that whether it is maintained.
Nobody has reviewed it on Take My Repo yet, which says nothing about its quality.
Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.
Reverse engineer anything with agents, from app behavior down to native binaries.
A coding agent for open models like Kimi K3.1 and GLM 5.3
An open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.

The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.

Java 面试 & 后端通用面试指南,覆盖计算机基础、数据库、分布式、高并发、系统设计与 AI 应用开发
Take My Repo has not tested this on your machine. Requirements come from the project's own documentation.