Jarvis 的定位是AI应用开发SDK，提供强大而灵活的基础组件，帮助开发者快速构建专业的AI应用。与传统的workflow形式Agent平台（如Dify）不同，Jarvis以Python SDK的形式提供，强调可编程性和可扩展性，让开发者能够自由定制AI应用的行为和逻辑。

1. 强大而灵活的基础组件: 提供 Agent 和 CodeAgent 等精心设计的基础组件，开发者可以快速基于这些组件构建专业的AI应用，无需从零开始。
2. 高度可编程的SDK: 以纯Python SDK形式提供，开发者可以自由组合各种能力，编写符合自己业务逻辑的AI应用，而非受限于固定的工作流。
3. 开箱即用的工具生态: 内置丰富的工具集（代码分析、文件操作、命令执行等），开发者可以直接使用，也可以轻松扩展自定义工具。

传统开发方式 (没有 Jarvis SDK):

1. 设计Agent架构: 从零开始设计Agent的决策流程、工具调用机制、上下文管理等核心模块。
2. 实现工具系统: 手动实现工具注册、参数解析、结果处理等基础设施。
3. 集成LLM: 编写代码调用各种大模型API，处理流式输出、错误重试等复杂逻辑。
4. 开发特定能力: 针对代码分析需求，实现代码解析、符号查找、编辑操作等专门功能。
5. 测试与调试: 反复测试Agent行为，修复各种边界情况和错误场景。

这个过程需要大量时间和精力投入在基础设施开发上，而非核心业务逻辑。

使用 Jarvis SDK 开发:

from jarvis.jarvis_code_agent.code_agent import CodeAgent

# 创建CodeAgent实例，内置代码分析、编辑、执行等能力
agent = CodeAgent()

# 让Agent自主完成任务，自动使用内置工具
result = agent.run('为 user/service.py 添加用户profile接口')

# CodeAgent会自动：
# 1. 分析代码结构，定位相关文件
# 2. 使用read_code读取文件内容
# 3. 使用edit_file精确修改代码
# 4. 使用execute_script运行测试
# 5. 验证修改是否成功

通过 Jarvis SDK，开发者只需几行代码就能构建功能完善的AI应用，将精力集中在业务逻辑和用户体验等高价值活动上，而非重复造轮子。

基于Jarvis SDK，您可以轻松构建文档生成Agent，自动维护项目文档。

from jarvis import Agent

# 创建文档生成Agent，通过system_prompt定制行为
agent = Agent(
    system_prompt="""你是一个专业的文档维护助手。
能够分析现有文档，并根据指令改进文档内容。
""",
    name="DocGenerator"
)

# 让Agent自主完成文档维护任务
agent.run('分析README.md，补充用户群体和应用场景信息')

# 继续迭代文档
agent.run('在READM增加一个工作流对比示例')
E中
# Agent会自动：
# 1. 使用read_code读取文档内容
# 2. 分析现有结构和风格
# 3. 使用edit_file精确修改文档
# 4. 确保格式和风格一致

通过简单的SDK调用，就能构建出功能完善的文档生成Agent，将文档维护从手动操作转为自动化流程。

谁适合使用 Jarvis？

• 个人开发者和极客: 希望通过AI提升个人开发、学习和探索效率的用户。
• 需要处理碎片化任务的工程师: 面对各种一次性、非标准化的技术任务，例如快速编写脚本、调试代码、搭建新环境等。
• AI应用探索者: 希望有一个灵活的本地框架来实验和集成不同的大语言模型和工具。

谁可能不适合？

• 寻求固定工作流自动化的人: 如果您的需求是高度固定和重复的，例如“每天定时抓取数据并生成报告”，那么编写一个专门的、功能单一的脚本可能是更直接、更高效的解决方案。Jarvis 更擅长处理多变和探索性的任务。
• 企业级团队协作者: Jarvis 被设计为个人工具，不包含团队管理、权限控制等面向企业级协作的功能。

总之，Jarvis 是为每一位开发者量身打造的个人助手，而非用于团队协作的集中式平台。

• 操作系统: Jarvis 的许多核心工具依赖于Linux环境，因此目前主要支持在 Linux 系统下使用。
• Windows用户: 虽然未经原生测试，但 Windows 10/11 用户可以通过 WSL (Windows Subsystem for Linux) 来完整地体验 Jarvis 的所有功能。
• Python版本: 需要 Python 3.12。
• Docker（可选）: 支持通过 Docker 镜像使用，无需本地安装 Python/Rust 环境。

只需一行命令即可完成所有安装和配置：

Linux/macOS:

# GitHub（推荐）
bash -c "$(curl -fsSL https://raw.githubusercontent.com/skyfireitdiy/Jarvis/main/scripts/install.sh)"

# 或者使用 Gitee 镜像（国内访问更快）
bash -c "$(curl -fsSL https://gitee.com/skyfireitdiy/Jarvis/raw/main/scripts/install.sh)"

Windows (PowerShell):

# GitHub（推荐）
iex ((New-Object System.Net.WebClient).DownloadString('https://raw.githubusercontent.com/skyfireitdiy/Jarvis/main/scripts/install.ps1'))

# 或者使用 Gitee 镜像（国内访问更快）
iex ((New-Object System.Net.WebClient).DownloadString('https://gitee.com/skyfireitdiy/Jarvis/raw/main/scripts/install.ps1'))

该脚本会自动检测Python环境、克隆项目、安装依赖并设置好路径。

# 1. 克隆仓库（选择以下任一方式）
# GitHub（推荐）
git clone https://github.com/skyfireitdiy/Jarvis.git

# 或者使用 Gitee 镜像（国内访问更快）
git clone https://gitee.com/skyfireitdiy/Jarvis.git

# 2. 进入项目目录
cd Jarvis

# 3. 安装项目为可编辑模式
pip3 install -e .

提示: 使用 -e . (可编辑模式) 安装后，您对源码的任何修改都会立刻生效，非常适合开发者。

或者从PyPI安装 (可能不是最新版):

pip3 install jarvis-ai-assistant

通过 uv 安装 (推荐)

# 1. 安装 uv (如果未安装)
curl -LsSf https://astral.sh/uv/install.sh | sh

# 2. 使用 uv tool 安装 jarvis（推荐）
# 从 GitHub 仓库安装
uv tool install git+https://github.com/skyfireitdiy/Jarvis.git

# 或从 Gitee 镜像安装（国内访问更快）
# uv tool install git+https://gitee.com/skyfireitdiy/Jarvis.git

提示: uv tool 会自动管理工具的虚拟环境，无需手动创建和激活。安装完成后，jarvis 的所有命令（如 jvs、jca 等）将立即可用。

使用 Docker 镜像可以避免本地环境配置，所有依赖都已预装。镜像已发布到 GitHub Container Registry (GHCR)，公开可用，无需登录。

从 GitHub Container Registry 拉取镜像：

# 拉取最新版本
docker pull ghcr.io/skyfireitdiy/jarvis:latest

# 或拉取特定版本（例如 v1.0.0）
docker pull ghcr.io/skyfireitdiy/jarvis:v1.0.0

提示:

• 镜像默认公开，无需登录即可拉取
• 每次发布新版本时，会自动生成多个标签：latest、v1.0.0、1.0、1 等
• 建议使用 latest 标签获取最新版本

使用 Docker Compose（推荐）：

Docker Compose 配置默认使用非 root 用户（jarvis 用户，UID 1000），避免文件权限问题：

# 运行容器（使用预构建镜像，无需本地构建）
docker-compose run --rm jarvis

说明:

• 容器使用 jarvis 用户（UID 1000）运行，GID 可通过环境变量 GID 设置（默认 1000），建议设置为当前用户的组 ID 以避免文件权限问题
• 容器内创建的文件将属于 jarvis 用户，如果 GID 匹配宿主机组，外部可以直接访问，无需调整权限
• 配置文件（.jarvis 和 .gitconfig）会自动挂载到容器内用户的主目录

直接使用 Docker 命令：

使用非 root 用户（推荐，避免权限问题）：

# 使用当前用户运行（推荐）
docker run -it --rm \
  --user "$(id -u):$(id -g)" \
  -v $(pwd):/workspace \
  -v $HOME/.jarvis:/home/jarvis/.jarvis \
  -v $HOME/.gitconfig:/home/jarvis/.gitconfig:ro \
  -w /workspace \
  ghcr.io/skyfireitdiy/jarvis:latest

使用 root 用户（简单但不推荐，可能产生权限问题）：

# 基本运行（root 用户）
docker run -it --rm ghcr.io/skyfireitdiy/jarvis:latest

# 挂载当前目录到容器（root 用户）
docker run -it --rm \
  -v $(pwd):/workspace \
  -v $HOME/.jarvis:/root/.jarvis \
  -v $HOME/.gitconfig:/root/.gitconfig:ro \
  -w /workspace \
  ghcr.io/skyfireitdiy/jarvis:latest

注意：使用 root 用户时，容器内创建的文件将属于 root，在宿主机上可能需要使用 sudo 或调整文件权限。

本地构建镜像（可选）：

# 克隆仓库（选择以下任一方式）
# GitHub（推荐）
git clone https://github.com/skyfireitdiy/Jarvis.git

# 或者使用 Gitee 镜像（国内访问更快）
git clone https://gitee.com/skyfireitdiy/Jarvis.git

cd Jarvis

# 构建镜像
docker build -t jarvis:latest .

# 运行容器（非 root 用户，推荐）
docker run -it --rm \
  --user "$(id -u):$(id -g)" \
  -v $(pwd):/workspace \
  -v $HOME/.jarvis:/home/jarvis/.jarvis \
  -v $HOME/.gitconfig:/home/jarvis/.gitconfig:ro \
  -w /workspace \
  jarvis:latest

# 或使用 root 用户
docker run -it --rm \
  -v $(pwd):/workspace \
  -v $HOME/.jarvis:/root/.jarvis \
  -v $HOME/.gitconfig:/root/.gitconfig:ro \
  -w /workspace \
  jarvis:latest

提示:

• $(pwd) 可以替换为其他工程目录
• .gitconfig 文件可以保留 Git 用户信息，方便在容器内使用 Git
• .jarvis 文件可以保留主机 Jarvis 配置信息，方便在容器内使用 Jarvis
• Docker 镜像已预装所有工具（Python 3.12、Rust、Clang、Fish shell 等），开箱即用
• 容器启动后会自动进入 fish shell，虚拟环境已激活
• 使用 -v 挂载目录可以方便地在容器内处理本地代码
• 推荐使用非 root 用户，避免文件权限问题，容器内创建的文件可直接在宿主机访问
• 使用 Docker Compose 是最简单的方式，自动处理用户权限配置和文件挂载
• 推荐直接使用 GHCR 上的预构建镜像，无需本地构建

Jarvis 包含一系列专注于不同任务的工具。以下是主要命令及其快捷方式：

更多详细用法和参数，请查阅我们的 使用指南。

Jarvis SDK 可以轻松集成到您的 Python 项目中。以下是一些快速上手的示例：

from jarvis.jarvis_code_agent.code_agent import CodeAgent

# 创建 CodeAgent
agent = CodeAgent()

# 执行代码修改任务
agent.run('修复 user/service.py 中的登录验证 bug')

from jarvis import Agent

# 创建定制化的 Agent
agent = Agent(
    system_prompt="你是一个数据分析师，专注于数据清洗和可视化。",
    name="DataAnalyst"
)

# 执行数据分析任务
agent.run('分析 sales.csv 数据，生成月度销售趋势图')

from jarvis.jarvis_code_agent.code_agent import CodeAgent
import os

# 设置工作目录
os.chdir('/path/to/your/project')

# 创建并运行 Agent
agent = CodeAgent()
result = agent.run('优化代码性能，减少数据库查询次数')

print(f"任务完成: {result}")

💡 更多 SDK 使用示例和高级用法，请参阅 开发者文档

Jarvis SDK 提供强大的基础组件和可扩展能力，帮助开发者快速构建专业的AI应用。

• Agent (通用AI代理): 提供完整的任务执行能力，支持工具调用、记忆管理、任务规划等核心功能。开发者只需通过 system_prompt 定义行为，即可快速定制专用Agent。
• CodeAgent (代码专用代理): 继承自 Agent，专为代码任务优化。内置代码分析、符号查找、精确编辑、构建验证等专业能力，大幅简化代码类AI应用的开发。

• 丰富内置工具: SDK内置 read_code、edit_file、execute_script 等30+工具，覆盖文件操作、代码分析、命令执行等常见场景。
• 轻松扩展自定义工具: 通过简单接口即可添加自定义工具，无缝集成到Agent的工具链中，实现个性化能力扩展。

• 记忆系统: 三层记忆架构（短期、项目长期、全局长期），支持知识持久化和智能检索，让Agent能够记住并复用关键信息。
• RAG增强: 内置RAG功能，可将本地文档作为知识库，实现精准的上下文增强和问答。
• 方法论系统: 将成功经验沉淀为可复用的方法论，支持本地和中心化共享，提升任务执行效率。

• 多模型支持: 支持 OpenAI、Claude 等多种模型平台，可根据需求灵活切换。
• 自定义模型平台: 提供统一的平台接口，开发者可轻松集成新的LLM提供商。

• 安全分析: 内置安全扫描套件（jsec），支持启发式扫描和AI深度验证，适用于C/C++和Rust语言。
• 代码迁移: C→Rust迁移套件（jc2r），支持渐进式迁移和断点续跑。
• 代码审查: 智能代码审查工具，自动化检查代码质量和潜在问题。

Jarvis 的主要配置文件位于 ~/.jarvis/config.yaml。您可以在此文件中配置模型、平台和其他行为。

首次运行配置：

首次运行任何 Jarvis 命令时，系统会检测是否缺少配置文件。如果未找到配置，Jarvis 将自动启动交互式配置向导，引导您完成所有必要设置。

基本配置示例（推荐使用新的配置方式）：

# yaml-language-server: $schema=https://raw.githubusercontent.com/skyfireitdiy/Jarvis/main/docs/schema/config.schema.json

# ====== 基础配置 ======
# 设置默认使用的模型组
llm_group: default

# ====== 模型组配置 ======
# 可以定义多个模型组，通过llm_group切换
llm_groups:
  default: # 默认模型组
    normal_llm: gpt-5 # 引用下面llms中定义的模型
    # 可选配置廉价模型和智能模型
    # cheap_llm: gpt-3.5-turbo
    # smart_llm: gpt-5

# ====== 模型定义 ======
llms:
  gpt-5:
    platform: openai # 平台类型
    model: gpt-5 # 模型名称
    max_input_token_count: 128000 # 模型最大输入token数

    # 模型特定配置 (llm_config)
    llm_config:
      openai_api_key: "your-api-key-here" # 替换为你的API密钥
      openai_api_base: "https://api.openai.com/v1" # API基础地址，可用于代理
      openai_extra_headers: '{"X-Source": "jarvis"}' # 额外的HTTP头（可选）

  claude-opus-4: # Claude 配置示例
    platform: claude # 平台类型
    model: claude-opus-4-20250514 # 模型名称
    max_input_token_count: 200000 # 模型最大输入token数

    # Claude 特定配置 (llm_config)
    llm_config:
      anthropic_api_key: "your-api-key-here" # 替换为你的API密钥
      anthropic_base_url: "https://api.anthropic.com" # API基础地址，可用于代理

注意: 推荐使用 llm_groups 和 llms 配置方式，它提供了更灵活的模型管理能力。

提示：错误回溯输出控制

• 默认情况下，当 PrettyOutput 打印错误信息（OutputType.ERROR）时，不会自动打印回溯调用链。
• 如需全局启用错误回溯，请在配置中设置：

print_error_traceback: true

• 也可以在单次调用时通过传入 traceback=True 临时开启回溯打印。

提示：AI 工具筛选阈值

• 当可用工具数量过多时，可能会干扰模型的决策。Jarvis 支持在可用工具数量超过阈值时，先让 AI 自动筛选相关工具再启动，以专注于本次任务。
• 默认阈值为 30，可在配置中调整：

# ~/.jarvis/config.yaml
tool_filter_threshold: 30

Jarvis 支持多种平台，包括 OpenAI、Claude 等。详细的配置选项、模型组设置以及所有可用参数，请参阅 使用指南。

模型推荐: 目前效果较好的模型是 claude-opus-4-20250514，可以通过国内代理商购买，例如 FoxiAI。

Jarvis SDK 提供强大的可扩展能力，让您能够快速开发专业的AI应用。

基于 Agent 和 CodeAgent 基础组件，您可以快速构建各种专业Agent：

• 文档助手: 基于 Agent 定制 system_prompt，实现文档生成、维护和优化
• 代码分析器: 基于 CodeAgent，利用内置代码分析能力，快速构建代码审查、重构工具
• 自动化测试: 集成测试工具，自动化执行测试用例并分析结果
• 数据处理: 扩展数据处理工具，实现自动化数据清洗、转换和分析

• 自定义工具: 在 ~/.jarvis/tools/ 目录下创建新的工具实现，无缝集成到Agent
• 集成新LLM平台: 在 ~/.jarvis/platforms/ 目录下添加新的平台适配器
• 定义MCP: 通过配置文件集成外部或自定义的命令协议

有关扩展开发的详细指南和技术细节，请访问我们的 开发者文档。

欢迎阅读 Jarvis 的官方文档，这本开源书籍旨在为您提供从入门到精通的全方位指南。

• 第一章：项目介绍
• 第二章：快速开始
• 第三章：核心概念与架构
• 第四章：使用指南
• 第五章：功能扩展
• 第六章：高级主题
• 第七章：参与贡献
• 第八章：常见问题
• 第九章：附录

我们欢迎任何形式的贡献！

Jarvis 在 GitHub 和 Gitee 都有镜像仓库，您可以选择其中任一平台进行贡献：

• GitHub: https://github.com/skyfireitdiy/Jarvis.git
• Gitee: https://gitee.com/skyfireitdiy/Jarvis.git

1. Fork 本仓库（选择您偏好的平台）
2. 创建您的特性分支 (git checkout -b feature/AmazingFeature)
3. 提交您的更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启一个 Pull Request

• 模型使用风险: 请确保您在使用各模型平台时遵守其服务条款。合理使用，并自行承担相应风险。
• 命令执行风险: Jarvis具备执行系统命令的能力。请确保您了解将要执行的命令，并避免输入可能导致系统风险的指令。为了增强安全性，您可以在配置文件中启用工具执行确认（execute_tool_confirm: true），以便在执行每个工具前进行手动确认。

本项目采用 MIT 许可证 - 详见 LICENSE 文件。