概述

Peri 是一个用 Rust 编写的终端 AI 编码助手。它兼容 Claude Code 生态——skills、hooks、MCP、sub-agents 直接可用——但更小更快，且不绑定任何特定模型。

Peri 能做什么

日常编码

写代码、改 bug、重构模块、审查代码——和任何 AI 编码助手一样，但你可以随时切换模型。

长任务自动化

/goal 命令声明一个目标，Peri 在后续每一轮自动推进，即使跑几个小时也不会丢上下文。

并行工作流

/ultracode 把复杂任务拆成多个子代理并行执行——审查、编码、搜索同时进行。

终端 TUI

全功能终端界面：流式 Markdown 渲染、多面板分屏、后台任务监控、Token 用量实时显示。

和你已有工具的对比

如果你在用……	Peri 的区别
Claude Code	兼容 .claude/ 配置，但用 Rust 写，约 13MB 二进制，支持任何 LLM
Cursor / Copilot	终端原生，不需要 IDE，可以跑在服务器上
aider	更完整的 ReAct 循环 + 中间件管道 + 多个并行子代理（后台并发上限 3）
没有工具	Peri 的安装向导在 2 分钟内完成配置，不需要手动编辑任何文件

安装

系统要求

Peri 提供 macOS (x86_64 / Apple Silicon)、Linux (x86_64 / aarch64 / riscv64) 和 Windows (x86_64) 的预编译二进制文件。

打开终端，运行以下命令：

# macOS / Linux
curl -fsSL https://raw.githubusercontent.com/konghayao/peri/main/scripts/install.sh | bash

Windows 用户使用 PowerShell：

irm https://raw.githubusercontent.com/konghayao/peri/main/scripts/install.ps1 | iex

首次启动会进入交互式配置向导，引导你完成模型选择和 API Key 设置——无需手动编辑任何配置文件。

peri

更新到最新版：

peri update

配置模型

Peri 支持任何 OpenAI 兼容的 API。以下为示例模型（实际可用性取决于你的 API 提供商与配额）：

模型	提供商	推荐用途
Claude 4 Sonnet	Anthropic	复杂编码、架构设计
DeepSeek V3 / R1	DeepSeek	高性能、低成本的日常编码
GLM-5.x	智谱	中文场景最优
Qwen 3 Max	阿里	通用编码任务
GPT-4o / 4.1	OpenAI	全面推理

Claude Code 兼容性

如果你已经有 Claude Code 的配置（.claude/settings.json、skills、hooks、MCP 服务器等），零迁移即可使用。

Peri 完全兼容：

Skills — .claude/skills/ 目录下的所有 skill 直接可用
Hooks — 会话生命周期钩子无需修改
MCP — Model Context Protocol 插件即插即用
Sub-agents — .claude/agents/ 下的代理定义无缝工作

验证安装

启动 Peri 后，你可以验证一切是否正常：

# 查看 Peri 版本
peri --version

# 查看当前配置（配置文件在 ~/.peri/settings.json）
ls -la ~/.peri/settings.json

# 测试一次简单对话
peri -p "用 Python 写一个快速排序" --max-turns 1

为什么选择 Peri

不是”又一个” AI 工具

Peri 不是 Claude Code 的替代品，而是一个兼容生态的 Rust 重实现。它做的是同一件事——AI 驱动的编码助手——但做得更轻、更快、更开放。

核心对比

维度	Peri	Claude Code	Cursor / Copilot
语言	Rust	TypeScript / Node.js	TypeScript / Node.js
二进制大小	~13 MB	~80 MB (含 Node 运行时)	N/A (IDE 插件)
运行时内存	~50 MB	~300-800 MB	~500-1500 MB
启动时间	~0.5s	2-5s	IDE 启动时间
缓存命中率	冻结系统提示词 + 边界标记，缓存友好	~60-80%	取决于实现
LLM 支持	任意模型，会话中切换	主要 Claude，有限 OpenAI	主要 Claude / GPT
配置兼容	完全兼容 CC config	原生	不兼容
开源协议	Apache 2.0	专有	专有

为什么 Rust

Node.js 的 V8 引擎在运行时占用大量内存，且不受开发者控制。Peri 不需要托管运行时——一个约 13MB 的静态链接二进制文件，启动即用，不会膨胀。

缓存是 AI 编码工具中最被低估的性能杠杆。Peri 的冻结系统提示词 + 边界标记机制让大部分重复上下文直接从缓存命中——你几乎不为重复的上下文付费。

传统方式: 每次对话重新发送全部上下文 → 100% 新 token
Peri 方式:  冻结前缀 + 增量更新         → 1-5% 新 token

缓存机制详解

Peri 使用确定性冻结前缀（deterministic frozen prefix）策略：

系统提示词在编译时被序列化为固定字节序列
边界标记（boundary marker）定义了可缓存 / 不可缓存的切分点
每个请求复用已缓存的提示词前缀，只发送增量的用户/助手消息

这意味着：

第 1 次对话：发送完整系统提示词 → 建立缓存
第 2+ 次对话：只发送增量的对话内容，前缀从缓存命中

对于重度用户（每天数百次对话），缓存命中带来的节省可以降低 90% 以上的 token 消耗。

模型自由

Peri 的 LLM 适配层是模型无关的。所有模型通过统一的 trait 接口接入：

// Peri 的 LLM 适配层（简化示意）
#[async_trait]
pub trait LlmProvider {
    async fn chat(&self, req: ChatRequest) -> Result<ChatResponse>;
    async fn stream(&self, req: ChatRequest) -> Result<Stream>;
    fn supports_tools(&self) -> bool;
    fn context_window(&self) -> usize;
}

DeepSeek、GLM、Qwen、Anthropic、OpenAI——都实现了同一个 trait。切换模型只是换一个实现，不涉及任何业务逻辑改动。

AI 驱动的自我进化

Peri 自身就是 Peri 写的。代码库的 99% 由 AI（DeepSeek 和 GLM-5.2）生成。

开发流程是一个 AI 自我驱动的闭环：

当你……	闭环启动
发现 bug 或技术债务	创建 issue → 系统诊断 → 撰写计划 → 子代理开发 → 归档 issue → 更新知识库
想要新功能	需求访谈 → 撰写计划 → 子代理开发
代码库变乱	清理分析 → 架构优化 → 撰写计划 → 子代理开发