WaLiCode v0.2.0：自研AI IDE新增多工程对话与任务拆解功能

一位独立开发者（B站UP主"小福哥"）自研的AI IDE——WaLiCode，近日发布了v0.2.0版本。这款工具在功能迭代上展现出了不俗的野心，新增了多工程对话、任务拆解执行、本地模型接入等多项实用功能，试图在Cursor、Trae.ai、Codex等主流AI IDE的竞争格局中找到自己的位置。

AI IDE赛道背景：AI IDE（AI集成开发环境）是近两年软件工程领域增长最快的细分赛道之一。以Cursor为代表的产品通过将大语言模型深度嵌入代码编辑器，重新定义了人机协作编程的范式——Cursor基于VS Code开源内核构建，月活用户已突破百万；Trae.ai是字节跳动旗下产品，主打国内开发者市场；而OpenAI推出的Codex则更偏向API服务层。这些产品的核心竞争力在于上下文理解能力、代码补全精度和工作流集成深度。独立开发者进入这一赛道面临极高的技术门槛，但也因此更容易聚焦于大厂产品忽视的垂直场景需求。

设置与模型配置：更灵活的个性化体验

新版本在基础设置层面做了不少改进。首先是字体自定义功能，用户可以自由调整编辑器的字体类型和大小，这虽然是个小功能，但对于长时间编码的开发者来说，舒适的视觉体验至关重要。

更值得关注的是Skills（技能）文件夹的自动导入机制。用户可以将多个Skills文件复制到指定目录，打开时系统会自动检测并提示导入，支持一键切换不同的技能配置。这种设计让用户可以针对不同的开发场景快速切换AI的行为模式。

在大模型支持方面，v0.2.0新增了Ollama本地模型的接入能力。Ollama是目前最流行的本地大模型运行框架之一，支持Llama、Mistral、DeepSeek、Qwen等数十种开源模型的一键本地部署，其核心价值在于将复杂的模型量化、推理引擎配置封装为简单的命令行工具，普通开发者无需深入了解CUDA或模型量化技术即可在本地运行7B至70B参数规模的模型。如果你在本地部署了开源模型，只需按照指定格式导入地址，即可通过OpenAI协议兼容层直接使用——该协议已事实上成为大模型服务的行业标准接口规范，Anthropic的Claude、Google的Gemini、国内的DeepSeek等主流模型服务商均提供兼容模式，这种"一套接口，多模型复用"的设计极大降低了AI应用的模型切换成本。

此外还新增了DeepSeek V4的支持，包括其特有的Sync分析回传机制。DeepSeek是深度求索公司推出的系列大语言模型，以极具竞争力的性价比和开源策略在全球开发者社区获得广泛关注，在多项编程基准测试中表现接近GPT-4o，而API调用成本仅为后者的数十分之一。其Sync分析回传机制是一种推理过程可视化能力，允许客户端实时接收模型的中间推理步骤而非仅等待最终答案，开发者可以观察AI的分析逻辑，更早发现潜在的理解偏差并进行干预。这意味着WaLiCode在模型生态的覆盖上正在快速追赶主流产品——既支持云端商业模型，也兼容本地私有化部署。

多工程对话：打破单项目的局限

这是本次更新中最具差异化的功能之一。小福哥在视频中明确指出了一个行业痛点：现有的AI IDE工具基本都是单工程对话模式，而实际开发中，工程师经常需要同时处理多个关联项目。

WaLiCode v0.2.0支持同时打开多个工程并进行跨项目对话。演示中展示了同时打开三个工程的场景——用户可以选择某个工程的领域层代码作为参考，让AI去优化另一个工程的对应模块。更进一步，还可以选中两个工程同时提问，比如"这两个项目的领域设计有什么差异"，AI会综合分析并给出对比结论。

这个功能的实用价值在于：在微服务架构（将单体应用拆分为多个独立部署的小型服务，每个服务通常对应一个独立代码仓库）或Monorepo（将多个相关项目统一存放在单一代码仓库中，如Google、Meta内部大量采用，通过Nx、Turborepo等工具链管理模块间依赖）项目中，开发者日常工作中频繁需要跨服务查阅代码、对齐接口设计或迁移实现逻辑。传统AI IDE以单一工作区为边界的设计，在这类场景下会产生明显的上下文割裂感，开发者不得不手动复制粘贴代码片段来"喂给"AI。多工程对话则将这个过程大幅简化，当前对话涉及哪个工程，界面顶部会清晰标注，避免上下文混淆。

值得注意的是，实现多工程同时对话在技术层面面临显著的上下文管理挑战：大语言模型的输入存在Token上限，单个大型工程的代码库往往已接近这一限制，多工程场景下通常需要结合RAG（检索增强生成）技术，通过代码向量化和语义检索来动态筛选最相关的代码段注入上下文。这一检索机制的质量将是该功能在大型代码库上稳定性的关键。

任务拆解模式：让AI编码更可控

另一个重要更新是拆解模式（Decompose Mode）。与传统的"一键执行"不同，拆解模式会先将用户的需求分解为多个步骤，展示执行计划后再逐步执行。

从技术范式来看，拆解模式本质上是AI Agent工作流在代码编辑场景的具体实现——采用Plan-and-Execute（规划后执行）范式：先由LLM生成结构化的执行计划，经用户审核确认后再逐步调用代码编辑工具执行。这种"人在回路"（Human-in-the-Loop）设计在牺牲部分自动化程度的同时，显著提升了输出的可预期性和安全性。

具体流程如下：

1. 需求分析：用户提出修改需求（如"去掉注释"），AI先将其拆解为若干步骤
2. 步骤审查：用户可以查看每个步骤的具体内容，觉得不够精确时可以要求"细化步骤"或补充参考信息
3. 逐步执行：确认后点击执行，AI按步骤依次完成代码修改
4. 差异对比：执行完成后，左侧展示代码对比（diff view），支持分栏展示，用户可以逐项审查或一键全部接受

这种设计理念与Cursor的"Plan"模式有异曲同工之处（GitHub Copilot Workspace也在探索类似的任务规划机制），但WaLiCode将其做得更加显式化。对于复杂的代码重构任务，这种"先规划后执行"的方式能显著降低AI产出不可控代码的风险，让开发者在每一步都保持掌控感。

终端集成与智能命令

终端功能也得到了增强。用户可以直接从文件树中在终端打开对应路径，终端会自动定位到目标目录。WaLiCode还内置了常用命令的快捷入口，支持Maven、Node.js、Docker等工具链的直接调用。

更有意思的是终端的智能模式：当用户输入的是标准命令时，系统直接执行；当输入的是自然语言提问（如"你可以做什么"）时，系统会切换到AI分析模式，智能判断用户意图并给出建议或直接执行操作。这种命令行与AI对话的融合，降低了开发者在终端和AI助手之间来回切换的成本。

独立开发者的AI IDE探索之路

从产品成熟度来看，WaLiCode与Cursor、Trae.ai等背靠大公司的产品相比，在生态完善度和稳定性上仍有差距。视频中也提到修复了之前的复制粘贴bug，说明产品仍处于快速迭代的早期阶段。

但WaLiCode的价值在于它提供了一个独立开发者视角下的AI IDE思考。多工程对话、任务拆解执行这些功能，恰恰切中了一线工程师在使用现有AI IDE时的真实痛点。尤其是多工程对话功能，目前主流AI IDE确实鲜有提供。

对于想要尝鲜的开发者，WaLiCode支持自动更新机制，首次下载后后续版本会自动提示升级。作为一个个人项目，它的迭代速度和功能规划都值得持续关注。在AI IDE这个赛道上，也许正是这些来自一线开发者的独立作品，能够催生出一些大厂产品忽视的创新点。

核心要点

• WaLiCode v0.2.0新增多工程同时对话功能，支持跨项目代码分析和对比，解决了现有AI IDE仅支持单工程对话的痛点，尤其适用于微服务架构和Monorepo项目场景
• 引入任务拆解模式，基于Plan-and-Execute AI Agent范式，AI先将需求分解为步骤供用户审查和细化，再逐步执行，通过"人在回路"设计提升代码修改的可控性
• 新增Ollama本地模型和DeepSeek V4支持，通过OpenAI协议兼容层（已成为大模型服务行业标准接口）实现多模型灵活切换，兼顾云端商业模型与本地私有化部署
• 终端集成智能命令识别，自动区分标准命令和自然语言提问，融合命令行操作与AI对话能力
• 作为个人开发者自研产品，在多工程协作等差异化功能上展现了独特的工程师视角思考