Ante 体验：单文件部署的终端编程助手

Ante 想解决的，是终端 AI 编程工具越来越重的问题。Antigma Labs 把它做成约 15MB 的 Rust 单文件程序，内置本地推理，既能接云端模型，也能离线改代码。作者连续使用一周后的结论是：日常任务有竞争力，复杂任务和生态仍落后于 Claude Code。

这篇值得读的地方，是把资源占用、离线能力和会话管理放到了选型中心。不过，内存优势和跑分的证据并不完整，「免费」也需要区分工具本身与模型费用。

15MB 的体积，装下了怎样的编程代理

Ante 属于终端编程代理（coding agent）：读取项目、执行命令、编辑文件、管理 git 仓库。它与 Claude Code、Codex 的使用形态相近，区别首先在交付方式。按原文描述，下载可执行文件、放进 PATH 就能运行，不需要额外准备 Node.js、Python 或 Docker。

原文同时给出约 15MB 和展开后 34.1 MiB 两个体积，不能把前者当作完整落盘大小。内置推理引擎也不代表已经附带模型，GGUF 模型文件仍需另行准备。

它采用客户端与守护进程（client-daemon）架构。TUI 终端界面、无界面的 CLI、面向编辑器插件的 ante serve JSONL 服务，以及用于编辑器集成的 ACP crate，共用同一个 daemon。界面负责交互，后台负责维持会话，因此能够支持重启后保留上下文，以及多个客户端连接同一后台。

这也让原文的「单进程完成工作」显得不够严谨。单文件交付不等于运行时只有一个进程，尤其编程代理还会执行外部命令。

能力方面，Ante 支持 AGENTS.md、skills、sub-agents、MCP 和持久记忆，可通过 API key 或订阅接入 12+ 提供商。原文称它没有账号或遥测准入门槛，但这不等于所连接的云端服务也没有各自的账号、计费要求。

内存少七倍、跑分 82.7%，证据有多硬

作者最看重的是峰值内存：原文称 Ante 比 Claude Code 少用七倍，并描述了大型代码库中后者开始使用交换空间、前者仍能运行的情形。Rust 实现和省去额外运行时，确实能解释一部分开销差异。

但文章没有提供机器配置、内存曲线、任务规模，也没交代是否计入本地模型的内存。这个数字可以作为进一步测试的线索，还不足以成为团队选型结论。尤其启用本地推理后，模型大小和上下文长度也会影响资源需求。

另一个数字来自 Antigma Labs 自行公布的测试：Ante 在 Terminal-Bench 2.1 的 89 项任务上得到 82.7%。这类任务涉及文件处理、git 操作、代码执行和多步骤流程，比单纯补全代码更接近终端代理的工作。

问题是，原文没有给出所用模型、推理预算、重试策略，也没有展示同条件对照结果。82.7% 是团队自报的成绩，不能直接证明 Ante 与 Claude Code 能力相当。

作者自己的实测，是同任务并行使用两者一周。他认为，常规重构、样板代码和测试生成的差异、速度与质量接近；到了复杂的跨文件推理，Claude Code 的上下文管理和工具调用更可靠。这是有参考价值的使用反馈，但没有成功率、耗时等记录，仍属于经验判断。

离线部分的证据更具体：作者在飞机上用内置 llama.cpp 跑过一个 7B GGUF 模型，能得到建议，但质量一般。这验证了离线使用的可行性，没有证明小模型足以胜任复杂工程任务。原文用 Opus 5.5 举例说明模型质量的影响，也没有提供对应测试记录。

真正影响日常使用的，是配置和会话管理

比起体积数字，Ante 的几项工作流设计更容易让程序员判断是否适合自己。

--profile <name> 可以在每次运行时切换配置文件，system prompt、工具集、skills 和记忆都按 profile 隔离。工作项目与个人项目需要不同模型和工具时，这能减少反复修改全局配置的麻烦。

项目设置则来自会话目录最近祖先目录中的 .ante/settings.json，在用户偏好之上叠加工具及 skill 过滤、reasoning effort 等会话配置。团队可以把项目要求放到项目范围内，但原文没有展开更复杂的配置冲突规则。

会话支持 /rewind 回退对话，以及 /fork 创建带父会话关联的分支。探索两种实现思路时，这类能力很实用。不过，文章只明确介绍了对话回退，不能据此认定 /rewind 会一并恢复磁盘文件。

ante serve 还会输出连接、会话、工具调用和回合状态记录。代理没有按预期工作时，这些记录能帮助定位问题，减少只看最终回答猜原因的情况。

成熟度则是明确的短板。作者遇到过编辑文件后 TUI 不刷新的 bug，需要重启会话。工具只支持 macOS、Linux，Windows 要通过 WSL 使用。源码也只是部分开放：exec、llm、protocol-shape、ante-sdk 采用 Apache-2.0，核心 harness 在原文所称 alpha 阶段仍放在私有仓库，预编译程序另受 Binary Preview Terms 约束。文章同时称产品为 beta preview，阶段表述没有统一。

我的判断

我认同把资源占用和离线能力当作选型指标。对电脑内存有限、经常断网，或者希望在本机处理代码的人，内置 llama.cpp 比「理论上可以接本地模型」更有吸引力。

但轻量交付、模型能力和工程可靠性，需要分别评估。单文件减少了安装依赖，复杂任务能否完成，还取决于模型、上下文组织、工具调度和错误恢复。作者自己承认 Claude Code 在复杂任务上更稳，这比标题里「能做同样的事」更能说明实际边界。

与 Claude Code 相比，Ante 的主要取舍是用成熟生态和集成便利，交换较小开销与本地推理能力。与 OpenCode 相比，作者认为 Ante 占用更小、会话管理更好，但没有给出对照数据；「没有其他工具提供相同组合」同样缺乏充分论证。

「不会收到账单」也说得过满。工具本身免费，不代表云端 API、订阅或本地算力没有成本。部分开源与完整开源的区别，也不能被「不锁定」一句话带过。

它适合作为有明确需求时的候选工具，目前的证据还不足以支持全面替换。

能拿来做什么

• 如果你主要让 AI 做前端重构、生成样板代码或补测试，可以挑一组真实任务，用同一个模型比较 Ante 与现有工具，记录完成质量、修改轮次和峰值内存，验证轻量优势是否落到自己的项目上。
• 如果你需要离线处理代码，可以提前准备 GGUF 模型和项目依赖，再断网检查读取、编辑、执行命令的完整流程。作者的 7B 体验提示，先从边界清楚的小任务开始更合适。
• 如果工作与个人项目经常串配置，可以用 --profile <name> 隔离模型、工具和记忆，再通过 .ante/settings.json 保存项目要求，先检查实际生效范围。
• 如果你想尝试 /rewind 和 /fork 探索不同方案，应先保存 git 检查点，并核对磁盘改动。原文没有保证对话回退等于代码回滚。