桌面上的极速 AI 编程。
SWE‑bench Verified 约 69%。

1.7.0 还带来：Night Shift 可以把一项任务尝试多次并保留最佳结果（/night add --best-of N），一台机器可运行多个 Signal 桥接，同一网络中有两个节点时，客户端可在二者之间选择，且不会丢掉已知的那个。发布说明与下载。

安装

$ curl -fsSL https://github.com/dreamference/ragon/releases/latest/download/install.sh | bash

$ ragon-admin server start      # 模型只下载一次（约 20 GB），随后即开始提供服务
$ cd ~/your-project && ragon    # 就这么简单

> irm https://github.com/dreamference/ragon/releases/latest/download/install.ps1 | iex

先试试这些

或者用 /night add <task> 把任务排进今晚的队列：Ragon 在你睡觉时逐个处理，每个任务在各自的 git 分支上完成，你喝着咖啡审阅这些分支就行。

$ ragon "explain this repository to me like I'm new on the team"
# reads the code index (ragon-code outline, def, refs, callers) instead of grepping,
# then walks you through the layout, the entry points and how they connect

$ ragon "the tests are failing: find out why and fix them"
# runs the tests, reads the failure, edits the code and runs the tests again,
# asking before anything risky

> /night add --best-of 3 add input validation to the signup form, with tests
# tonight: three attempts, each in its own git worktree; the one the chooser picks
# is committed on its own branch, and nothing is merged or pushed
$ ragon-admin night status      # the timer, the window and the queue
> /night apply <id>            # in the morning: bring the branch back as uncommitted changes

你能得到什么

Ragon 1.7.0 的桌面应用把 Ask 和 Work 放在同一个窗口里。Work 是一个完整的智能体会话工作台：带文件、技能和命令的输入框，可暂存、还原和提交的审阅面板，工作树，终端标签页，以及对话旁边的文件树和文件标签页。在你的其他电脑上，它是 GB10 的客户端，会在本地网络中自动找到 GB10。

$ ragon worktree on   # new sessions start in their own worktree
$ cd ~/your-project && ragon
> /airgapped on      # no network for any command it runs
> /worktree apply    # bring the changes back to your checkout

$ sudo apt install ./ragon_1.7.0_arm64.deb

$ ragon-admin mcp            # stdio MCP for JetBrains and VS Code
$ ragon signal setup         # Note to Self only, off until linked
$ ragon chat telegram setup  # topics and the Mini App

为什么选 Ragon

SWE-bench Verified，在一台 DGX Spark 上实测

2026-10-08，Ragon 1.5.1 的智能体搭配 Qwen3.8-27B，在一台 DGX Spark 上离线解决了 100 道中的 68 道 SWE-bench Verified 任务：固定抽取 100 道任务，每道只尝试一次，默认模式。按全部 500 道任务折算，估计为 ≈69%（95% 区间 63.9–73.4%）。这是我们在自己的机器上、基于子集的自测结果，不是排行榜成绩。

请把它当作参照，而不是排名。在同样的 100 道任务上，Ragon 解决的数量与 Qwen3-Coder-480B 和 GLM-4.6 相当，而后两者的规模是它的许多倍；但每一行用的智能体不同、硬件不同，排行榜上的各行还使用官方的 x86 测试镜像，而我们用的是社区的 arm64 镜像。在 refine 模式下，第一个会话只研究任务、不改动任何东西，再由一个全新的会话动手：它比默认模式多解决了一道任务（69 对 68，双方各自赢下了对方没解出的任务），每道任务耗时约为 2.2 倍，所以它仍是可选项（ragon --refine)。

1. Ragon:100 道任务，每道一次尝试；一台 DGX Spark （GB10, 128 GB），模型在本地提供服务，无云；默认模式测于 2026-10-08，refine 模式测于 2026-10-09。估计值来自 SWE-bench experiments 的逐任务数据。
2. 500 道任务，一次尝试；未说明硬件。来源：experiments, 20250805_openhands-Qwen3-Coder-480B-A35B-Instruct。同一模型搭配 mini-SWE-agent:57/100,55.4%。
3. 500 道任务，一次尝试，智能体未公开；未说明硬件。来源：experiments, 20250930_zai_glm4-6。
4. 500 道任务，一次尝试；未说明硬件。来源：experiments, 20260217_mini-v2.0.0_kimi-k2-5-high。
5. 500 道任务，一次尝试；未说明硬件。来源：experiments, 20260217_mini-v2.0.0_deepseek-3-2-high。
6. 各 500 道任务；未说明硬件。四份提交：OpenHands(80/100,77.6%)、live-SWE-agent(80/100,79.2%)、Sonar Foundation Agent(77/100,79.2%)、mini-SWE-agent, high（79/100,76.8%）。更早的一次 mini-SWE-agent 运行得分为 74/100,74.4%。
7. 500 道任务，一次尝试；未说明硬件。来源：experiments, 20251120_livesweagent_gemini-3-pro-preview。同一模型搭配 mini-SWE-agent:72/100,74.2%。
8. 排行榜上已发布成绩最好的 20–40B 模型。500 道任务；测试时扩展每道任务使用两次或更多尝试；未说明硬件。来源：测试时扩展,单次尝试。
9. 500 道任务，一次尝试；未说明硬件。来源：experiments, 20251209_mini-v1.17.2_devstral-small-2512。
10. GitHub 自己公布的数字，2025 年 4 月：“agent mode achieves a pass rate of 56.0% on SWE-bench Verified with Claude 3.7 Sonnet”。未说明任务数、尝试次数和硬件；不在排行榜上。来源：GitHub 博客。
11. Anthropic 公布的是其 Claude 模型在 SWE-bench Verified 上的成绩，运行在它自己的简单脚手架中（一个 bash 工具和一个编辑工具），而不是 Claude Code 这个产品。来源：Claude Code,Anthropic 的 SWE-bench 方法。
12. Cursor 公布的是它自己的基准 Cursor Bench 上的结果，而不是 SWE-bench Verified。来源：Cursor 博客，Composer。

所有排行榜数字来自 swebench.com 和 SWE-bench/experiments 仓库；“相同的 100 道任务”指各份提交已公布的逐任务结果中，限定于 Ragon 运行过的那些任务。

论文

常见问题