在人工智能终端工具百花齐放的今天，一款全新的开源 AI 终端——Kaku 近日悄然走红。不同于市面上大多数依赖云端 API 的“黑盒”解决方案，Kaku 以完全开源、本地可部署、高效分屏交互的姿态，迅速吸引了开发者与极客用户的关注。记者第一时间进行了实测安装与配置，并上演了一场“分屏对决”，结果令人惊喜。

什么是 Kaku？

Kaku 是由独立开发者社区推出的一款基于大语言模型（LLM）的智能终端工具。它支持本地运行主流开源模型（如 Llama、Mistral、Qwen 等），也支持接入 OpenAI、Claude 等云端 API。其最大亮点在于“分屏工作流”：用户可以同时打开多个 AI 对话窗口，每个窗口专注不同任务，且支持拖拽、复制、共享上下文——这在多任务处理场景中极为高效。

与常见的 ChatGPT 客户端不同，Kaku 强调终端原生体验：命令行启动、键鼠优化、纯文本输出，并内置了代码高亮、Markdown 渲染、函数调用等开发友好特性。而“开源”是其核心标签，GitHub 仓库已收获超过 8000 星，社区活跃度正在飙升。

开源意义：可控与透明

在 AI 工具日益封闭的当下，Kaku 选择开源无异于一股清流。用户不仅能看到完整的代码逻辑，还能自行修改、编译、分发。这意味着数据隐私更可控、模型选择更自由、功能扩展更灵活。对于企业用户来说，Kaku 可部署在内网，完全避开 API 调用成本与隐私风险。

实测安装与配置

记者在 Ubuntu 22.04 和 macOS Ventura 上先后进行了安装测试。过程简单明了：git clone 项目、pip install -r requirements.txt、配置 .env 文件填入 API 密钥或本地模型路径。第一次启动后，Kaku 自动扫描系统，安装依赖，不到两分钟便进入主界面。

主界面是一个极简的终端窗口，底部输入框支持 / 命令调用。输入 /split 3 立即生成三个等分面板，每个面板均可独立切换模型或对话历史。记者分别加载了两个本地模型（Qwen2.5-7B 和 Mistral-7B）并连接了 GPT-4-o-mini 云端 API。整个过程流畅，没有卡顿。

分屏对决：多模型同台竞技

为了测试 Kaku 的分屏能力，记者发起了一场“分屏对决”：左屏使用 GPT-4o-mini，中屏用本地 Qwen2.5，右屏用本地 Mistral，要求它们同时为同一道算法题（“两数之和”）编写 Python 解法，并解释思路。三屏结果几乎同时生成，GPT-4o-mini 的答案最简洁，Qwen 给出了两种方法，Mistral 则额外添加了测试用例。记者通过快捷键快速将 Qwen 的代码拖拽到 GPT 的输入框进行追问，无需复制粘贴，交互体验无缝。

这种多模型并排对比的能力，在 AI 开发中极具实用价值——快速比较不同模型的输出风格、准确率、代码质量，甚至用于 A/B 测试。记者还尝试了“分屏协作”：一屏写作、一屏校对、一屏翻译，Kaku 自如应对。

性能与不足

Kaku 的响应速度取决于后端模型。本地模型在 16GB 显存下约每秒产出 15-20 个 token，与预期相符。优点在于完全离线，但启动初期模型加载需要约 20 秒。云端 API 则稳定快速。目前 Kaku 尚缺乏插件系统，对非英文用户也有一定的界面门槛，但社区已在开发中文界面包。

结语

Kaku 的诞生，标志着一个新的 AI 终端范式：开源、多模态、多窗口、自主可控。它既是开发者调试模型的利器，也是日常高效工作的助手。随着社区贡献的增加，Kaku 有望成为下一代 AI 终端的标杆。如果你还没有尝试，不妨动手克隆一份，在分屏对决中体验它带来的效率革命。