Goose + Ertas
使用 Goose 构建编码智能体——这是 Block 的开源智能体,运行在桌面端,具备可扩展工具系统,可配置为调用本地运行的 Ertas 训练代码模型,实现零成本的工程自动化。
Overview
Goose 是 Block 的开源编码智能体,最初在 Cash App 与 Square 工程团队内部开发,并于 2025 年发布给更广泛社区。它被设计为在开发者本机运行、连接用户偏好的任何模型,并通过基于 Model Context Protocol (MCP) 的可扩展工具系统自动化工程任务。Goose 直接对标 Cursor 与 Windsurf 等闭源竞品——同样的编码智能体价值主张,但开源、且自带模型。
该框架的核心特征是 可扩展性与模型无关性。Goose 的工具(称为 'extensions')就是 MCP 服务器,这意味着任何 MCP 兼容工具——文件系统访问、GitHub API、JIRA 集成、自定义企业工具——都可以在不修改 Goose 本身的情况下添加进来。模型层可在 Anthropic、OpenAI、Google、AWS Bedrock、Databricks 以及任何兼容 OpenAI 的端点之间配置,包括本地 Ollama 与 vLLM 服务器。
对于希望获得 Cursor 风格生产力但不愿支付按席位订阅成本、也不愿把代码库发送给第三方 API 的团队,Goose 是最可信的开源路径。MCP 可扩展性、模型灵活性与桌面原生部署的组合,使它对有强代码保密要求的工程组织尤其有吸引力。
How Ertas Integrates
Ertas 训练的代码模型通过 Goose 的兼容 OpenAI 模型提供商与之协同。在 Studio 中微调代码专用模型(Qwen3-Coder-Next、CodeLlama、StarCoder 或自定义基础模型)并导出为 GGUF 后,你通过 Ollama 或 vLLM 提供服务,并将 Goose 配置为调用你的端点。Goose 的编码智能体循环、MCP 扩展与工具调用都会针对你的微调模型运行。
这种组合对有代码库特定模式的工程团队尤其有价值。通用代码模型产出遵循通用约定的代码;而 Ertas 训练的模型——其训练数据包括团队的真实代码、测试与评审模式——产出契合代码库风格、正确使用代码库内部库、并遵循团队具体测试约定的代码。对于内部代码量大的团队,生产力差异是可观的——匹配本地模式的自动补全与智能体生成的代码减少了评审负担、提高了合并通过率。
对于希望把开发工具放在自 有基础设施上以保护知识产权的企业,Goose 搭配运行在本地硬件上的 Ertas 训练模型,可在推理环节彻底摆脱对云的依赖。代码不离开公司,没有 API token 计费,且智能体随着团队的追踪反馈到 Studio 进行增量微调而持续改进。
Getting Started
- 1
在 Ertas Studio 中微调代码模型
使用代码专用基础模型(Qwen3-Coder-Next、CodeLlama、Devstral 2)。在你的代码库、内部库、测试模式与代码评审历史上训练。Studio 原生处理代码 token 训练格式。
- 2
部署到兼容 OpenAI 的端点
导出为 GGUF 并在开发机、构建服务器或共享 GPU 主机上通过 Ollama 或 vLLM 提供服务。Goose 可调用任何兼容 OpenAI 的端点。
- 3
安装 Goose 并配置提供商
安装 Goose 桌面客户端。在配置中将提供商设为 'openai',base URL 指向你的 Ertas 推理端点,并填入模型名称。
- 4
为你的工具链添加 MCP 扩展
Goose 的工具是 MCP 服务器。添加文件系统、GitHub、JIRA 与自定义企业工具扩展。每一个独立配置,智能体会自动识别。
- 5
用 Goose 处理编码任务并把追踪反馈回去
用 Goose 处理工程任务:重构、写测试、修 bug、代码评审。追踪数据捕获团队所重视的模式,反馈到下一轮 Studio 微调。
# ~/.config/goose/config.yaml — point Goose at your Ertas-trained code model
provider: openai
model: ertas-codebase-specialist-14b
openai:
base_url: http://localhost:11434/v1
api_key: not-needed
extensions:
- name: developer
type: builtin # filesystem, shell, etc.
- name: github
type: stdio
cmd: npx
args: ["-y", "@modelcontextprotocol/server-github"]
env:
GITHUB_TOKEN: ${GITHUB_TOKEN}
- name: company-jira
type: sse
url: http://internal-tools/mcp/jira/sse
# Run from terminal:
# goose session --name "feature-XYZ"
# > Add a rate limiter to the public API endpoints. Follow our middleware patterns.Benefits
- 开源编码智能体——无按席位订阅成本
- 自带模型——适用于任何兼容 OpenAI 的端点
- 基于 MCP 的可扩展性——添加任何企业工具无需修改 Goose
- 桌面原生——你的代码留在你自己的机器上
- 天然搭配微调代码模型,获得代码库特定胜任力
- 对有代码保密或知识产权保护要求的企业是强力契合
- 由 Block 工程投入支持的活跃开发
Related Resources
微调
LoRA
GGUF
推理
From Cursor to Production: Deploying AI Features Without Vendor Lock-In
Fine-Tune Small Models for AI Agent Tool Calling
Building Reliable AI Agents with Fine-Tuned Local Models: Complete Guide
Cursor
Continue.dev
Ollama
Ertas for Code Generation
Ertas for SaaS Product Teams
Ship AI that runs on your users' devices.
Start free with 150 credits after card verification. Paid plans from $20/mo USD.