- LLM Space 是 DeerFlow（7.7万+ GitHub Star）的姊妹项目，现已推出原生桌面应用，开源免费
- 支持 OpenAI、Anthropic、Google、DeepSeek、火山引擎等 20+ 模型服务商，可任意切换
- 可组合循环、工具和技能来创建定制化智能体，复现 Kimi DeepResearch 工作流
- 核心功能包括：构建 Agent、实时追踪执行过程、回放调试失败步骤、评估性能，全部在一个桌面应用里完成
- 本地优先，API Key 和文件存在本地，同时支持托管 Agent 的云端就绪能力
如果你关注 AI 开源社区，大概率知道 DeerFlow——那个收获了 7.7 万 + GitHub Star、专注于 AI 工作流编排的项目。现在它的团队推出了一个姊妹项目：LLM Space。
不同于 DeerFlow 的服务端工作流编排定位，LLM Space 是一个原生桌面应用。它把 Agent 的构建、运行、追踪、调试和评估全部整合在一个窗口中。无论你是想快速验证一个 Agent 想法、复现 Kimi DeepResearch 的工作流，还是想基于 K3 级别的能力提炼自己的 Agent，LLM Space 都提供了开箱即用的工具。
项目已在 GitHub 开源（MIT 许可证），并提供了 macOS 版本的桌面安装包。
LLM Space 是什么：一个窗口里的完整 Agent 循环
"Build, trace, and debug agents in one place."
这是 LLM Space 官网的标题。用一句话概括：它是一个让开发者在一款桌面应用中完成 Agent 从原型到评估全流程的工具。
左侧设置模型、工具和系统提示词，点击运行，右侧便会实时流式呈现每一次思考、工具调用与原始响应。你不需要在终端和浏览器之间来回切换，不需要手动拼凑日志去追踪 Agent 的思维过程——一个窗口，全部可见。
LLM Space v4 是这个项目的第四个主要迭代版本。它的设计哲学很明确：给你完整的 Agent 循环，让你始终清楚 Agent 做了什么、为什么这么做。
核心功能：六件事，一个工具做完
LLM Space 将 Agent 开发流程拆解为六个核心能力，每个能力对应一个实际的操作需求：
构建（Build） — 编写和管理你的提示词、系统消息、工具和模型设置。所有配置都以文件形式存在本地，可版本化管理。
追踪（Trace） — Agent 循环中每一次模型调用和工具运行都实时可见。你可以看到 Agent 如何思考、选择了什么工具、得到了什么结果。
调试（Debug） — 从历史记录中重新运行一次 Agent 执行，逐步排查出问题的环节。这对于复杂多轮 Agent 来说极其实用——你不需要重新跑一遍才知道哪里错了。
评估（Evaluate） — 跨多次运行衡量 Agent 的性能表现。可以并排对比两次运行的结果，找出差异。
管理（Manage） — 所有线程以文件形式组织在你的本地机器上，而不是锁在某个云服务里。
生成（Generate） — 让 AI 帮你写提示词和工具定义，甚至可以把任意一次对话线程转换成一个可运行的 LangGraph Agent。
20+ 模型服务商：接入自家模型还是一键切换都行
LLM Space 内置了 20 多个模型服务商的支持，覆盖了目前市面上几乎所有主流模型：
OpenAI、Anthropic、Google、Grok（xAI）、DeepSeek、Moonshot AI、MiniMax、智谱（Zhipu）、Groq、Amazon Bedrock、Azure OpenAI、NVIDIA、火山引擎 Ark、OpenRouter、Vercel AI Gateway、Hugging Face、蚂蚁灵积、小米 MiMo…… 如果你想接入自家部署的模型，也可以通过 Base URL + API Key 的方式自定义接入。这意味着 LLM Space 不绑定任何特定厂商，你可以根据需求在模型之间随时切换，或者同时使用多个模型做对比。
可组合循环：从简单对话到 DeepResearch 工作流
LLM Space 的核心交互模式是"组合循环、工具和技能"。这种设计让你能够构建从简单到高度复杂的 Agent：
- 简单模式：一个模型 + 一个系统提示词 + 基础工具（文件读写、搜索）
- 复杂模式：多个循环嵌套、不同模型分担不同角色、工具链串行或并行执行
官方展示的一个关键能力是复现 Kimi DeepResearch 工作流。DeepResearch 是 Kimi 推出的深度研究模式，能够自主进行多轮搜索、阅读和分析完成研究任务。LLM Space 允许你通过组合 Loops 和 Tools 来构建类似的 Agent，并在此基础上提炼出 Kimi K3 级别的能力。
这对于做 RAG 应用、自动化调研工具、或需要多步推理的 Agent 开发者来说，提供了一个可以直接上手的工作基线。
技术栈：Bun + Electrobun + React + Pi Agent Core
LLM Space 的技术栈选择值得关注，因为它代表了当前桌面端 AI 工具的一个典型路线：
- 语言和工具链：TypeScript，使用 Bun 作为运行时和包管理器。Bun 是一个高性能的全栈 JavaScript 运行时，比 Node.js 更快
- 桌面壳层：Electrobun，一种轻量级的原生应用封装方案，替代了更重的 Electron
- UI 层：React + Tailwind CSS + shadcn/ui，与 Vibe Coding 生态完全一致
- Agent 框架：Pi Agent Core，一个轻量级的 Agent 构建框架
项目的 monorepo 结构也很清晰：packages/core 存放共享的类型定义、Agent 循环逻辑和线程存储；apps/desktop 是桌面应用本身。
安装和使用：下载即可用
LLM Space 目前提供 macOS 版本，分为两个版本：
- LLM Space 标准版（~27MB）：使用系统 WebView，轻量省电
- LLM Space Performance 版（~130MB）：内嵌自有渲染引擎，性能和一致性更好
两者共享同一份数据目录（~/.llm-space），可在两个版本之间自由切换。
从 GitHub Releases 页面下载 DMG 安装包即可使用。如果你想从源码构建，需要先安装 Bun，然后在项目根目录运行 bun install。
与火山引擎的合作：推荐模型服务商
LLM Space 官方推荐使用火山引擎 Coding Plan 作为默认模型服务商，并为此推出了专属合作页面。火山引擎是字节跳动旗下的云服务平台，提供大模型调用、训练和部署能力。在中国大陆地区使用 LLM Space 时，火山引擎 Coding Plan 是一个值得考虑的模型服务选项。
项目本身也感谢 Superdesign（AI 产品设计 Agent）作为白金赞助商的赞助支持。
适合谁使用
Agent 开发者：如果你在构建多步推理的 Agent（调研型、分析型、代码型），LLM Space 提供了从原型到调试到评估的完整链路。
AI 应用产品经理：在投入工程资源开发前，可以用 LLM Space 快速验证 Agent 方案是否可行。
研究者：需要对比不同模型/不同提示词策略效果时，LLM Space 的并排评估功能很实用。
DeerFlow 用户：如果你已经在用 DeerFlow，LLM Space 作为姊妹项目与之深度联动，每个 DeerFlow 版本都先用 LLM Space 构建和调试。
开源与局限
LLM Space 使用 MIT 许可证完全开源，代码库在 GitHub 上可访问。目前该项目处于活跃开发中（512 次提交、v4.4.4 的最新版本），目前仅支持 macOS 系统。
项目明确说明目前只接受 DeerFlow 核心团队的合并请求，但社区可以通过提交 Issue 来报告 Bug、提出想法和反馈。
AI 速览
