Goose 是什麼？一個能在你電腦上工作的開源 AI Agent

Goose 是一個開源 AI agent。它可以在你的電腦上執行，透過桌面 App、命令列 CLI 或 API 來使用。官方把它定位成「native open source AI agent」，也就是不是只在雲端聊天，而是能在本機環境裡協助你完成工作。

如果用白話來說：

Goose 像是一個住在你電腦裡的 AI 工作助手。
它不只回答問題，也可以透過工具、延伸套件和工作流程幫你實際做事。

一句話重點

Goose 是一個開源、本機執行的通用 AI agent。它可以協助寫程式、研究、寫作、自動化與資料分析，並透過 MCP、ACP、extensions、recipes 和多家模型供應商，連接你的工具與工作流程。

它解決什麼問題？

很多 AI 工具的問題是：它們只能在自己的聊天視窗裡回答。

你可以問它問題，但如果要它讀本機檔案、跑指令、接工具、整理專案流程，往往會遇到限制。對工程師或重度使用者來說，真正需要的不是一個只會聊天的 AI，而是一個可以進入工作環境、理解上下文、呼叫工具、執行任務的 assistant。

Goose 想解決的就是這個問題。

它讓 AI agent 可以：

• 在你的本機電腦上運作。
• 用桌面 App 或 CLI 操作。
• 連接資料庫、API、瀏覽器、GitHub、Google Drive 等工具。
• 用不同模型供應商。
• 把工作流程包成 recipes。
• 透過 subagents 分工處理任務。

這讓 Goose 不只是「聊天 AI」，而是更接近「可以被放進日常工作流程的 AI 工具層」。

Goose 的幾個核心特色

1. 它可以跑在你的本機電腦上

Goose 官方強調它是 general-purpose AI agent that runs on your machine，也就是可以在你的機器上執行的通用 AI agent。

這件事很重要。因為很多 AI 工具完全在雲端運作，使用者只能透過網頁或 API 使用。Goose 則更接近本機工具：它可以讀你的工作目錄、執行命令、搭配桌面 App 或 CLI 使用。

白話來說：

一般聊天 AI 像遠端顧問。
Goose 比較像坐在你電腦旁邊、可以打開工具幫你工作的助理。

這對需要處理專案檔案、程式碼、資料分析或自動化的人特別有用。

2. 它不只適合寫程式

Goose 的 quickstart 文件會從寫一個小 App 開始，所以很多人會先把它理解成 coding agent。

但官方首頁也明確說，Goose 不只用於 code，也可以用於 research、writing、automation、data analysis，或任何你想完成的工作。

這代表 Goose 的用途比較廣：

• 寫程式與修改專案。
• 查資料與整理研究。
• 產生文件與草稿。
• 跑自動化流程。
• 分析資料。
• 操作外部工具。

對非工程讀者來說，可以先理解成：

Goose 是能做事的 AI，不只是能聊天的 AI。

3. 它有桌面 App、CLI 和 API

Goose 提供三種入口：

• Desktop app：給想用圖形介面的人。
• CLI：給習慣終端機工作的人。
• API：給想把 Goose 嵌入其他系統的人。

這讓 Goose 的使用方式比較彈性。

如果你是一般使用者，桌面 App 會比較接近熟悉的操作方式。如果你是工程師，CLI 可以直接放進日常 terminal workflow。如果你是開發團隊，API 可以把 Goose 接到內部工具或自動化系統。

這種設計讓 Goose 不只是一個 App，而比較像一個可以被放進不同工作場景的 agent runtime。

4. 它透過 MCP 連接工具和資料

Goose 深度支援 Model Context Protocol，簡稱 MCP。

MCP 可以理解成「讓 AI agent 連接外部工具和資料來源的標準」。透過 MCP，AI 不只會回答文字，還可以接資料庫、API、瀏覽器、GitHub、Google Drive 等工具。

官方頁面提到 Goose 有 70 多個 MCP extensions。

白話來說：

MCP 像是 AI agent 的插座標準。
有了它，Goose 可以接上不同工具，而不是每次都從零開始整合。

這對 AI 工具生態很重要。因為未來 AI agent 的能力，不只取決於模型本身，也取決於它能安全、穩定地接上哪些工具。

5. 它支援多家模型供應商

Goose 支援多種 LLM provider，包括 Anthropic、OpenAI、Google、Ollama、OpenRouter、Azure、Bedrock 等。官方也提到可以透過 ACP 使用既有 Claude、ChatGPT 或 Gemini subscriptions。

這代表使用者不一定被綁在單一模型上。

你可以依照需求選：

• 雲端高階模型。
• 便宜或快速的模型。
• 本機 Ollama 模型。
• 公司允許的模型供應商。
• 既有的 AI 訂閱服務。

這點對團隊很實際，因為不同公司對資料、成本與模型供應商的要求不同。

6. 它可以把工作流程做成 Recipes

Goose 的 recipes 是 portable YAML configs，也就是可以攜帶、分享的 YAML 工作流程設定。

這可以理解成「把一套做事方法存起來」。

例如：

• 如何檢查一個專案。
• 如何跑固定的資料整理流程。
• 如何產生一份報告。
• 如何使用特定 extensions 和參數。

如果每次都重新教 AI 很浪費時間，recipes 可以讓團隊把成功流程留下來，下次直接重用。

這讓 Goose 從單次聊天變成可重複的工作系統。

7. 它支援 Subagents 和安全控制

Goose 支援 subagents，也就是可以產生獨立的子代理來並行處理任務，例如 code review、研究或檔案處理。這可以讓主對話保持乾淨，不必把所有工作細節都塞在同一個 context 裡。

它也強調安全功能，包括 prompt injection detection、tool permission controls、sandbox mode，以及 adversary reviewer。

這些名詞聽起來技術，但核心意思很簡單：

當 AI 可以操作工具，就必須有安全邊界。

Goose 不只追求「能做事」，也開始處理「怎麼避免 AI 做錯事或被惡意內容誘導」。

它和一般 AI 聊天工具有什麼不同？

Goose 的重點不是只產生答案，而是讓 AI agent 可以進入你的工作環境，透過工具和流程協助完成任務。

非工程背景的人需要知道什麼？

如果你不是工程師，可以把 Goose 想成一種「更接近電腦助理」的 AI。

它和一般聊天工具最大的差別是：它能接工具、看工作資料、跑流程，而不是只在聊天框裡產生文字。

不過，Goose 目前仍比較適合願意設定工具的人。你需要安裝、選模型供應商、設定 API key 或登入訂閱服務，也可能需要理解 extensions、MCP、permissions 等概念。

所以對一般使用者來說，Goose 代表的趨勢可能比立即上手更重要：

AI 正在從聊天視窗，走向可以操作工具、連接資料、執行工作流程的本機代理人。

適合誰使用？

Goose 比較適合：

• 想在本機電腦使用 AI agent 的人。
• 需要桌面 App、CLI 或 API 多種入口的人。
• 想用 AI 協助寫程式、研究、自動化或資料分析的人。
• 想透過 MCP 連接工具與資料來源的人。
• 想把工作流程包成 recipes 的團隊。
• 想避免被單一模型供應商綁住的人。

Goose 可能不適合：

• 只想打開網頁聊天的人。
• 不想安裝桌面 App 或 CLI 的人。
• 不想管理 API key 或模型供應商的人。
• 不希望 AI agent 存取本機檔案或執行工具的人。

目前可以怎麼開始？

官方提供桌面 App，也可以安裝 CLI。

CLI 安裝方式：

curl -fsSL https://github.com/aaif-goose/goose/releases/download/stable/download_cli.sh | bash

安裝後可設定模型供應商：

goose configure

開始一個 session：

goose session

在 session 裡，你可以像跟開發者說話一樣輸入任務，例如請它建立一個小網頁、整理檔案、研究某個主題或操作工具。

我們的觀察

Goose 值得注意的地方，是它很清楚地站在「開放標準」這一邊。

它支援 MCP，讓 agent 可以接工具與資料；支援 ACP，讓 coding agent 之間有更標準的溝通方式；也加入 Agentic AI Foundation，讓專案朝 vendor-neutral、社群治理與長期開放的方向發展。

這對 AI agent 生態很重要。因為如果每個工具都只用自己的封閉方式連接模型、工具與資料，使用者很容易被綁死。Goose 的方向則比較像是在建立一個可以互通的 agent 工作環境。

對一般使用者來說，Goose 可能還不是最零門檻的選擇。但對開發者、研究者、資料工作者與想建立 AI workflow 的團隊來說，它很值得關注。

它代表的趨勢是：AI 不再只是回覆文字，而是逐漸成為本機工作環境的一部分。

來源

• Goose 官方網站：https://goose-docs.ai/
• Goose Quickstart：https://goose-docs.ai/docs/quickstart/
• 查閱日期：2026-06-14