今天的 GitHub Trending 上，一个项目格外扎眼——XiaomiMiMo/MiMo-Code，上线 9 天，星标数从 0 涨到 9,818 颗。
这是小米在 AI 编码 Agent 领域投下的重磅产品，一个用 TypeScript 写的"会自己记笔记、还会自己拆任务"的 AI 工程师。它到底强在哪？和 Claude Code、OpenClaw 比起来谁更香？今天给你一次讲透。
MiMo-Code 到底是什么？
在满屏的 workflow automation、Agent 框架里，MiMo-Code 杀出来只用了 9 天。它不是从零造轮子——它分支自 anomalyco/opencode，在 opencode 的基础上加了三样关键能力：持久记忆、多模式协作、自改进。
一句话定义：一个会跨会话"记笔记"、还能把任务拆成树形结构分头执行的 AI 编码 Agent。
你可以把它理解成一个"不会失忆的程序员"——普通的 AI 编码助手关掉就忘，MiMo-Code 会把所有经验写进本地的 SQLite 数据库，下次接着用。
6 大核心功能详解
① 多 Agent 系统（build / plan / compose）
MiMo-Code 内置三种 Agent 模式，分别对应不同的工作流：
- build 模式：用于开发，写代码、改 bug、跑测试一条龙
- plan 模式：用于分析，先拆任务、出方案，再动手
- compose 模式：规格驱动编排，把 specs（规格说明）和 skill（技能包）组合起来跑自动化流程
通俗讲：build 是"程序员"，plan 是"架构师"，compose 是"项目经理"，三个人配合干活。
② 持久记忆（SQLite FTS5）
这是 MiMo-Code 最核心的差异化能力。它用 SQLite 的 FTS5（Full-Text Search 5，即内置全文搜索引擎）做跨会话记忆：
- MEMORY.md：结构化记忆文件，存重要结论、用户偏好、项目背景
- checkpoint.md：任务检查点，存阶段性进度
- FTS5 索引：让记忆搜索快如闪电（毫秒级全文检索）
对比一下：Claude Code 关掉会话就失忆，Cursor 只能记当前项目——MiMo-Code 是真的"长期记忆"，跨项目、跨设备都能追溯。
③ 智能上下文管理（自动 checkpoint + token 预算）
做过大模型应用的人都知道，上下文窗口（context window，即模型一次能"看见"的最大文本量） 满了就容易"胡言乱语"。MiMo-Code 的解法：
- 自动 checkpoint：任务执行过程中自动保存状态快照，崩了能从断点继续
- token 预算（token 是大模型计费的"字"单位，1 token ≈ 0.75 个英文单词）控制：根据任务复杂度动态调整喂给模型的文本量，避免超长上下文
- 任务上下文重建：换会话后能根据 checkpoint 还原当时的工作现场
④ 树形任务追踪（T1/T1.1/T1.2）
MiMo-Code 的任务不是扁平的待办列表，而是树形结构：父任务 T1 下面可以有子任务 T1.1、T1.2，每个子任务可以继续往下分。这样做的好处是：
- 复杂任务能层层拆解
- 并行执行子任务，效率翻倍
- 追踪粒度细到每个叶子节点
⑤ 子 Agent 编排（并行 + 生命周期追踪）
主 Agent 可以派生出多个子 Agent 同时干活，子 Agent 之间能并行、可以取消、有完整的生命周期管理。这跟很多框架的"单线程执行"有本质区别。
⑥ Goal / judge 独立评估（防止 Agent"摸鱼"）
MiMo-Code 有一个独立的 judge 模型，专门判断"任务是否真的完成了"。避免 AI 写完代码就报"搞定"——其实根本没跑通。这是个非常工程化的设计：
- 主 Agent 负责干活
- judge 负责评估
- 评估不通过就继续迭代
附赠：Voice 输入 + 自改进
- Voice 输入：TenVAD（语音活动检测）结合 MiMo ASR（自动语音识别），能直接用语音下命令
- Dream 自改进：任务结束后"做梦"，自动把经验提取到记忆里
- Distill 打包：把重复经验打包成可复用的 skill（技能包）
4 种安装方式
MiMo-Code 的安装门槛极低，三行命令搞定：
# One-line install
curl -fsSL https://mimo.xiaomi.com/install | bash
# Or install via npm
npm install -g @mimo-ai/cli
# Run
mimo首次启动会自动引导配置，支持 4 种接入方式：
- MiMo Auto（限时免费）：匿名通道，零配置，薅羊毛窗口期
- 小米 MiMo 平台：OAuth 登录（一种授权登录协议）
- 从 Claude Code 导入：一键迁移现有认证
- 自定义 Provider：在 TUI（终端用户界面）里加任意 OpenAI 兼容 API
横向对比：和 OpenClaw、opencode、Claude Code 谁更香？
| 功能 | MiMo-Code | opencode | Claude Code | OpenClaw |
|---|---|---|---|---|
| 多 Agent 系统 | build/plan/compose | 多 provider | 不支持 | Agent 编排 |
| 持久记忆 | SQLite FTS5 | 无 | 无 | GBrain |
| 上下文管理 | 自动 checkpoint + token 预算 | 基础 | 简单 | ContextEngine |
| 子 Agent 编排 | 并行 + 生命周期追踪 | 基础 | 不支持 | sessions_spawn |
| Voice 输入 | TenVAD + MiMo ASR | 无 | 无 | TTS |
| 自改进 | Dream / Distill | 无 | 无 | 手动 |
| MCP 支持 | 支持 | 支持 | 支持 | 支持 |
| 许可 | MIT（最宽松的开源协议，可商用） | MIT | 自定义 | 商业 |
一眼看出的差距：MiMo-Code 的记忆层（SQLite FTS5）≈ OpenClaw 的 GBrain；checkpoint ≈ ContextEngine；子 Agent ≈ sessions_spawn。但 OpenClaw 的 GBrain 多了 typed links（带类型的双向链接），MiMo-Code 没有。typed links 的好处是：知识之间能形成"语义网络"，比如"这篇文章引用了那段代码"，可追溯、可推理——这是 MiMo-Code 目前缺失的一块拼图。
值得借鉴的 3 个设计
1. SQLite FTS5 全文索引
GBrain 目前用语义搜索（基于向量相似度），加上 FTS5 可以做"关键词+语义"双引擎：FTS5 负责精确匹配的标题、文件名、代码片段，语义搜索负责"意思相近"的概念。混合检索的准确率会显著提升。
2. token 预算分层注入
MiMo-Code 的核心思想：不把全部上下文一股脑喂给模型，而是按任务分层注入——核心信息优先（系统提示、当前任务），次要信息按需（历史对话、外部知识）。这样能用更少的 token 跑更长的任务。
3. Goal/judge 独立评估
主 Agent 干活 + judge 评估，是"防止 AI 摸鱼"的有效机制。OpenClaw 目前没有这层兜底，可以增加"任务完成度自动评估"能力。
💡 落地案例：在 OpenClaw 中借鉴 MiMo 设计
虽然我们不直接部署 MiMo-Code，但可以把它当"灵感库"。我们团队（运营+AI 工具链）规划了 3 步借鉴路径：
| 阶段 | 时间 | 动作 |
|---|---|---|
| 短期 | 1 周 | 将 MiMo 的 token budget 分层注入策略引入 ContextEngine |
| 中期 | 2 周 | 为 sessions_spawn 增加 session checkpoint（状态快照到文件） |
| 长期 | 1 个月 | 探索 GBrain + SQLite FTS5 混合索引可能性 |
你也可以用类似思路：先用别人的开源项目当"对照实验"，把里面好的设计模式抽出来，嫁接到自己的工作流里。比直接"换框架"成本低得多。
写在最后
MiMo-Code 9 天破 9000 星，本质上踩中了一个真实痛点：AI 编码助手太"健忘"。Claude Code、Cursor 这些明星产品都解决不了"跨会话记忆"的问题，MiMo 用 SQLite FTS5 + 树形任务追踪给出了一个工程化答案。
但它也暴露了所有"小米系"产品的老问题：商业可持续性存疑。MiMo Auto 免费通道一旦收紧，整个生态就可能塌方。所以不直接部署，只借鉴设计，是最稳妥的策略。
对个人开发者和创业者来说，看 GitHub Trending 不是为了"追新"，而是为了看趋势。哪些痛点被解决、哪些方案被验证、哪些设计值得借鉴——这才是开源世界给我们的最大红利。