还记得上个月推荐给大家的 OpenSquilla 吗？就是那个会自动把请求路由到不同的模型、还能写出 metaskill 的 Agent。
没看过的小伙伴可以看这篇 原来 Agent 该这么跑 我被一个开源项目点醒了…
他们刚刚更新了 0.4.0 版，这次有客户端了，直接安装，简单设置一下，开箱即用。老用户直接升级，不用担心原来的所有数据。
三步开箱即用
这时候，所有的设置都自动配置好了，模型路由也自动使用 openrouter 的可用模型，设置了从简单请求到复杂请求的分层配置。
这不是重点。重点是，这个版本植入了强迫症 DNA，官方名称 code-task。
我查了一下，这在软件工程里叫 TDD（测试驱动开发），了解之后，这还真是个好东西。
什么叫测试驱动开发？
先写一条此刻必然失败的测试。改 bug 之前，先针对这个 bug 写一条明确、可重复运行的检查。因为 bug 还在，这条检查现在必然不通过、亮红灯。讲究就在这个「必然失败」上：它得先失败，才能证明这条检查真的盯得住这个 bug；要是它一上来就是绿的，那这条测试根本没测到点子上，修没修都看不出来。
改完，让同一条测试由红转绿。动手改代码，改对了，刚才那条红灯检查就变绿。同一条测试、同一个标准，之前抓得住 bug、现在能通过，这就是「改对了」的硬证据，而不是一句口头保证。
把原有的整套测试再跑一遍。最后，把项目里那些原本就存在、且原本全都通过的测试，从头到尾重新跑一遍，确认没有哪一条因为这次改动从通过变成失败。严谨地说，它保证的是「原来测过、原来没问题的地方，现在依然没问题」：覆盖多细，取决于这套测试本身有多全，但这已经足以拦下绝大多数「改 A 崩 B」的意外。
三关全过才算数，任何一关没过，直接打回自己重改。OpenSquilla 把这套流程固化在 AI 编程的过程中，无法跳过，必须按照这套标准跑完，不然无法回复。
这个解决了我一大痛点啊！我用 AI 写程序，根本不懂怎么测试，每次 AI 交付结果，我都要主动说「你开个子代理测试一下」，他才会测试；如果我把测试标准写到 claude.md 里，多轮对话后他就会忘，特别是上下文压缩后，有很大概率会忽略测试。
还有两处强迫症细节
OpenSquilla 这强迫症还不止体现在测试上。
隔离的副本里施工
它改代码，是在一份隔离的副本里施工，不碰你的主线代码，只有三关全过的改动才搬进来，改砸了也伤不到你原来的东西。
自动戴上「专注耳塞」
它一进入编码模式，还会自动戴上「专注耳塞」：把画图、发消息、开网页这些跟写代码无关的工具全部关掉，逼自己心无旁骛，只干「把代码改对」这一件事。
让它做我的终端副屏
刚好我有一个特别的想法要实现，干脆就让 OpenSquilla 来干。
我喜欢在终端里用 claudecode，但有时候他的回复又长又干，看得很累，有时候还看不懂。我要做一个副屏，吸附在终端旁边，每一轮对话如果有很多内容或者强逻辑，就做成简单易懂的 HTML 显示在副屏里，这样我就轻松多了。
直接把这个需求告诉 OpenSquilla，我以为这种需求很复杂，没想到 OpenSquilla 判定后，决定使用 Deepseek v4 pro 来处理。我还以为这种编程会用到 opus，最少也要用到 glm5.2 吧。
难道我这个需求非常简单吗？OpenSquilla 觉得 Deepseek v4 pro 能搞定那就给他搞，看看到底行不行。
OpenSquilla 一边跑一边测试，直到第一个版本交给我，没想到直接给我干出来了。就是界面是白色的，为了配合我黑洞洞的终端，我让他把颜色改成黑色的。一下跑得太过瘾，等我想起来截图的时候，已经到色彩改完了。
这里有一个细节：我发截图给 OpenSquilla，因为 Deepseek v4 pro 看不了图，于是它把图发给了 kimi k2.6，让他看图，再把看图结果给 Deepseek v4 pro。
只要运行 claudecode，这个副屏就会自动启动，吸附在终端旁边。我和 claude 对话，就能把对话内容写成 HTML，展示在副屏里。
我也不懂这些代码，不知道 Deepseek v4 pro 写得怎么样，也不知道 OpenSquilla 这套 code-task 到底做没做、做得怎么样。
我让 Opus 4.8 来看看这个项目的质量，原来 OpenSquilla 真的搞了 19 项测试，怪不得能直接交付一个成品给我。它是要彻底跑通才算任务完成，这是不是现在正在流行的 Loop Engineering？通过循环直到达成目标。
很好奇这 19 项测试到底在测什么，我让 opus 也分析了一遍，原来 OpenSquilla 把所有的功能点全部做了红绿测试，每一个测试必须三项全过，怪不得 Deepseek v4 pro 能发挥得这么稳定。
每一项都要三关全过
你可能觉得，这不就我一个人用着爽？来看组实测：DRACO 榜单把各家模型丢进深度研究任务、按搜索引擎分组，比平均分和平均成本——OpenSquilla 的多模型路由，DuckDuckGo 组和 Brave 组两组都是第一：分最高，还最省钱。
这就是路由加 code-task 的价值：不是图便宜随便挑个弱模型糊弄，而是在保证结果能交付的前提下，把钱花在刀刃上。Brave 组它成本才 0.12，Opus 4.8 要 1.62，分数反而被它甩在后面。
回答必须带出处
这次更新还有一个挺好的改进，就是把联网搜索给「硬化」了。现在 OpenSquilla 内置了一批搜索提供商：
推荐平时默认用 DuckDuckGo，它完全免费，但搜索频率高了会限流；还可以注册一个 Tavily 的 api，有每个月 1000 次的免费额度。加起来基本功够用了。
OpenSquilla 把搜索拆成了两个工具，各管各的：
给你的回答是带出处的，每个结果从哪里搜来的会标明来源，不是张口就来。以前你根本分不清结果来自 AI 自己的知识库，还是真搜来的。
我让 OpenSquilla 搜一下类似我这种终端副屏有没有什么成熟的开源项目，它确实从来源网站里找到结果并总结出来。我发现这个项目还真没有人做，而且真的好用，我准备深入开发，然后开源给大家用。
只是想快速摸一下线索、探一探有没有相关信息时用，轻量、快，不求详尽。
从「自作主张」到听你指挥
对了，这版还有个小改动，但我挺喜欢：MetaSkills 改成手动触发了。
MetaSkills 你可以理解成一个个「打包好的工作流」：把一串常用的操作固化成一个技能，需要的时候一键跑，省得每次都从头交代。以前它是自动触发的，OpenSquilla 觉得你这个场景该用哪个，就自己上了。省事是省事，但有时候你压根没想让它跑，它自己跑起来，反而有点失控的感觉。
0.4.0 改成了手动，规矩很简单：
用不用、用哪个，主动权交回到你手上。
把靠谱做成 DNA
OpenSquilla 0.4.0 没有更新花哨的功能，它做的都是给 Agent 立规矩的事：
它把强迫症、拿证据、可控制这三件事，做成了 DNA。
其实我们使用 AI 工具，用来用去，最大的需求就是靠谱。OpenSquilla 这次更新又走在了对的路上。
特别是 code-task，它给 OpenSquilla 的模型路由功能插上了翅膀。之前的版本，根据用户不同的请求会路由到不同的模型，但弱一点的模型到底能不能靠谱完成任务，实在没法保证结果；如果反复出错，最终还是靠很强的模型解决，费用反而比直接用强模型多。code-task 加上后，不管路由到哪个模型，结果一定是没有错误、可交付的。
想上手的，去 OpenSquilla 主页下载 0.4.0 就行，很值得试一试。