gpt-engineer 是什么？5.5万星的「代码生成」元老，2026年4月已归档，它的产品活成了 Lovable
2023 年 4 月底，一个瑞典人往 GitHub 扔了个叫 gpt-engineer 的仓库，说要试试「AI 能不能直接把整个代码库写出来」。三个月后它变成 GitHub 涨星最快的项目，5.5 万星、7000 多个 fork，全网都在转「让 AI 写贪吃蛇」的 demo 视频。
然后它停更了。最后一次提交是 2025 年 5 月，仓库在 2026 年 4 月 22 日被作者本人归档成只读。今天它的 GitHub 简介里就一句话：CLI platform to experiment with codegen. Precursor to: https://lovable.dev。
翻译一下：这是个「代码生成实验平台」，而它是 Lovable 的前身。
作者是 Anton Osika。Lovable 现在估值 5 亿美元，去年报道里 ARR 冲到 1700 万美元、15 个人、每天 2.5 万个 App、付费留存 85%。所以这个已经归档的仓库，其实是一个 5 亿美元公司掉在 GitHub 上的第一颗种子。
它到底是个什么形态的东西
gpt-engineer 的形态非常原始，原始到有点反潮流——它不是网页画布，不是 VS Code 插件，就是一个 Python 命令行程序，命令行入口叫 gpte。
核心工作流只有三步：
- 你在磁盘上建一个空文件夹
- 在文件夹里建一个叫
prompt的文件（没扩展名），把需求写进去 - 执行
gpte projects/my-new-project
然后 AI 会先反问你几个澄清问题，接着拆步骤、写文件、跑起来给你看。这套「澄清 → 执行 → 自我改进」的循环，在 2023 年中就是当时对 Agent 这个概念最朴素也最准确的定义之一。
改已有代码就加个 -i：
gpte projects/my-old-project -i
整个项目 5.5 万星、7280 fork、MIT 协议、Python 写的，1600 多次提交。仓库现在归 gpt-engineer-org 组织维护，架构和因果关系写得很清楚。
上手成本有多低
低得有点离谱，这也是它当年能爆的原因。
python -m pip install gpt-engineer
export OPENAI_API_KEY=[your api key]
装完就一个 gpte 命令。官方要求 Python 3.10–3.12（3.8/3.9 的最后支持版本停在 0.2.6）。不想碰命令行环境的话，它还提供 Docker 和 GitHub Codespaces 两条路。
但真正值得抄作业的不是安装步骤，是这几个设计：
- prompt 文件不带扩展名：这是我见过最干净的「把规格当配置文件」的思路。需求本身就是个工程产物，该进 git，该被 review，该被 diff。
--use-custom-preprompts：你可以整个替换掉preprompts目录来重定义这个 AI 的「人格」。官方的说法是：改 preprompts 就是让它在项目之间记住事情。这是 2023 年的记忆机制原型，比现在满地跑的 memory 模块早两年。--image_directory：把架构图、UI 稿丢进去配视觉模型，让它看着图写代码。bench二进制：它自带一个评测工具，能拿你的 Agent 实现去打 APPS 和 MBPP 两个公开数据集。愿意给 coding agent 配 benchmark 的开源项目，当时一只手数得过来。
几句实话
第一，这是个化石，但化石有科研价值。 最后一次提交 2025 年 5 月，最后一个 release 是 2024 年 6 月的 v0.3.1。PyPI 上月下载量现在只剩 825 次，一周 177 次，一天 29 次——绝大多数是 CI 和镜像的自动拉取。作为一个要用的工具，它已经死了。作为一个标本，它定义了 2023 年那一整代人的想象。
第二，它选错了形态，所以被自己干掉了。 这个教训比它的功能更有价值：gpt-engineer 把所有赌注押在命令行和「生成整个代码库」上，而真实需求是「在已有代码库里改一处」。当 Lovable 转向浏览器、转向实时对话、转向 Supabase 全栈生成的时候，命令行那个壳就彻底不够用了。同一个创始人、同一套技术判断，把一个 5.5 万星的开源项目直接换成了 5 亿美元的公司——这中间被牺牲的，恰恰就是命令行。
第三，别拿它跟现在的 Agent 平台比。 如果你现在要选编码 Agent，看我之前写的 Cline 基础篇（69.3K 星，IDE 里整编开发班）或 OpenHands 基础篇（8.6 万星，需求到 PR 一条龙）。gpt-engineer 唯一还值得做的事，是把它 clone 下来当教学案例读——那个 preprompts 目录里，藏着一整代人对「Agent 该怎么被约束」的最早思考。
顺带说一句成本：它默认走 OpenAI API，官方文档其实支持本地模型和 Azure。想要彻底不烧钱，可以像我折腾本地推理那样先铺一层 Ollama 基础篇 那套本地开关，再把模型接进去。不过那是考古行为，别为它浪费电。
最后说一句题外话。我写这套东西的初衷其实跟 Agent 平台没多大关系——真正的野心是让 AI 去接串口、接电源、接刷机口，替我干那些需要手伸进机柜的活。那条路我写过一篇设想：让 AI 接上串口和刷机口。5.5 万星是别人的成绩单，我的目标是把 OpenWrt 固件烧进京东云无线宝那种活儿干得比 淘宝泰仪刷机记录 更快。差距还很大，但路是同一条。
by 数码罗记 · godsun.pro
模型：space-bunny-free ｜ 上下文用量：约 46K / 200K ｜ 数据核验：GitHub API + PyPI Stats（2026-10-04 实测）
