6月11日凌晨，小米MiMo团队在X上发布了MiMo Code V0.1.0，一款基于OpenCode二次开发的终端编程Agent，采用MIT协议开源。仅仅一天之后，月之暗面在6月12日正式发布并开源了Kimi K2.7 Code，一个万亿参数的编程专用大模型。

两家国产科技巨头在同一周内先后开源编程AI工具，这在国产大模型历史上还是头一回。一个是手机厂商跨界入局，一个是大模型公司深耕垂直赛道，两条路径在同一时间交汇，背后折射出的是国产AI编程工具赛道的激烈竞争。

小米MiMo Code：把记忆做进Agent里

MiMo Code的核心卖点不在于模型本身有多强，而在于Agent框架的设计。小米团队观察到一个现实问题：AI编程助手在长会话中会"越用越忘"。当对话轮次超过几十轮，上下文窗口被工具输出、代码片段和报错日志填满时，模型就开始丢失之前的约束和意图。

MiMo Code的解决方案是一套三层持久记忆系统。最底层是MEMORY.md，存储项目级的知识和规则；中间层是checkpoint.md，保存会话检查点；最上层是tasks目录下的progress.md，记录每个任务的进展。这三层文件由一个独立的subagent自动维护，主Agent专注于干活，记录工作完全外包出去。当上下文窗口接近上限时，系统不是简单压缩历史，而是从这三层文件中重建一份干净的简报，让主Agent接着干而不是从零开始。

这个设计思路有一个精妙之处：它把"记忆"从模型能力问题转化成了工程问题。模型本身是无状态的，每次调用都从空白开始，所有连续性由运行时提供。MiMo Code选择把状态管理交给独立的writer subagent，而不是让主Agent自己记笔记。这种分工让主Agent可以专注于编码决策，而不用担心记忆管理消耗宝贵的上下文窗口。

MiMo Code还引入了Compose模式，这是一个比普通对话更结构化的开发流程。用户按Tab切换到Compose模式后，只需给出一个想法，系统就会自动完成设计、规划、编码、测试和审查的全流程。小米官方用"慢写、快验"来概括这种方式——前期花更多时间做规划和设计，减少后续返工。

在测试数据方面，小米给出了一组对照实验：在SWE-Bench Pro上，MiMo Code达到62%，Claude Code为57%；在Terminal Bench 2上，MiMo Code达到73%，Claude Code为68%。注意这组实验用的是同一个MiMo模型，变量只是Agent框架本身。这说明在模型相同的前提下，Agent系统的设计确实会显著影响最终表现。

Kimi K2.7 Code：万亿参数的编程专家

与MiMo Code侧重Agent框架不同，Kimi K2.7 Code的核心竞争力在于模型本身。这是一个1万亿参数的Mixture of Experts架构模型，每次推理只激活32B参数，384个专家中选择8个加1个共享专家参与计算。256K的上下文窗口足以处理中大型代码库的完整上下文。

Kimi K2.7 Code最大的技术改进是推理效率。与前代K2.6相比，新模型的推理token用量降低了30%。这个数字直接翻译成成本节省——在实际编程任务中，模型需要反复读取代码、执行测试、修复错误，每一步都会消耗token。30%的节省意味着同样的预算可以完成更多的迭代轮次。

一个值得关注的设计决策是：Kimi K2.7 Code强制开启思考模式，不支持关闭。官方文档明确说明thinking参数仅支持启用，不能传入disabled。这意味着模型在每次响应前都会进行内部推理和规划，而不是直接输出答案。对于编程任务来说，这个设计是合理的——开发者更关心方案是否稳健、修改是否符合约束，而不是第一秒就返回结果。

Kimi K2.7 Code在编程基准测试上的表现也值得关注。官方数据显示，Program-Bench提升10.4%，MCP Mark Verified提升11.4%，SWE Marathon提升76.2%。尤其是SWE Marathon的大幅提升，说明模型在长链路编程任务中的稳定性有了质的飞跃。

在定价方面，Kimi K2.7 Code标准版每百万token输入6.5元、输出27元；高速版（5-6倍速度）价格翻倍，输入13元、输出54元。对于需要快速迭代的开发场景，高速版的时间成本优势可能会抵消价格差异。

两条路径，一个目标

对比两款工具，可以看出两家公司的策略差异。小米MiMo Code走的是"模型+Agent框架"的路线，通过持久记忆、Compose模式和Max Mode等工程创新来提升开发效率。它的模型（MiMo-V2.5）限时免费，兼容DeepSeek、Kimi、GLM等75+模型，本质上是想通过工具链的易用性来吸引开发者进入小米的AI生态。

Kimi K2.7 Code则走的是"模型即产品"的路线，把资源集中在提升模型本身的编程能力上。万亿参数的MoE架构、强制思考模式、30%的推理效率提升，都是在用技术硬实力说话。月之暗面押注的是：在编程这个垂直场景里，模型能力的天花板决定了Agent能力的天花板。

两条路径并不矛盾。MiMo Code本身就支持接入Kimi的模型API，Kimi K2.7 Code也可以在第三方Agent框架中使用。它们更像是同一赛道上的两个互补选择：如果你更在意开发体验和记忆连续性，MiMo Code的框架设计值得尝试；如果你更在意模型本身的推理能力和代码质量，Kimi K2.7 Code可能是更好的底座。

开发者该怎么选？

对于大多数开发者来说，现在可能是最幸福的时刻——两款国产编程AI工具同时开源，都支持免费试用，都有明确的技术路线图。MiMo Code的MIT协议和Kimi K2.7 Code的Modified MIT协议都允许商业使用和二次开发。

实际选择可以基于几个维度。如果你的项目涉及长周期开发、需要跨会话保持上下文，MiMo Code的持久记忆系统会更实用。如果你的场景更偏向单次高质量代码生成、需要处理大规模代码库，Kimi K2.7 Code的256K上下文和万亿参数可能更合适。如果你预算有限，MiMo Code的免费通道和Kimi K2.7 Code的标准版定价都在可接受范围内。

当然，两款工具都还年轻。MiMo Code是V0.1.0探索性发布，GitHub上已经出现了安装失败和平台兼容性问题。Kimi K2.7 Code刚刚上线，第三方独立评测数据还没有出来。现在下结论还为时过早，但可以确定的是：国产AI编程工具的竞赛已经正式开始，而开发者是最大的受益者。

作者简介

uotol实验室，专注AI开发工具评测与技术分享。关注我们，第一时间获取国产AI工具的深度分析和实用指南。