Kiln
免费
Kiln 是面向 AI 工程团队的 AI编程 与开发工作台，用一套桌面应用加开源 Python 库，把 RAG、Evals、Prompt Optimization、Fine-tuning、Synthetic Data、Agents 与 MCP 串成统一流程。它的核心价值不是替代某个单点模型，而是减少 AI 项目里“提示词在表格里、评测在脚本里、协作在 Git 外面”的割裂状态。
核心参数与统计
| 参数 | 官方可核验信息 |
|---|---|
| 产品定位 | The AI workbench for teams |
| 交付形态 | Desktop App + open-source Python library |
| 支持平台 | macOS、Windows、Linux；Python 3.10+ |
| 模型覆盖 | 190+ models tested across major providers，支持 cloud 或 fully local |
| 核心流程 | Build、Evaluate、Improve、Collaborate |
| 关键能力 | RAG、Tools & MCP、Skills、Sub-Agents、Evals、Auto-Optimize、Fine-tuning、Synthetic Data |
| 开源与许可 | Python library 为 MIT License；Desktop App 为 source-available |
| 市场信号 | 10,000+ developers、4,500+ GitHub stars |
一句话简评：Kiln 本质上不是一个“AI 聊天壳”，而是把 AI 系统从原型到优化上线的关键工序装进同一个工作台。
宣传核验：官方把自己讲成 teams build AI that actually works，这个卖点基本成立，因为它不只强调模型接入，而是把评测、优化、数据、协作和部署这条链路一起收口，解决的是 AI 项目最常见的“能跑起来，但没人说得清为什么好或坏”的痛点。
用户与市场认可
Kiln 首页公开给出 10,000+ developers、4,500+ GitHub stars 和 190+ models，同时展示 Apple、Meta、Microsoft、NVIDIA、Tesla、Netflix、Stanford、Alibaba 等组织相关标识。官方对这组标识的限定语也比较克制，说明这些公司的人注册了 Kiln、给 GitHub 点星或加入了 Discord，而不是直接暗示全部为付费客户。
这类市场信号的含金量在于两个方面。第一，它说明 Kiln 已经从单人实验工具跨进了工程社区视野，至少不是一个只靠宣传页撑起来的新项目。第二，它的吸引点更偏“AI 工程基础设施”而不是“更会聊天的模型入口”，因此更容易进入研发、数据科学和产品协同的混合团队。
成本优势
| 成本层 | 官方公开信息 | 真正要看的成本项 |
|---|---|---|
| 个人 | Individual 免费，含开源 Python 库、Desktop App、本地数据集与 git sync | 软件不收费，但模型调用和本机算力仍由用户承担 |
| 团队 | Team 需 Request access，含更高 limits、automatic agent optimization、email support | 真正成本来自团队协同、模型额度和内部标准化流程 |
| 企业 | Enterprise Custom，含 SSO / SAML、SLA、solutions engineer、培训 | 合规接入、采购流程、专人支持和上线治理才是主要预算项 |
免费的真相：Kiln 的免费版对个人很友好，但“免费”只覆盖软件层。模型调用费、实验算力、向量索引、日志保留和团队维护成本不会消失。
降本增效量化：如果一个 AI 团队原本把 prompt、eval、RAG 配置和数据样本分散在 Notion、脚本和本地文件夹里，那么把它们统一进 Kiln 后，典型的“改一个 prompt 然后重新跑验证”流程，通常能从半天级的手工串联压缩到 30 到 60 分钟内完成。这是基于官方工作流设计做的推演，不是官方承诺数字。
合规与风险：官方强调 datasets 和 evals 默认保存在你的机器上，并通过你控制的 Git repo 同步，这对隐私可控性是加分项。但一旦启用 Kiln Pro 的服务端能力，你仍要单独评估数据是否适合送到外部服务，以及不同模型 provider 的合规边界。
主要功能
- Build 链路：支持 RAG、Docs & Search、Skills、Tools & MCP、Sub-Agents、structured output、reasoning 和 prompt generators，适合把“提示词实验”提升成可复用任务。
- Evaluate 链路：提供 LLM-as-Judge evals、AI Eval Builder、golden datasets 和 human ratings，用来判断系统改动到底是进步还是回退。
- Improve 链路：提供 Auto-Optimize、Fine-tuning 和 Synthetic Data，能把“发现问题”继续推进到“自动找更优配置”。
- Collaborate 链路：支持 Git Auto-Sync、in-app feedback & ratings，以及对 PM、QA、SME 更友好的协作界面。
- Assistant 工作流：Kiln Assistant 可直接在产品内运行实验、分析项目和优化任务，不用在外部聊天工具和本地工作台之间来回跳。
专家视点：Kiln 真正有价值的不是某一个单点能力，而是这些能力的顺序关系。RAG、评测、优化、微调、数据生成如果分别落在 4 套系统里，团队会在配置漂移和口径不一致上浪费很多时间。Kiln 的隐藏协同在于把这些流程绑在同一项目文件上，减少“评测跑的是旧 prompt，优化针对的是另一版数据”的返工。
模型与版本演进
Kiln 的版本节奏很清楚，基本沿着“把 AI 项目从单任务工具扩展成团队工作台”的方向演进。
| 版本 | 日期 | 关键变化 |
|---|---|---|
| v1.0.3 | ~2026-06 | Assistant 流式 API、Input Transforms、更多模型/provider、UI/UX 打磨 |
| v1.0.2 | 2026-05-12 | 1.0 稳定里程碑、Synthetic Data Guides、新模型扩展 |
| v0.28.0 | 2026-04-23 | Kiln Chat、Automatic Git Sync，协作和助手成为主线 |
| v0.26.0 | 2026-03-18 | Skills 标准支持、reasoning thinking level、更多模型 |
| v0.25.0 | 2026-02-21 | Automatic Prompt Optimizer、MCP Run Configurations |
从这个轨迹能看出来，Kiln 已经不再满足于做“模型试验 GUI”。它正朝 AI 开发生命周期平台演进，尤其是 Git Sync、Assistant、Optimizer 和 MCP Run Configurations 这些能力，都是为了把单人实验变成可协作、可复现、可对比的团队工程流程。
技术优势
主类型判断：Kiln 的主交付形态更接近面向 AI 团队的生产力/业务端应用，而不是单独售卖的模型或数据库；Tools & MCP、Skills 和 Sub-Agents 是它的次级技术特征。
统一项目文件减少配置漂移：同一份任务、数据集、评测和优化配置能在桌面应用与 Python 库之间复用，这比“网页演示一套，生产脚本一套”稳得多。
本地数据默认优先：官方明确写 datasets 和 evals 存在本机，并通过你控制的 Git repo 同步。这意味着协作方式更像代码协作，而不是传统黑箱 SaaS，把审计和回滚能力交还给团队。
模型与 provider 解耦：支持 cloud 或 fully local、覆盖 190+ models，意味着团队可以把模型替换、成本优化和供应商切换放进同一工作台处理，而不是每次迁移都重建流程。
人机协作边界清晰：Kiln 可以自动完成数据生成、候选 prompt 搜索、评测批跑和模型对比，但高价值上线决策、不可逆业务动作、最终验收结论仍然要保留人工确认点。尤其在 agent optimization 场景下，最该防的是“自动优化跑出了更高分，却把真实业务约束一并优化掉了”。
如何使用
| 入口 | 适合对象 | 说明 |
|---|---|---|
| Desktop App | 产品、数据、研发混合团队 | 用图形界面构建任务、数据、评测和优化流程 |
| Python Library | 开发者、生产部署团队 | 将 Kiln 任务接入自有服务或推理链路 |
| Kiln Pro | 需要 Assistant、Auto-Generated Evals、Optimizer 的团队 | 由官方服务端能力补足高阶优化与支持 |
| Enterprise | 需要 SSO、SLA、采购与培训的组织 | 更适合正式导入企业工作流 |
典型上手路径是：下载桌面应用，创建任务，配置模型与 run config，导入文档或数据集，补充 evals，再用 Optimizer 或 Fine-tuning 做迭代。如果你要把任务带进生产环境，官方首页提供了 Python quickstart，可以直接复用同一份项目文件：
task = Task.load_from_file(TASK_PATH)
run_config = task.default_run_config()
adapter = adapter_for_task(
task,
run_config_properties=run_config.run_config_properties,
)
task_run, run_output = await adapter.invoke_returning_run_output(input)产品定价
| 套餐 | 官方公开信息 | 适合谁 |
|---|---|---|
| Individual | Free；含 open source Python library、Desktop App、local datasets with git sync、standard models rate limited、community support | 个人开发者、原型验证 |
| Team | Request access；含 enhanced models、higher limits、automatic agent optimization、priority feature access、email support | 开始标准化 AI 工作流的小团队 |
| Enterprise | Custom；含 SSO / SAML、annual contracts、SLA、solutions engineer、custom onboarding | 需要正式采购与合规支持的组织 |
Kiln 的收费逻辑比较清楚：本地项目管理和基础工具链尽量免费，把官方托管的高阶 AI 能力和企业服务拿来商业化。这样做的好处是试用门槛低，坏处是团队一旦深度依赖 Optimizer 和 Assistant，就会开始受官方服务端额度与权限体系约束。
应用场景
- AI 产品团队做迭代验证：最适合经常调 prompt、换模型、补评测的团队。把一次模型升级对质量的影响从“拍脑袋评估”变成“有 golden data 和 judge 分数的对比”。
- RAG 与 agent 系统开发：Kiln 把文档导入、检索、工具调用、agent 层级和评测绑在一起，适合做“能跑也要能量化”的知识问答或自动化助手。
- 跨角色协作的 AI 项目：PM、QA、SME 能直接参与 ratings、feedback 和数据修正，不必所有工作都压给工程师。
降维打击场景：如果团队每周都要重复做“改 prompt -> 跑数据 -> 看结果 -> 写结论”的循环，Kiln 的价值最明显，因为它减少的是流程摩擦而不只是单次生成速度。
适用人群
- 适合 AI 工程师与平台团队：尤其适合需要把实验流程沉淀成团队资产的人，而不是只做一次性 demo 的个人用户。
- 适合数据科学与产品协同团队：因为它把评测、反馈、数据和模型切换放进同一工作台，非工程角色也能参与关键环节。
- 适合想保留本地数据控制权的组织：默认本地保存与 Git 同步，对隐私和审计更友好。
劝退边界：如果你的需求只是“找个聊天框试几个模型”，Kiln 明显偏重；如果团队没有 eval culture，也不愿意维护数据和任务结构，那么它会看起来像一套过度工程化的系统。
总结与展望
Kiln 最值得看的地方不是它支持多少模型，而是它试图把 AI 项目的 build、evaluate、improve、collaborate 四条线真正拉平到同一个工作面上。对成熟团队来说，这比再多一个聊天入口更有价值，因为它直接减少试验口径漂移、评测缺位和协作断层。
它当前的采购/采用风险也很明确。第一，团队需要接受更工程化的工作方式，否则工具复杂度会超过收益。第二，若深度使用 Kiln Pro，部分优化链路会重新依赖官方服务端能力。第三，它并不替你定义“什么是好结果”，你仍然需要自己维护数据、评测标准和人工验收机制。能驾驭这些前提的团队，会觉得它是工作台；否则它只会像一套功能很多的 AI IDE。
版本信息
- Kiln Desktop v1.0 ：标志 Kiln 进入 1.0 阶段，官方把它定义为稳定性与鲁棒性的里程碑，同时加入 Synthetic Data Guides 和新模型支持。
- Kiln Desktop v0.28.0 ：加入 Kiln Chat 与 Automatic Git Sync，把团队协作和 AI 助手直接嵌入工作台。
- Kiln Desktop v0.25.0 ：引入 Automatic Prompt Optimizer 与 MCP Run Configurations，把外部 agent 实现接入 Kiln 的评测与对比链路。
- Kiln Desktop v1.0.3 ：当前最新公开版本，带来超过 200 commits 的更新，重点包括 Assistant 可流式调用 API、Input Transforms、更多模型与 provider，以及 UI/UX 和 fine-tuning 配置调整。暂无官方精确日期。
用户评价