Kilo Code + z.ai (GLM)

TAUSIK работает как полноценный MCP-хост внутри Kilo Code (аддон для VSCode и его CLI) на моделях z.ai GLM. Это возможно благодаря двум проектным решениям (Decision #119):

• Kilo — это runtime-хост (ось-1): ему принадлежат каталог bootstrap, конфиг MCP и детекция активной модели. Только это меняется при смене IDE.
• z.ai GLM — это семейство моделей (ось-2): чистые данные в model_profiles, не код. Переключение/добавление GLM-моделей не требует изменений кода.

Эндпоинт z.ai Anthropic-совместим, поэтому транскрипт сессии идентичен Claude — отличается только поле model (glm-*). Маршрутизация, вердикты и стоимость работают без изменений.

---

1. Направьте агент на z.ai

z.ai предоставляет Anthropic-совместимый эндпоинт. Задайте переменные для Claude Code или Kilo (Kilo использует те же Anthropic-переменные):

export ANTHROPIC_BASE_URL="https://api.z.ai/api/anthropic"
export ANTHROPIC_AUTH_TOKEN="<ваш-ключ-z.ai>"   # НИКОГДА не коммитьте

Гигиена секретов: ключ z.ai — это учётные данные. Держите его в профиле shell или хранилище секретов IDE — не в .tausik/config.json, .kilo/ или чём-либо под git.

Тариф GLM Coding Plan (от $10/мес) даёт доступ к семейству GLM (glm-4.5-air, glm-4.6 и линейке glm-5.x).

2. Bootstrap TAUSIK для Kilo

python .tausik-lib/bootstrap/bootstrap.py --ide kilo

Записывает MCP-стансу TAUSIK в оба известных пути конфига Kilo (робастно к версиям Kilo — Decision #120):

• .kilo/kilo.jsonc (актуальные доки kilo.ai)
• .kilocode/mcp.json (более старые сборки Cline-наследия)

Оба содержат одну и ту же запись mcp:

{
  "mcp": {
    "tausik-project": {
      "type": "local",
      "command": ["<python>", "${workspaceFolder}/.kilo/mcp/project/server.py", "--project", "${workspaceFolder}"],
      "enabled": true
    }
  }
}

Пути устойчивы к переименованию: сервер внутри проекта и --project используют ${workspaceFolder} (Kilo раскрывает его при запуске), поэтому переименование папки проекта не ломает конфиг. Внешний lib-сервер сохраняет абсолютный путь. Существующие серверы и другие ключи сливаются, а не перезаписываются. Повторный запуск идемпотентен.

Перезапустите Kilo после bootstrap, чтобы он подхватил новый MCP-конфиг.

Если ваша сборка Kilo не читает ни один из путей по умолчанию

Переопределите цель(и) в .tausik/config.json:

{ "kilo": { "config_paths": ["kilo.jsonc"] } }

(пути относительны корню проекта; список полностью заменяет значения по умолчанию.)

3. Сообщите TAUSIK активную GLM-модель

У Kilo нет JSONL-транскрипта в стиле Claude, поэтому TAUSIK читает активную модель (по порядку):

1. переменная окружения KILO_MODEL — напр. export KILO_MODEL=glm-4.6
2. поле model в .kilo/kilo.json (или ~/.config/kilo/kilo.json)

Тогда task start показывает рекомендации GLM и корректные вердикты «слабее/мощнее». Без этого рекомендации откатываются к model_profiles.default_family (ниже), затем к Claude.

4. Переключение/добавление GLM-моделей — без кода

Значения по умолчанию из scripts/model_profiles.py:

Ранг capability	GLM-модель
лёгкая (haiku)	glm-4.5-air
средняя (sonnet)	glm-4.6
сильная (opus)	glm-4.6
флагман (fable)	glm-4.6

Переопределите/расширьте любой ранг — и закрепите GLM как семейство по умолчанию — в .tausik/config.json:

{
  "model_profiles": {
    "default_family": "glm",
    "families": {
      "glm": {
        "opus":  { "model": "glm-5.2", "display": "GLM-5.2" },
        "fable": { "model": "glm-5.2", "display": "GLM-5.2" }
      }
    }
  }
}

default_family: "glm" заставляет task start рекомендовать GLM-модели ещё до детекции через транскрипт/KILO_MODEL — идеально, когда вы работаете только в Kilo + z.ai.

Как это собирается вместе

Kilo Code (аддон/CLI)  ──MCP──▶  сервер tausik-project  (.kilo/kilo.jsonc | .kilocode/mcp.json)
        │
        └── model: glm-4.6  ──▶  model_profiles (family=glm) ──▶ ранг маршрутизации → glm-модель + вердикт

Runtime — это Kilo; модель — это GLM. Они не знают друг о друге — именно это разделение превращает «TAUSIK в Kilo на любой модели z.ai» в задачу настройки, а не написания кода.