YOHO AI

标签： 开源

  • LightRAG – 轻量级知识图谱RAG框架，微软GraphRAG的高效替代方案

    LightRAG – 轻量级知识图谱RAG框架，微软GraphRAG的高效替代方案

    🔍

    LightRAG

    轻量级知识图谱RAG框架 – 微软GraphRAG的高效替代方案

    🏫 香港大学
    📄 EMNLP 2025
    ⭐ 2.4K+ Stars

    📋 项目简介

    LightRAG 是由香港大学数据科学实验室（HKUDS）开发的轻量级、基于知识图谱的检索增强生成（RAG）框架。作为微软GraphRAG的高效替代方案，LightRAG专为法律、医疗、金融等复杂文档分析场景设计，支持多模态文档处理。其创新的双层级检索架构同时管理知识图谱（KG）和向量嵌入，解决了传统GraphRAG大规模数据处理时的高算力开销、响应慢、增量更新成本高等瓶颈问题。

    ⚙️ 安装要求

    ⚠️ 环境要求

    • Python 3.10 及以上
    • 推荐使用 uv 包管理工具（比 pip 性能更优）
    • 前端构建依赖：bun（如需自行构建WebUI）

    快速安装（三种方式）

    方式一：从PyPI安装（推荐）

    # 安装带API服务的LightRAG
uv tool install "lightrag-hku[api]"

# 构建前端产物
cd lightrag_webui
bun install --frozen-lockfile
bun run build
cd ..

# 配置环境变量后启动服务
cp env.example .env  # 修改.env中的LLM和嵌入模型配置
lightrag-server

    方式二：从源码安装

    git clone https://github.com/HKUDS/LightRAG.git
cd LightRAG

# 一键初始化开发环境（自动安装所有依赖+构建前端）
make dev

source .venv/bin/activate  # Windows用 .venv\Scripts\activate

# 配置环境变量后启动服务
make env-base  # 生成.env配置文件
lightrag-server

    方式三：Docker部署

    git clone https://github.com/HKUDS/LightRAG.git
cd LightRAG
cp env.example .env  # 修改LLM和嵌入模型配置
docker compose up

    ✨ 核心功能

    🔍 双层级检索架构

    同时管理知识图谱（KG）和向量嵌入，弥合传统向量RAG和图RAG的技术鸿沟。支持5种查询模式：local（局部上下文）、global（宏观主题）、hybrid（融合模式）、naive（传统向量检索）、mix（默认，最全面）

    ⚡ 增量更新能力

    支持知识库无缝增量更新，新数据通过标准图索引pipeline生成局部图后直接合并到现有图谱，无需重构全局索引。删除文档时可基于构建阶段的LLM缓存快速重建受影响的关系，更新效率极高。

    🎯 多模态文档处理

    v1.5版本起支持多模态文档分析，文档处理管道支持MinerU、Docling、Native等多解析引擎，可高效提取文档中的文本、表格、公式、图像，实现跨模态实体和关系的统一映射与索引。

    💰 成本优势

    无需生成低效的社区报告或多跳推理来处理复杂查询，大幅减少索引和查询阶段的LLM调用次数，降低响应延迟和算力成本。在农业、计算机科学、法律、混合领域四类测试集上，性能均显著优于NaiveRAG、RQ-RAG、HyDE、GraphRAG等基线方法。

    🗄️ 多存储后端支持

    支持4类存储（KV存储、向量存储、图存储、文档状态存储）的灵活配置。生产环境可选择PostgreSQL、MongoDB、OpenSearch等统一后端，也可分别搭配Milvus/Qdrant做向量存储、Neo4j/Memgraph做图存储。

    🎯 典型使用场景

    📄 场景一：垂直领域复杂文档分析

    适用场景：法律合同审查、医疗病历分析、金融研报解读等需要深度上下文理解、逻辑推理的场景。
    优势：LightRAG的图索引能力可捕捉实体间复杂语义依赖，生成质量优于传统RAG。例如在法律领域，其全面性指标达到83.6%，远超NaiveRAG的16.4%。

    🏢 场景二：大规模知识库构建

    适用场景：需要处理海量文档、且知识库需要频繁更新迭代的企业知识库、技术文档站等。
    优势：LightRAG的增量更新能力可大幅降低更新成本，支持30B参数级开源模型也可达到高精度。无需每次都重构全局索引，显著提升运维效率。

    🚀 场景三：生产级RAG系统部署

    适用场景：企业级RAG应用，对高可用、低延迟、安全性有严格要求。
    优势：可通过配置统一存储后端、本地部署嵌入/重排序模型、调整并发参数，满足企业级部署需求。支持引用溯源、文档删除、RAGAS评估集成、Langfuse链路追踪等生产特性。

    💡 推荐理由

    作为一名经常与RAG系统打交道的开发者，我必须说 LightRAG 是我近期见过的最务实的RAG框架创新。它并没有试图颠覆什么，而是精准地解决了GraphRAG在实际落地时的三大痛点：算力开销高、更新成本高、响应速度慢。

    最让我印象深刻的是它的增量更新能力。在传统GraphRAG中，每次添加新文档都需要重构整个知识图谱，这在动态知识库场景下几乎是不可接受的。而LightRAG通过局部图合并策略，实现了真正的无缝增量更新，这让它在企业级应用场景中具备了极强的竞争力。

    另外，它的多模态支持也非常实用。在现代文档中，表格、公式、图片的信息同样重要，但传统RAG往往只能处理纯文本。LightRAG v1.5通过集成MinerU、Docling等解析引擎，真正实现了对复杂文档的全面理解。

    当然，它并不是完美的。相比成熟的商业化方案，LightRAG在文档量和用户友好度上还有提升空间。但考虑到它是开源且活跃维护的项目，而且已经有EMNLP 2025论文背书，我相信它会成为RAG领域的一个重要里程碑。

    适用人群：如果你正在构建需要处理复杂文档的RAG系统，或者对GraphRAG的性能和成本不满，LightRAG绝对值得一试。特别是对于法律、医疗、金融等垂直领域的应用，它的知识图谱能力会让你事半功倍。

    ─────────────────── ✨ ✨ ✨ ───────────────────

    LightRAG 为RAG系统提供了一种更高效、更经济的解决方案。无论是构建企业知识库、垂直领域问答系统，还是进行RAG相关研究，它都是一个值得深入探索的优秀工具。

    你是否也在使用RAG技术？ 欢迎在评论区分享你的经验和想法！

  • Open-WebUI：自托管AI平台，打造专属的ChatGPT体验

    在本地运行大语言模型（LLM）已经成为越来越多开发者和AI爱好者的选择。但Ollama等工具缺乏友好的Web界面，而Open-WebUI完美解决了这个问题——它提供了一个功能丰富、可自托管的AI交互平台，让你在本地也能享受媲美ChatGPT的使用体验。

    项目简介

    Open-WebUI 是一个可扩展、功能丰富、用户友好的自托管AI平台，支持完全离线运行。它兼容Ollama、OpenAI兼容API等多种LLM运行器，并内置RAG（检索增强生成）推理引擎。目前GitHub Stars已超过105,000+，是本地AI部署的首选界面方案。

    安装要求和过程

    环境要求

    • Python方式：需要 Python 3.11（避免使用其他版本以免兼容性问题）
    • Docker方式：需要安装Docker，建议使用GPU环境以获得更好性能
    • Ollama：如需本地运行模型，需提前安装Ollama
    • 存储空间：至少预留5GB空间用于模型和数据集

    快速安装步骤

    方式一：Python pip安装（最简单）

    # 安装项目
pip install open-webui

# 启动服务，访问地址：http://localhost:8080
open-webui serve

    方式二：Docker快速部署（推荐）

    # 基础部署（Ollama在本地）
docker run -d -p 3000:8080   --add-host=host.docker.internal:host-gateway   -v open-webui:/app/backend/data   --name open-webui --restart always   ghcr.io/open-webui/open-webui:main

# 访问地址：http://localhost:3000

    方式三：一体化部署（包含Ollama）

    # 带GPU支持
docker run -d -p 3000:8080 --gpus=all   -v ollama:/root/.ollama   -v open-webui:/app/backend/data   --name open-webui --restart always   ghcr.io/open-webui/open-webui:ollama

# 仅CPU
docker run -d -p 3000:8080   -v ollama:/root/.ollama   -v open-webui:/app/backend/data   --name open-webui --restart always   ghcr.io/open-webui/open-webui:ollama

    核心功能

    • 多模型兼容：无缝集成Ollama、OpenAI API，支持对接LMStudio、GroqCloud、Mistral、OpenRouter等第三方服务，一个界面管理所有AI模型。
    • 本地RAG能力：内置检索增强生成引擎，支持9种向量数据库（ChromaDB、PGVector、Qdrant、Milvus等），可直接上传文档进行智能问答。
    • 多模态交互：支持语音/视频通话，集成多种语音转文本和文本转语音引擎；支持DALL-E、Gemini、ComfyUI等多种图像生成引擎。
    • 权限管理：细粒度用户角色与权限控制，支持LDAP/AD集成、SSO单点登录，适合团队和企业部署。
    • 插件扩展：支持Pipelines插件框架，可自定义业务逻辑（函数调用、用户限流、实时翻译、内容过滤等）。

    典型使用场景

    场景一：个人本地AI助手

    通过Docker一键部署Open-WebUI + Ollama，在本地运行Llama 3、Mistral等开源模型。所有数据完全离线，保障隐私安全；同时获得与ChatGPT媲美的Web交互体验，支持多轮对话、Markdown渲染、代码高亮等功能。

    场景二：团队协作AI平台

    利用Open-WebUI的权限管理和SSO集成能力，为企业团队搭建内部AI平台。通过RBAC控制不同用户的模型访问权限，对接企业内部知识库实现RAG问答，并监控API使用量和成本。

    场景三：AI应用开发测试

    开发者可使用Open-WebUI快速测试不同LLM模型的效果，通过模型构建器自定义提示词和角色，利用Python函数调用扩展自定义能力，加速AI应用的原型开发和测试验证。

    推荐理由

    Open-WebUI是我试用过的最优秀的本地LLM Web界面，没有之一。它的设计非常贴合实际使用场景：响应式界面适配各种设备，PWA支持让你可以像原生App一样使用，RAG功能让你可以轻松对接个人知识库。

    相比其他类似工具，Open-WebUI的最大优势在于完整性和成熟度：它不仅有精美的界面，还有完整的企业级功能（权限管理、SSO、监控等），同时支持广泛的模型和后端的灵活配置。无论你是个人用户还是企业团队，都能找到适合自己的部署方式。

    特别推荐它的RAG集成能力——上传文档后可以直接在对话中引用，支持多种向量数据库和搜索引擎，真正实现”个人AI知识库”的落地。如果你一直在寻找一个好用的本地LLM界面，Open-WebUI绝对值得一试。

    下载地址

    如果你觉得这个项目有帮助，欢迎到GitHub上点个Star支持开发者！

  • 【开源推荐】aisuite：14.5K+ Stars！Andrew Ng 出品，一行代码切换 14+ 个 AI 大模型

    【开源推荐】aisuite：14.5K+ Stars！Andrew Ng 出品，一行代码切换 14+ 个 AI 大模型

    🚀 aisuite
    Simple, unified interface to multiple Generative AI providers
    ⭐ 14,500+ Stars  |  🍴 1,500+ Forks  |  🐍 Python  |  📜 MIT License

    📌 项目简介

    aisuite 是 Andrew Ng（吴恩达）团队开源的轻量级 Python 库，通过一套统一 API 接口同时调用 OpenAI、Anthropic、Google、Mistral、AWS、Ollama 等 14+ 个 AI 大模型提供商。只需修改一个字符串即可切换模型，彻底告别各家 SDK 差异带来的适配噩梦。

    该项目采用两层架构：底层是统一 Chat Completions API（兼容 OpenAI 格式），上层是带工具调用的 Agents API。同仓库还包含基于 aisuite 构建的桌面 AI 助手 OpenCoworker。

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.9+
    • 各 AI 提供商的 API Key（或本地 Ollama）
    • 磁盘空间：约 50MB（基础包）

    快速安装（3步）

    # 基础安装（不含提供商 SDK）
pip install aisuite

# 安装时附带指定提供商的 SDK
pip install 'aisuite[anthropic]'
pip install 'aisuite[openai]'
pip install 'aisuite[google]'

# 安装所有提供商 SDK（完整版）
pip install 'aisuite[all]'

    API Key 配置

    # 设置环境变量（Linux/macOS）
export OPENAI_API_KEY="sk-your-key"
export ANTHROPIC_API_KEY="sk-ant-your-key"

# Windows PowerShell
$env:OPENAI_API_KEY = "sk-your-key"
$env:ANTHROPIC_API_KEY = "sk-ant-your-key"

    ✨ 核心功能

    ① 统一 Chat Completions API —— 一行切换模型
    模型名格式 <provider>:<model-name>，修改一个字符串即可在不同提供商之间切换，所有核心参数（temperature、max_tokens、tools 等）均为提供商无关。

    ② Agents API —— 让模型使用真实工具
    传入普通 Python 函数即可获得工具调用能力，aisuite 自动生成 JSON Schema、执行函数调用、将结果反馈给模型。max_turns 参数控制多轮对话，也可手动控制每一轮。

    ③ Toolkits —— 开箱即用的工具集
    内置 files（文件操作）、git（版本控制）、shell（命令行）等工具集，也可接入任意 MCP 服务器，让 Agent 获得文件系统、浏览器自动化等真实能力。

    ④ 生产级 Agent 管控
    支持 Tool Policies（工具调用审批策略）、State Stores（跨进程持久化对话状态，支持内存/文件/Postgres）、Artifacts & Tracing（完整记录 Agent 产出和每一步执行轨迹）。

    ⑤ OpenCoworker —— 开箱即用的桌面 AI 助手
    同仓库附赠 OpenCoworker 桌面应用（macOS/Windows），能聊天、做深度研究、读写文件、收发消息（Slack/Email）、生成 PDF 报告，并支持定时自动化任务（如每日新闻摘要）。数据完全留在本地。

    🎯 典型使用场景

    场景一：多模型对比评测
    研究人员可以用同一段代码，分别调用 GPT-4o、Claude 3.5 Sonnet 和 Gemini Pro，对比不同模型在同一 Prompt 下的响应质量，而无需维护三套 SDK 调用代码。aisuite 让 A/B 测试大模型 变得极其简单。

    场景二：构建支持多提供商的 AI 产品
    SaaS 产品需要同时支持 OpenAI 和 Anthropic，或允许用户选择自己偏好的模型。使用 aisuite，产品代码只需维护一套接口，后端根据配置动态路由到不同提供商，大幅降低维护成本。

    场景三：本地 + 云端混合部署
    开发阶段使用免费本地模型 Ollama，上线后切换到 OpenAI API。aisuite 让这种切换只需改一个字符串（"ollama:llama3" → "openai:gpt-4o"），无需改动任何业务逻辑代码。

    💡 推荐理由

    Andrew Ng 亲自站台的项目，质量有保障。我推荐它的核心原因是它解决了一个真实存在的痛点：每家 AI 公司的 API 都不一样。OpenAI 用一套格式，Anthropic 用另一套，Google 又是另一套……如果你要同时支持多家，代码里全是 if provider == "openai" 这种恶心的判断逻辑。

    aisuite 把这一切统一了。它的 API 设计完全兼容 OpenAI 的 Chat Completions 格式，其他提供商只是”适配层”，对使用者完全透明。这种设计意味着你现有的 OpenAI 代码几乎不用改，就能无缝迁移到 Claude 或 Gemini。

    更让人惊喜的是它的 Agents API 设计——传入普通 Python 函数就能让模型调用工具，不需要手写 JSON Schema。加上对 MCP（Model Context Protocol）的原生支持，未来接入各种工具生态会很方便。

    如果你正在做 AI 应用开发，或者需要对比评测多个大模型，aisuite 是目前最优雅的解决方案，没有之一。

    📥 下载地址

    🌐 官方网站：
    github.com/andrewyng/aisuite
    💻 快速安装：
    pip install aisuite
    💬 Discord 社区：
    discord.gg/T6Nvn8ExSb

    🔌 支持的 AI 提供商

    提供商 模型示例 调用格式
    OpenAI gpt-4o, gpt-4-turbo openai:gpt-4o
    Anthropic claude-3-5-sonnet anthropic:claude-3-5-sonnet-20240620
    Google gemini-pro, gemini-1.5-pro google:gemini-pro
    Mistral mistral-large, mixtral-8x7b mistral:mistral-large
    Ollama（本地） llama3, mistral, codellama ollama:llama3
    AWS Bedrock anthropic.claude-3-5-sonnet bedrock:anthropic.claude-3-5-sonnet
    Hugging Face 任意 HF 模型 huggingface:model-name

    📅 文章发布时间：2026 年 6 月 15 日
    📜 开源协议：MIT License（可自由用于商业和非商业项目）

  • 【开源推荐】Open WebUI：142K+ Stars！自托管 AI 聊天界面，隐私优先的本地大模型前端

    【开源推荐】Open WebUI：142K+ Stars！自托管 AI 聊天界面，隐私优先的本地大模型前端

    Open WebUI

    Open WebUI – 自托管 AI 聊天界面

    📦 项目简介

    Open WebUI 是一个用户友好的自托管 AI 界面，支持 Ollama、OpenAI API 等多种 LLM 服务，可完全离线运行。它提供了类似 ChatGPT 的优雅聊天体验，同时保障数据隐私，是企业和个人部署本地 AI 能力的首选前端方案。

    ⭐ 142K+ Stars
    🍴 20.3K+ Forks
    🐍 Python + Svelte
    📦 Docker 一键部署

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.11（pip 安装方式必须使用此版本）
    • Docker（推荐，最简单）
    • Ollama（如需本地模型，可选）
    • 磁盘空间：至少 2GB（含依赖和模型）

    方式一：Docker 安装（推荐）

    # 基础安装（Ollama 在本地）

    docker run -d -p 3000:8080 \
      –add-host=host.docker.internal:host-gateway \
      -v open-webui:/app/backend/data \
      –name open-webui –restart always \
      ghcr.io/open-webui/open-webui:main

    # 内置 Ollama（CPU）

    docker run -d -p 3000:8080 \
      -v ollama:/root/.ollama \
      -v open-webui:/app/backend/data \
      –name open-webui –restart always \
      ghcr.io/open-webui/open-webui:ollama

    方式二：Python pip 安装

    pip install open-webui
    open-webui serve

    ⚠️ 注意：必须使用 Python 3.11，避免兼容性问题！

    安装完成后访问 http://localhost:8080 即可使用。

    ✨ 核心功能

    🤖 1. 多模型兼容

    原生支持 Ollama、OpenAI 兼容 API，可对接 LMStudio、GroqCloud、Mistral、OpenRouter 等第三方服务。支持同时调用多个模型，获取最优输出结果。

    📚 2. RAG 检索增强生成

    支持 9 种向量数据库（ChromaDB、PGVector、Qdrant 等），多种内容提取引擎。可上传文档到知识库，通过 # 命令快速调用文档内容，打造私人知识助手。

    🔍 3. 联网搜索能力

    支持 15+ 搜索引擎（SearXNG、Google PSE、Brave Search 等）的 RAG 联网搜索，可直接输入 URL 引用网页内容到对话中，让 AI 获取实时信息。

    🎨 4. 多模态交互

    支持语音/视频通话，集成多种语音转文字、文字转语音引擎。支持图像生成与编辑，可对接 DALL-E、Gemini、ComfyUI、AUTOMATIC1111 等引擎。

    🔧 5. 企业级管理能力

    支持基于角色的访问控制（RBAC）、LDAP/AD 认证集成、SSO 单点登录。数据库支持 SQLite 和 PostgreSQL，存储可对接 S3、Azure Blob，支持水平扩展。

    🚀 典型使用场景

    场景一：个人本地 AI 助手

    搭配 Ollama 使用，在本地运行 Llama 3、Mistral、Gemma 等开源模型。所有对话数据完全离线，保障隐私安全。无需联网，随时随地使用 AI 助手。

    场景二：企业内网 AI 中台

    通过 Open WebUI 搭建企业内部 AI 平台，对接公司私有 LLM API 或本地部署的开源模型。支持用户权限管理、对话历史保存、知识库共享，让团队成员安全高效地使用 AI。

    场景三：RAG 知识库问答

    上传公司文档、技术手册、FAQ 到 Open WebUI 知识库，即可通过对话快速检索相关内容。支持 PDF、Word、Markdown 等多种格式，结合 RAG 技术实现精准问答。

    💡 推荐理由

    Open WebUI 是我见过最优雅的自托管 AI 界面。如果你在本地用 Ollama 跑模型，或者想给企业搭一个私有的 AI 聊天平台，Open WebUI 几乎是不二之选。

    它的体验非常接近 ChatGPT——响应式界面、Markdown 渲染、代码高亮、多会话管理，一应俱全。但更重要的是数据主权：你可以让所有 AI 交互发生在自己的服务器上，不用担心对话记录被第三方留存。

    另外，它的 RAG 知识库和联网搜索功能非常实用，让本地模型也能获取实时信息和私有文档内容。如果你关心 AI 隐私和数据安全，Open WebUI 值得一试。

  • 【开源推荐】LangChain：139K+ Stars！AI Agent 工程平台，构建 LLM 应用的标准框架

    【开源推荐】LangChain：139K+ Stars！AI Agent 工程平台，构建 LLM 应用的标准框架

    LangChain

    ⭐ GitHub 139K+ Stars

    LangChain

    AI Agent 工程平台 – 构建 LLM 应用的标准框架

    📝 项目简介

    LangChain 是一个强大的 AI Agent 工程平台，为构建 LLM 驱动的应用提供完整的框架和工具链。它提供模块化的组件、丰富的集成库和灵活的抽象层，让开发者能够快速原型设计、轻松集成外部数据源，并将应用规模化部署到生产环境。无论是简单的聊天机器人还是复杂的多 Agent 系统，LangChain 都能提供最佳实践和技术支撑。

    139K+
    GitHub Stars

    23.1K+
    Forks

    MIT
    开源协议

    Python
    主要语言

    ⚙️ 安装要求

    环境要求

    • Python 3.9+ （推荐 3.10 或更高版本）
    • pip 或 uv 包管理器
    • LLM API Key（OpenAI / Anthropic / Google 等）
    • 可选：向量数据库（Chroma / Pinecone / Qdrant 等）

    快速安装

    Bash
    # 使用 uv 安装（推荐）
uv add langchain

# 或使用 pip
pip install langchain

# 安装特定集成（例如 OpenAI）
pip install langchain-openai

# 安装社区集成（例如 Hugging Face）
pip install langchain-community

    ⭐ 核心功能

    🔗 模块化组件架构

    提供 LLM、Chat Models、Prompt Templates、Chains、Agents、Tools、Memory、Retrievers 等标准化模块，每个组件都可独立使用和组合，支持快速搭建复杂 AI 应用。

    🔌 丰富的集成生态

    支持 100+ 模型提供商（OpenAI、Anthropic、Google、Hugging Face 等）、50+ 向量存储（Chroma、Pinecone、Qdrant、FAISS 等）、30+ 工具集成，开箱即用。

    🤖 强大的 Agent 框架

    内置多种 Agent 类型（ReAct、Plan-and-Execute、OpenAI Tools 等），支持工具调用、记忆管理、多轮对话，可构建具有推理和行动能力的智能 Agent。

    📚 RAG 完整支持

    提供从文档加载、文本分割、向量化到检索的完整 RAG 管道，支持多种文档格式（PDF、HTML、Markdown 等）和检索策略（相似度搜索、MMR、Hybrid 等）。

    🚀 生产就绪工具链

    与 LangSmith 深度集成，提供追踪、评估、调试、监控能力；支持流式输出、异步调用、批量处理，满足高并发生产场景需求。

    💡 典型使用场景

    场景 1

    📊 企业知识库问答系统

    使用 LangChain 的 RAG 能力，将企业文档（PDF、Word、HTML）向量化存储，构建能够准确引用来源的智能问答系统。支持多轮对话、上下文记忆和来源追溯。

    from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain.chains import create_retrieval_chain

# 加载文档并构建向量库
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(docs, embeddings)

# 创建检索问答链
retriever = vectorstore.as_retriever()
qa_chain = create_retrieval_chain(retriever, ...)

    场景 2

    🤖 智能客服 Agent

    利用 LangChain 的 Agent 和 Tools 机制，让 AI 能够调用订单查询、物流追踪、退款处理等 API，自动完成复杂的客户服务流程，支持多步骤推理和错误处理。

    from langchain.agents import create_tool_calling_agent
from langchain.tools import Tool

tools = [
    Tool(name="订单查询", func=query_order, ...),
    Tool(name="退款处理", func=process_refund, ...)
]

agent = create_tool_calling_agent(llm, tools, prompt)

    场景 3

    ✍️ 内容生成与摘要

    结合 Prompt Templates 和 Chains，构建自动化的内容生成流水线，支持博客文章、产品描述、会议纪要摘要等场景，可集成到现有 CMS 或自动化工作流中。

    from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

template = "根据以下要点生成博客文章:\n{points}\n文章风格:{style}"

chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(template))
result = chain.invoke({"points": "...", "style": "专业且易懂"})

    💝 推荐理由

    LangChain 是我接触过的最成熟的 LLM 应用开发框架，没有之一。它不仅仅是一个库，更是一个完整的 AI Agent 工程平台。

    ✅ 生态极其丰富: 无论你想接入哪个模型、哪个向量库、哪个数据源，几乎都能找到现成的集成，省去了大量重复造轮子的时间。

    ✅ 抽象设计优秀: 从底层的 LLM 调用到高层的 Agent 编排，LangChain 提供了多层次的抽象，既能快速 prototyping，也能精细控制每个环节。

    ✅ 社区活跃度高: 139K+ Stars 不是虚的，GitHub 上每天都有新的讨论、PR 和案例分享，遇到问题几乎都能找到答案。

    ✅ 生产工具完善: LangSmith 的集成让调试和监控变得异常简单，这是很多同类框架做不到的。

    如果你正在考虑用哪个框架来构建 AI 应用，LangChain 绝对是首选。它已经成为了这个领域的”标准”，学习它永远不会错 🚀

    ···

    Tags
    #LangChain
    #AI Agent
    #LLM
    #Python
    #RAG
    #Agent工程

  • 【开源推荐】Qdrant：32.2K+ Stars！Rust 构建的高性能向量数据库，AI 应用的向量检索引擎

    【开源推荐】Qdrant：32.2K+ Stars！Rust 构建的高性能向量数据库，AI 应用的向量检索引擎

    Q
    GitHub 热门 AI 开源项目
    第 29 期

    ⭐ 32.2K+ Stars

    Qdrant —— 为 AI 应用打造的高性能向量数据库

    用 Rust 构建 · 支持稠密/稀疏/多向量 · 生产级分布式部署

    📌 项目简介

    Qdrant 是一个用 Rust 编写的高性能向量数据库和向量搜索引擎，专为新一代 AI 应用设计。它提供生产级服务与便捷 API，支持存储、搜索和管理带附加载荷的向量，是构建 RAG、语义搜索、推荐系统等 AI 应用的理想数据底座。

    32.2K+
    GitHub Stars

    Rust
    核心语言

    97%
    RAM 节省

    ⚙️
    安装要求和过程

    环境要求

    • Docker 20.10+（推荐方式）
    • 或者：Rust 1.70+ 编译环境（源码安装）
    • Python 3.8+（使用 Python 客户端时）
    • 支持 Linux / macOS / Windows (WSL2)

    快速安装（Docker 方式）


    # 1. 拉取并启动 Qdrant（无认证，开发用）
    docker run -p 6333:6333 qdrant/qdrant

    # 2. 访问 Web UI
    open http://localhost:6333/dashboard

    # 3. 使用 Python 客户端
    pip install qdrant-client

    # 4. 源码编译安装（可选）
    git clone https://github.com/qdrant/qdrant.git
    cd qdrant && cargo build --release

    生产部署建议

    • 务必配置 API Key 认证（参考官方安全指南）
    • 使用持久化卷存储向量数据（-v $(pwd)/qdrant_storage:/qdrant/storage）
    • 大规模场景启用分布式模式（需要 etcd / 类似协调服务）
    • 启用 TLS 加密传输

    ⚡
    核心功能

    🔍 多类型向量搜索

    同时支持稠密向量（语义相似度）、稀疏向量（全文搜索）、多向量（ColBERT 等延迟交互模型）搜索，一套系统满足多种检索需求。

    🎯 强大的载荷过滤

    为向量附加任意 JSON 载荷，支持关键词匹配、全文检索、数值范围、地理位置等丰富条件过滤，支持 should / must / must_not 条件组合，精准控制搜索范围。

    🔀 混合搜索

    单查询可组合多个向量，兼顾语义理解和关键词精度，支持倒数排名融合（RRF）、基于分布的分数融合（DBSF）等可配置融合策略，搜索效果更佳。

    💾 低成本存储优化

    内置向量量化能力，可降低最高 97% 的 RAM 占用；支持在搜索速度和精度之间按需权衡；同时支持磁盘存储，大幅降低运行成本。

    🚀 分布式高可用

    支持水平扩展，通过分片和副本实现高可用，可零停机更新或调整集合大小；支持 SIMD 硬件加速和 NVIDIA/AMD GPU 加速索引，性能卓越。

    💡
    典型使用场景

    📚 场景一：RAG 知识库问答

    将文档切片向量化后存入 Qdrant，用户提问时先检索最相关的片段，再送给 LLM 生成答案。Qdrant 的混合搜索和载荷过滤能力，让 RAG 系统既能理解语义，又能精确控制知识范围，是目前最流行的 AI 应用架构之一。

    🛒 场景二：电商语义搜索与推荐

    用户搜索”适合夏天透气的跑步鞋”，传统关键词搜索无法理解意图，而 Qdrant 的语义向量搜索能直接找到最相关的商品。再结合用户行为向量做个性化推荐，可大幅提升转化率和用户体验。

    🖼️ 场景三：图像/音频相似检索

    通过 CLIP 等多模态模型将图片/音频编码为向量，存入 Qdrant 后便可实现”以图搜图”、”相似音乐推荐”等功能。短视频平台、版权图库、人脸检索等场景均有广泛应用。

    💬 推荐理由

    如果你正在构建任何需要”理解语义”的 AI 应用，Qdrant 几乎是不二之选。作为向量数据库赛道的明星项目，它用 Rust 编写，性能和安全都有保障；API 设计简洁直观，Python 客户端几分钟就能上手；最关键的是，它不只是”能跑”，而是真正为生产环境设计——分布式、高可用、量化压缩、硬件加速，这些特性在大规模部署时价值巨大。

    我个人最喜欢它的混合搜索能力：语义向量 + 关键词 BM25 融合，再结合载荷过滤，搜索结果的质量比单纯向量检索高出一大截。加上活跃的开源社区和 Qdrant Cloud 托管选项，无论个人项目还是企业落地，都能找到合适的接入方式。2026 年做 AI 应用，向量数据库是必选项，Qdrant 值得放在你的技术选型清单首位。

    🔖 标签：AI · GitHub · 开源 · 向量数据库 · RAG · LLM · Rust · 语义搜索

    ⏱️ 预计阅读时间：6 分钟 | 更新时间：2026年6月14日

  • 【开源推荐】Dify：145K+ Stars！开源LLM应用开发平台，可视化构建AI工作流与RAG管道

    【开源推荐】Dify：145K+ Stars！开源LLM应用开发平台，可视化构建AI工作流与RAG管道

    Dify：145K+ Stars！开源LLM应用开发平台，可视化构建AI工作流

    TypeScript + Python 全栈 · Docker 一键部署 · 集成数百款LLM模型

    📌 项目简介

    Dify 是一款开源的大语言模型（LLM）应用开发平台，由 LangGenius 团队开发，已加入 Linux 基金会。它具备直观的可视化界面，整合了 AI 工作流、RAG 管道、智能体能力、模型管理和可观测性功能，帮助开发者快速完成从原型到生产环境的落地。截至 2026 年 6 月，Dify 在 GitHub 已获得 145,000+ Stars，是全球最受欢迎的 LLM 应用开发框架之一。

    145K+
    GitHub Stars

    50+
    内置工具集成

    300+
    LLM模型支持

    Apache-2.0
    开源协议

    🔧 安装要求和过程

    方式一：Docker Compose 部署（推荐，最快5分钟上线）

    环境要求：CPU ≥ 2核，内存 ≥ 4GiB，已安装 Docker 和 Docker Compose

    # 克隆仓库
git clone https://github.com/langgenius/dify.git
cd dify/docker

# 复制环境配置
cp .env.example .env

# 启动服务（后台运行）
docker compose up -d

# 访问安装页面
# 浏览器打开 http://localhost/install

    启动后访问 http://localhost/install 完成管理员账号初始化，即可开始使用。

    方式二：从源码部署（适合开发者定制）

    # 后端启动（Python 3.11+）
cd api
poetry install
poetry run flask db upgrade
poetry run flask run --host 0.0.0.0 --port 5001

# 前端启动（Node.js 18+）
cd web
npm install
npm run dev

    方式三：云服务版（无需部署，立即使用）

    直接访问 https://cloud.dify.ai 注册即用，免费版包含 200 次 OpenAI 调用额度。

    ⚡ 核心功能

    🎨 可视化工作流编排

    在画布上通过拖拽节点即可构建复杂的 AI 工作流，支持条件分支、循环、变量传递和并行执行。无需编写代码，产品、运营同学也能搭建生产级 AI 应用。

    🤖 全模型支持 & RAG 管道

    无缝集成 GPT、Claude、Llama3、Mistral、Gemini 等 300+ 专有/开源 LLM，兼容所有 OpenAI API 规范的模型。内置完整的 RAG 管道，支持从 PDF、PPT、Word 等常见文档格式中提取文本并建立知识库。

    🛠️ 智能体 + 50+ 内置工具

    基于 LLM Function Calling 或 ReAct 模式定义智能体，内置 Google 搜索、DALL·E、Stable Diffusion、WolframAlpha 等 50+ 工具，同时支持自定义工具接入，真正让 AI 能”做事”而不仅仅是”说话”。

    📊 Prompt IDE + 可观测性

    提供直观的 Prompt 编写和调试界面，支持对比不同模型性能表现。集成 Opik、Langfuse、Arize Phoenix 等可观测性工具，实时追踪 LLM 推理成本、延迟和准确率，让 AI 应用可监控、可优化。

    🔌 丰富 API & 生态集成

    提供完整的 REST API 和 SDK，支持将 Dify 应用嵌入到自有产品中。同时支持与 LangChain、Semantic Kernel 等框架集成，也可通过 AWS CDK、Terraform、Kubernetes 等方式部署到云端。

    💡 典型使用场景

    🏢

    企业知识库问答

    上传公司文档、产品手册、FAQ 建立知识库，构建基于 RAG 的智能客服或内部知识助手，准确回答员工和客户的提问，减少人工客服压力。

    🤖

    AI 工作流自动化

    用可视化画布编排多步骤 AI 任务：自动抓取网页内容 → 提取关键信息 → 调用 LLM 总结 → 发送邮件通知，全程无需写代码，像搭积木一样构建自动化流程。

    🚀

    快速 AI 产品原型验证

    产品团队在几小时内完成 AI 功能原型设计，通过 Dify 的 Playground 实时测试不同模型效果，快速验证产品想法，大幅缩短从创意到落地的周期。

    🌟 推荐理由

    作为一名开发者，我推荐 Dify 的最大理由是“它把 AI 应用开发从『写代码』变成了『搭积木』”。以前要集成 LLM、做 RAG、写 Agent 逻辑，需要深厚的 Full Stack 和 AI 工程经验；现在用 Dify 的可视化画布，产品、运营甚至非技术同学都能搭建出生产级的 AI 应用。

    另一个亮点是私有化部署能力。对于数据敏感的企业用户，Dify 可以完全部署在内部服务器，数据不出企业内网，同时享受和云服务版一样的功能体验。加上它对国产大模型（如通义千问、文心一言、智谱 GLM）的良好支持，在国内落地场景非常有优势。

    145K+ Stars 不是偶然。Dify 正在成为 AI 应用时代的”WordPress”——让每个人都能轻松拥有自己的 AI 应用。无论你是个人开发者、创业团队还是大型企业，Dify 都值得一试。

    📦 下载地址

    开源协议：Apache-2.0（附加 Dify 开源条款） · 主要语言：TypeScript 51.5% / Python 44.1%

  • 【开源推荐】Open Notebook：29.9K+ Stars！Notebook LM 开源替代品，隐私优先+18家AI模型随意切换

    【开源推荐】Open Notebook：29.9K+ Stars！Notebook LM 开源替代品，隐私优先+18家AI模型随意切换

    📌 项目简介

    Open Notebook 是 Google Notebook LM 的开源替代品，隐私优先、支持自托管，兼容 18+ AI 服务商（OpenAI、Anthropic、Ollama 等），让你完全掌控研究数据，不再受大厂绑定。

    29.9K+
    GitHub Stars

    18+
    AI 服务商

    100%
    数据自主

    MIT
    开源协议

    ⚙️ 安装要求和过程

    环境要求

    • 仅需安装 Docker Desktop（所有平台通用）
    • 支持 Windows / macOS / Linux
    • 需要约 2GB 磁盘空间

    快速安装（3 步搞定）

    # 第1步：下载 docker-compose.yml
    curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml

    # 第2步：修改加密密钥（可选但推荐）
    # 编辑 docker-compose.yml，修改 OPEN_NOTEBOOK_ENCRYPTION_KEY

    # 第3步：启动服务
    docker compose up -d

    # 等待 15-20 秒后访问
    浏览器打开 http://localhost:8502

    安装完成后在浏览器打开 http://localhost:8502 即可使用，AI 密钥可在 Web UI 中配置，无需提前写入配置文件。

    ✨ 核心功能

    🔒
    隐私优先，数据自主

    自托管部署，所有研究数据存储在本地，完全不受 Google 服务器约束。支持 Docker / 云端 / 本地多种部署方式。

    🤖
    18+ AI 服务商兼容

    原生支持 OpenAI、Anthropic、Google、Groq、Ollama、DeepSeek、Mistral、xAI 等 18+ 家，也支持任意 OpenAI 兼容接口（LM Studio 等）。

    🎙️
    专业多角色播客生成

    支持 1-4 个可自定义角色的播客生成，比 Notebook LM 的 2 角色更灵活，可打造个性化内容输出。

    🔍
    全文 + 向量语义双搜索

    所有上传内容同时支持关键词全文检索和向量语义搜索，快速定位研究资料中的关键信息。

    ⚡
    完整 REST API

    提供完整的 REST API 接口，支持全流程程序化调用，可集成到现有工作流或自动化系统中。

    💡 典型使用场景

    场景一：学术研究资料管理

    上传论文 PDF、会议视频、网页资料，让 AI 基于你的资料库进行问答和总结。数据完全本地存储，敏感研究内容不外泄。

    场景二：多模型对比研究

    同时配置 OpenAI、Anthropic、DeepSeek 等多个模型，在同一套资料上对比不同模型的分析能力，选出最适合的模型。

    场景三：团队知识库 + 播客输出

    将团队文档、会议记录导入 Open Notebook，用 AI 生成洞察；还可将研究成果一键转换为多角色播客，方便团队内部分享。

    ⚡ Open Notebook vs Notebook LM

    对比维度 Open Notebook Notebook LM
    数据隐私 ✅ 自托管，完全自主 ❌ 仅 Google 云端
    AI 模型选择 ✅ 18+ 家，含本地模型 ❌ 仅 Google 模型
    播客角色数 ✅ 1-4 个可自定义 ⚠️ 仅 2 个
    API 访问 ✅ 完整 REST API ❌ 无
    成本 ✅ 只需支付 AI 调用费 ⚠️ 免费层 + 月费订阅
    开源定制 ✅ MIT 协议，完全可改 ❌ 封闭系统

    💬 推荐理由

    Google Notebook LM 确实好用，但它有两个痛点：数据在 Google 服务器上，以及只能用 Google 的模型。如果你研究的内容比较敏感，或者想用 DeepSeek / 本地 Ollama 来节省成本，Notebook LM 就没法满足你了。

    Open Notebook 最大的价值就是把控制权还给你：数据存在自己服务器上，想用哪个 AI 就用哪个，甚至可以在完全没有外网的环境里跑本地模型。而且它还有完整 REST API，可以接入自己的自动化流程。

    部署也超级简单，会 Docker 就能跑，三行命令搞定。如果你一直在找 Notebook LM 的平替，这个项目值得一试。开源、免费、不绑架数据，还要什么自行车？

    🤖 已支持 AI 服务商（部分）

    OpenAI
    Anthropic
    Google GenAI
    Groq
    Ollama
    DeepSeek
    Mistral
    xAI (Grok)
    OpenRouter
    Azure OpenAI
    Vertex AI
    MiniMax
    DashScope (Qwen)
    LM Studio

  • 【开源推荐】OpenClaw：37.8万+ Stars！支持微信/QQ的全平台私人AI助手，数据完全本地存储

    【开源推荐】OpenClaw：37.8万+ Stars！支持微信/QQ的全平台私人AI助手，数据完全本地存储

    ⭐ 378K+ Stars
    TypeScript
    AI助手
    开源MIT

    📌 项目简介

    OpenClaw 是一款运行在你自己设备上的私人AI助手，支持在你已经使用的所有聊天平台上与你对话——包括微信、QQ、WhatsApp、Telegram、Slack、Discord、Google Chat、Signal、iMessage、Microsoft Teams、Matrix等25+个平台。

    OpenClaw 的愿景是让每个人都能拥有一个真正属于自己的AI助手——数据本地存储、跨平台无缝使用、支持语音唤醒和实时画布。项目由 OpenAI、GitHub、NVIDIA、Vercel 等机构赞助，自2025年11月发布以来迅速获得37.8万+ Star，是2026年最炙手可热的个人AI助手开源项目之一。

    🔧 安装要求和过程

    环境要求

    • 运行时：Node 24（推荐）或 Node 22.19+
    • 操作系统：Windows / macOS / Linux / Android / iOS
    • AI模型：支持 OpenAI、Anthropic、Gemini、DeepSeek、本地OAI模型等主流模型
    • 可选依赖：Docker（用于沙箱执行）、Discord/Slack Token（用于接入对应平台）

    快速安装（2步搞定）

    第一步：全局安装 OpenClaw

    npm install -g openclaw@latest
    # 或使用 pnpm
    pnpm add -g openclaw@latest

    第二步：运行引导向导，配置网关、工作区、频道和技能

    openclaw onboard –install-daemon

    安装完成后，OpenClaw 会以守护进程方式常驻后台（通过 launchd/systemd 管理），随时等待你的消息。

    测试是否运行正常

    # 查看网关状态
    openclaw gateway status

    # 发送测试消息
    openclaw message send –target +你的手机号 –message “Hello from OpenClaw”

    # 与AI助手对话
    openclaw agent –message “帮我写一个Python爬虫” –thinking high

    ⚠️ Windows用户注意：Windows 用户可以使用原生 Windows Hub companion 应用进行设置，支持系统托盘状态显示、聊天、节点模式和本地MCP模式。

    ✨ 核心功能

    🌐 1. 全平台频道支持，一个助手到处用

    OpenClaw 支持在你已经使用的所有平台上与AI助手对话，无需切换应用：

    • 国际平台：WhatsApp、Telegram、Slack、Discord、Google Chat、Signal、iMessage、IRC、Microsoft Teams、Matrix、LINE、Mattermost
    • 中国平台：微信（WeChat）、QQ、飞书（Feishu）
    • 其他：Twitch、Zalo、Nostr、Nextcloud Talk、Synology Chat、WebChat

    无论你在哪个平台发消息，OpenClaw 都能响应，真正实现”一个AI助手，全平台通用”。

    🎙️ 2. 语音唤醒 + 对话模式

    支持 Voice Wake（语音唤醒）和 Talk Mode（对话模式）：

    • macOS / iOS：支持唤醒词触发，无需手动打开应用
    • Android：支持连续语音对话（基于ElevenLabs + 系统TTS降级方案）
    • 让你像和真人助理一样，用语音与AI自然交流

    🖼️ 3. 实时画布（Live Canvas）

    OpenClaw 提供 Agent驱动的实时可视化工作区，支持 A2UI协议。AI可以动态生成和修改界面元素，实现真正的”所见即所得”AI协作体验。

    比如在 macOS 上，AI可以帮你实时渲染图表、预览代码效果、可视化数据结构——所有这些都在一个动态画布上完成。

    🤖 4. 多Agent路由，隔离不同会话

    OpenClaw 支持 多Agent路由：可以将不同的频道/账号/联系人路由到隔离的Agent（独立工作区 + 独立会话），实现：

    • 工作账号和私人账号使用不同的AI配置
    • 不同项目使用独立的上下文和技能
    • 团队协作时每个人有专属的AI工作区

    🔌 5. 丰富工具生态 + MCP扩展支持

    OpenClaw 内置一流工具支持，并可通过 MCP（Model Context Protocol） 扩展：

    • 内置工具：浏览器自动化、实时画布、节点管理、定时任务（cron）、多会话管理、Discord/Slack操作
    • MCP扩展：兼容所有MCP服务器，可接入任意第三方工具
    • 技能市场：ClawHub 提供大量社区贡献的技能包，一键安装

    🔒 6. 本地优先 + 沙箱安全

    OpenClaw 采用 本地优先（Local-first） 架构：

    • 所有数据存储在本地设备，不会上传到云端
    • 默认情况下，main 会话的工具有完整主机访问权限（因为你就是唯一用户）
    • 群组/频道场景可启用 沙箱模式（Docker/SSH/OpenShell后端），隔离非main会话的工具执行
    • 默认DM（私信）需配对验证，防止未知用户操控你的AI

    💡 典型使用场景

    场景一：跨平台个人AI助手

    无论你用的是微信、QQ、WhatsApp还是Telegram，都可以通过同一个AI助手处理任务——查资料、写代码、安排日程、管理邮件，全部在一个对话里完成。

    示例：在微信里对OpenClaw说”帮我总结今天的重要邮件”，AI会自动连接你的邮箱、提取关键信息并回复到微信。

    场景二：多项目AI工作区隔离

    如果你同时参与多个项目，可以为每个项目配置独立的Agent工作区，不同的上下文、不同的工具权限、不同的AI模型配置，互不干扰。

    示例：工作项目A使用Claude模型 + GitHub工具，个人项目B使用GPT模型 + 浏览器工具，两个项目的对话历史和配置完全隔离。

    场景三：语音驱动的家庭AI助理

    在 macOS/iOS/Android 上，通过语音唤醒词激活OpenClaw，进行语音对话。配合Home Assistant等智能家居平台，可以用语音控制家中设备。

    示例：说一句”Hey Claw，帮我关掉客厅的灯，并提醒我明天下午3点开会”，AI会自动完成这些操作。

    🌟 推荐理由

    • 真正的全平台覆盖：目前开源AI助手中，同时支持微信和QQ的极为罕见。OpenClaw 对国内用户非常友好，微信/QQ原生支持是最大亮点。
    • 本地优先，隐私安全：数据全部存在本地，无需担心隐私泄露。 compared to 云端AI助手（如ChatGPT App），OpenClaw让你真正”拥有”自己的AI。
    • 活跃的社区和赞助：OpenAI、GitHub、NVIDIA、Vercel 均为其赞助方，项目更新频繁（最近版本2026.6.6，几乎每天都有更新），长期维护有保障。
    • 架构先进，扩展性强：基于MCP协议、支持多Agent路由、沙箱隔离、实时画布，技术栈非常现代，适合开发者深度定制。
    • 37.8万Star不是偶然：项目2025年11月才创建，7个月内获得37.8万星，增长速度在AI开源项目中极为罕见，代表了真实的市场需求。

    个人使用感受：OpenClaw 最大的价值在于打破了AI助手的平台壁垒。以前要用AI助手，得打开特定的App或网页；现在无论你在微信、QQ还是Telegram，都能直接@你的AI助手。特别是对国内用户，微信/QQ的支持是巨大优势——这意味着你可以用最熟悉的方式，使用最强大的AI能力。如果你希望拥有一个真正”随时随地”的AI助手，OpenClaw 是目前最好的开源选择。

    📥 下载地址

    🔗 GitHub仓库：https://github.com/openclaw/openclaw（37.8万+ Stars）

    🌐 官方网站：https://openclaw.ai

    📖 官方文档：https://docs.openclaw.ai

    🚀 快速开始：https://docs.openclaw.ai/start/getting-started

    🔧 技能市场：https://clawhub.ai

    💬 Discord社区：https://discord.gg/clawd

    本文由自动化任务每日精选GitHub热门AI开源项目整理发布。项目数据截止2026年6月13日。

  • 【开源推荐】Agent-Reach：26.7K+ Stars！给AI Agent装上「全网眼睛」，免费读取Twitter/Reddit/YouTube/B站

    【开源推荐】Agent-Reach：26.7K+ Stars！给AI Agent装上「全网眼睛」，免费读取Twitter/Reddit/YouTube/B站

    ⭐ 26.7K+ Stars
    Python
    CLI工具

    📌 项目简介

    Agent-Reach 是一款为AI Agent提供全互联网内容访问能力的开源CLI工具，将Twitter、Reddit、YouTube、B站、小红书、抖音、GitHub、微信公众号等主流平台的信息获取能力封装为开箱即用的命令行工具，无需支付任何API费用。

    AI Agent在信息获取上一直存在明显短板：无法直接访问社交平台、受限于API费用、配置复杂繁琐。Agent-Reach正是为解决这些痛点而生——它相当于给AI Agent一键装上了”全网眼睛”，让Claude Code、Cursor、OpenClaw等AI编程助手能够自由获取互联网上的实时信息。

    🔧 安装要求和过程

    环境要求

    • 操作系统：Windows / macOS / Linux
    • Python版本：3.8+
    • 依赖：可运行shell命令的AI Agent（Claude Code、Cursor、OpenClaw、Windsurf、Codex等）
    • 可选：Chrome浏览器（用于Cookie导出）

    快速安装（3步搞定）

    第一步：打开你的AI Agent（Claude Code/Cursor/OpenClaw等），输入以下指令：

    帮我安装 Agent Reach：https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/install.md

    第二步：等待自动安装完成（工具会自动处理依赖、代理配置、Cookie登录等）

    第三步：安装完成后，对Agent说”测试一下Agent Reach”，验证各平台连通性

    ⚠️ OpenClaw用户注意：需先开启exec权限，执行 openclaw config set tools.profile "coding"，或在 ~/.openclaw/openclaw.json 中设置 "tools": { "profile": "coding" }，之后重启Gateway（openclaw gateway restart）并开启新对话。

    更新方法

    帮我更新 Agent Reach：https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/update.md

    ✨ 核心功能

    🌐 1. 开箱即用，无需任何配置

    以下平台安装后即可使用，无需API Key或账号配置：

    • 网页：直接读取任意网页内容，自动清理冗余HTML
    • YouTube：提取视频字幕、搜索视频
    • RSS：订阅并读取任意RSS/Atom源内容
    • 微信公众号：搜索内容、阅读全文（输出为Markdown格式）
    • 微博：获取热搜、用户动态、评论
    • V2EX：查看热门帖子、节点帖子、帖子详情+回复
    • 全网搜索：支持语义搜索，自动配置无需API Key

    🔑 2. 简单配置后解锁更多平台

    以下平台只需简单配置即可解锁：

    • GitHub：访问私有仓库、管理Issue/PR、操作Fork
    • X（Twitter）：搜索推文、浏览时间线、发布推文
    • B站：提取本地字幕、搜索内容
    • Reddit：读取帖子和评论
    • 小红书：阅读内容、搜索、发帖互动
    • 抖音：视频解析、无水印下载
    • LinkedIn：获取Profile详情、公司页面、职位搜索
    • 小宇宙播客：播客音频转文字（基于Whisper转录，提供免费Key）

    🩺 3. 一键诊断，问题排查超简单

    执行 agent-reach doctor 命令即可自动检测各平台连通性，定位问题并给出修复方案，大幅降低运维成本。

    🔒 4. 隐私安全，Cookie本地存储

    用户Cookie仅存储在本地，不会上传或外泄，避免账号信息泄露风险。需要Cookie的平台（Twitter、小红书等），优先使用Chrome插件Cookie-Editor导出Cookie，发送给Agent即可完成配置。

    🔌 5. 极强兼容性，无缝衔接现有工作流

    支持所有可运行命令行的AI Agent，包括Claude Code、OpenClaw、Cursor、Windsurf、Codex等，安装后即刻生效，无需修改现有工作流。

    💡 典型使用场景

    场景一：AI Agent信息检索增强

    解决AI Agent无法访问社交平台、内容社区的问题。你可以让Agent获取X（Twitter）最新舆论、Reddit海外讨论、小红书真实种草内容、B站热门视频、公众号一手资讯等。

    示例：对Claude Code说”帮我搜索Twitter上关于GPT-5的最新讨论并总结”，Agent会通过Agent-Reach自动获取Twitter内容并分析。

    场景二：多平台内容聚合分析

    可同时对接多个内容平台，实现跨平台内容搜集、整理、分析，无需手动逐个平台操作。

    示例：让AI Agent”帮我收集B站、小红书、微博上关于AI编程助手的最新讨论”，Agent会自动从三个平台获取内容并汇总分析。

    场景三：低门槛AI工具扩展

    无技术背景的用户也可以快速让AI Agent具备全网信息获取能力，无需处理反爬、代理配置、环境调试等复杂工作。只需一句话指令，AI Agent即可完成安装配置。

    🌟 推荐理由

    • 极低使用门槛：无需手动处理工具选型、依赖安装、代理配置、Cookie登录、数据清洗等复杂流程，一句指令即可完成安装，非技术用户也可快速上手。
    • 完全免费开源：所有能力免费开放，无需支付API费用，可自由修改、扩展功能。MIT协议，商业使用也无顾虑。
    • 解决真实痛点：AI Agent的信息获取能力一直是短板，Agent-Reach恰好填补了这一空白，让AI Agent真正具备”感知互联网”的能力。
    • 活跃维护中：项目创建于2026年2月，至今仍保持活跃更新（最后更新2026年6月12日），社区反馈响应及时。
    • 支持平台广泛：覆盖15+主流内容平台，且持续增加中，基本涵盖国内外主要信息源。

    个人使用感受：Agent-Reach最大的价值在于极大地降低了AI Agent获取实时信息的能力门槛。以前要让AI获取Twitter或Reddit的信息，需要申请API、处理认证、写爬虫脚本，现在只需安装一个工具，对AI说一句话就能搞定。对于需要AI辅助调研、信息搜集的场景，这个工具堪称必备。

    📥 下载地址

    🔗 GitHub仓库：https://github.com/Panniantong/Agent-Reach

    🌐 官方网站：通过GitHub README中的安装链接获取

    📦 安装文档：https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/install.md

    💬 问题反馈：通过GitHub Issues提交

    本文由自动化任务每日精选GitHub热门AI开源项目整理发布。项目数据截止2026年6月13日。