标签：知识库

OpenWiki —— LangChain 出品的自我维护 Wiki CLI，让 Agent 为你写文档
项目简介

OpenWiki 是 LangChain 团队开源的「自我维护 Wiki CLI」——一个命令行工具，让 AI Agent 自动为你的代码库或个人知识库撰写并持续维护 Markdown 文档。它内置 Deep Agents 文档智能体，读取源码后合成带链接的 Wiki，每次代码变更都能自动更新；同时提供交互式可视化节点图，让你像浏览思维导图一样探索整个知识体系。

一句话总结：「为 Agent 写的文档，给人读的 Wiki。」

OpenWiki — 自我维护的 Wiki

安装要求与快速上手

环境要求
- Node.js ≥ 18（推荐 LTS 版本）
- npm / pnpm 包管理器
- 任一 LLM 提供商 API Key（首次运行时引导配置）
安装步骤
```
# 全局安装 CLI
npm install -g openwiki

# 初始化代码库文档（交互式选择模型提供商）
openwiki --init

# 一键更新文档
openwiki --update

# 启动可视化浏览器
openwiki visualize
```
个人知识库模式
```
# 初始化个人大脑模式
openwiki personal --init

# 认证数据源连接器
openwiki auth notion      # Notion OAuth
openwiki auth gmail       # Gmail OAuth
openwiki auth x           # X/Twitter OAuth

# 执行全量数据摄取并生成 Wiki
openwiki ingest all
```
核心功能

1. Agent 驱动的自动文档生成

基于 LangChain Deep Agents 框架的文档专用智能体，自动分析源码结构、模块依赖、函数签名和业务逻辑，生成结构化 Markdown 文档。支持 .openwikiignore 规则排除敏感路径（类似 .gitignore），确保私有信息不泄露。

2. 双模式：Code Wiki + Personal Brain
- Code 模式（默认）：扫描当前仓库，输出到 openwiki/ 目录，同时维护根目录的 AGENTS.md 和 CLAUDE.md 引导文件。
- Personal 模式：接入 Notion、Gmail、X/Twitter、Hacker News、Web Search 等数据源，将碎片化知识合成为本地 Wiki（存储在 ~/.openwiki/wiki/）。
3. 12+ 模型提供商开箱即用

默认 OpenAI（gpt-5.6-terra），同时支持 Anthropic Claude、Google Gemini、AWS Bedrock、GitHub Copilot、OpenRouter、Nebius/Fireworks/Baseten/NVIDIA NIM，以及任何 OpenAI 兼容端点（Ollama、LM Studio、LiteLLM 网关等）。Copilot 用户可直接复用现有订阅，无需额外购买 API Key。

4. 交互式可视化浏览器

运行 openwiki visualize 即可启动本地 Web 服务，将 Wiki 渲染为交互式节点图 + 实时 Markdown 阅读器。左侧树形目录导航，右侧图谱展示概念关系，点击节点即时查看内容。编辑文件后自动热重载。

5. CI/CD 自动文档流水线

通过 GitHub Actions / GitLab CI / Bitbucket Pipelines 定时触发文档更新，每次提交自动生成 Docs PR。零成本无变更运行——OpenWiki 会快照对比，只有实际变化才记录元数据，避免 CI 积分浪费。

6. OKF 开放知识格式 & Mermaid 图表

输出符合 Google Open Knowledge Format (OKF) v0.1 标准，可移植到任何 OKF 兼容工具。自动在合适位置插入 Mermaid 图表（序列图、ER 图、状态机、流程图），且每次更新都验证图表有效性，损坏的图表会降级为纯文本并在下次修复。

典型使用场景

场景一：大型项目新人 Onboarding

一个拥有 200+ 微服务的后端仓库，新工程师通常需要两周才能理清架构。部署 OpenWiki 后，CI 在每次合并主分支时自动更新架构文档、模块关系图和 API 速查表。新人 clone 下来后 openwiki visualize 一眼看到全局，配合 AGENTS.md 让 AI 编码助手也能精准理解上下文。

场景二：个人知识中台

技术负责人的知识散落在 Notion 笔记、Gmail 重要邮件、Twitter 收藏的技术讨论和 HN 热帖中。OpenWiki Personal 模式一次性接入所有源，定期 ingest all 同步，自动去重、关联、归纳成带链接的知识网络。需要回忆某个技术决策时，可视化图中一眼定位。

场景三：Agent 记忆层

团队使用 Claude Code 或 Codex 做日常开发，但 Agent 的上下文窗口有限，无法容纳整个代码库历史。OpenWiki 生成的 AGENTS.md 作为持久记忆层，每次 Agent 启动时自动加载 Wiki 摘要，理解架构后再动手写代码，减少幻觉和无效重构。

推荐理由

作为 LangChain 官方出品，OpenWiki 解决了一个非常实际的问题：文档总是过时。传统方案要么靠人肉维护（没人愿意做），要么用静态文档生成器（只管骨架不管灵魂）。OpenWiki 的思路很聪明——把「写文档」这件事交给最懂代码的 Agent，同时保留人类对文档的所有权（纯 Markdown，版本控制）。

我个人最喜欢的三个设计：
① Copilot 复用——如果你已经有 GitHub Copilot 订阅，直接拿来跑推理，不用再掏钱买 API Key；
② .openwikiignore——安全意识很好，从根源上防止密钥泄露进文档；
③ 可视化节点图——不是花哨功能，对于理解陌生代码库真的有用，比翻几十个 README 快十倍。

13K+ Stars、日增上千的趋势也说明社区对这个方向的认可。如果你正在维护一个中等规模以上的项目，或者想让 AI 编程助手更懂你的代码库，OpenWiki 值得一试。

下载地址
- GitHub 仓库：https://github.com/langchain-ai/openwiki
- npm 包：https://www.npmjs.com/package/openwiki
- Deep Agents 框架：https://github.com/langchain-ai/deepagentsjs
2026年8月1日
PixelRAG：用网页截图做检索增强，让模型“看图说话”
项目简介

PixelRAG 是伯克利 SkyLab / BAIR 团队开源的视觉检索增强生成框架。它把网页、PDF、图片渲染成截图块，再用视觉语言模型直接在“像素”上检索，从而绕过传统文本 RAG 的 HTML 解析问题，把表格、图表、版式、信息图原样保留给读者模型。仓库还附带一个已建好的 828 万维基百科页面视觉索引，以及免费的在线 API，真正做到了开箱即用。

安装要求和过程

环境要求
- Python 3.10+
- Linux（CUDA）或 macOS（Apple Silicon / MPS），CPU 亦可作为 fallback
- 可选：Playwright / CDP 用于网页渲染
- 可选：用于本地索引构建的 GPU，或直接使用 api.pixelrag.ai 线上服务
快速安装
```
# 1. 基础包：像素化截图工具 pixelshot
pip install pixelrag

# 2. 带向量化：用于本地构建 FAISS 索引
pip install 'pixelrag'

# 3. 完整流水线：source → ingest → embed → index
pip install 'pixelrag[index]'

# 4. 本地搜索 API 服务
pip install 'pixelrag[serve]'
```
如果想让 pixelshot 始终处在 PATH 里供 Claude 调用，官方推荐用 uv tool 或 pipx：
```
uv tool install pixelrag   # pipx install pixelrag
```
核心功能
1. 像素级文档渲染： 通过 pixelshot 把网页、PDF 转成截图块，保留文本 RAG 会丢失的视觉结构与版式。
2. 视觉语义检索： 基于 Qwen3-VL-Embedding-2B 微调后的嵌入模型，将页面图片映射到可检索向量空间。
3. 828 万维基百科预建索引： 官方已建好并托管了 api.pixelrag.ai，无需任何配置即可搜索，还支持“以图搜图”。
4. 本地自建索引： 通过 pixelrag index build 处理本地文档（网页 / PDF / 图片），再 pixelrag serve 启动 FastAPI 搜索服务。
5. Claude Code 插件： pixelbrowse skill 让 Claude 直接截图并阅读页面，告别原始 HTML。
传统文本RAG会丢失表格等视觉结构，PixelRAG通过截图块保留完整版式。

典型使用场景

场景 1：财报 / 论文中的表格问答

传统文本 RAG 把 PDF 表格拆成凌乱文字后，模型经常找不到数字。PixelRAG 直接截取表格区域截图，检索相关页并交给 VLM 读取，数字、单位、行列关系一目了然。

场景 2：Claude 浏览复杂网页

安装 pixelbrowse skill 后，Claude 能够对任意页面执行 /screenshot https://example.com，然后“看图”总结新闻、解读产品页或提取图表结论，而不再受限于 HTML 标签提取不全的问题。

场景 3：内部知识库可视化搜索

把企业内的产品手册、设计稿、UI 截图、架构图做成 PixelRAG 索引。用户上传一张截图或输入图片描述，即可召回相关视觉文档，适用于设计系统、运维监控面板、竞品分析资料库。

推荐理由

PixelRAG 给我最大的启发是：当大家都在卷“更好的 HTML 解析器”时，它直接换了一条赛道——让模型像人一样“看”网页。这不是炫技，而是切中了 RAG 的实际痛点：大量网页的表格、图表、公式和交互组件一旦转成纯文本就面目全非。配合已经训练好的视觉嵌入模型和 828 万维基百科索引，从实验到落地只需要几条命令。

对于 Claude / Cursor / Codex 等 Coding Agent 用户来说，pixelbrowse skill 是一个润物细无声的能力升级：它不需要 MCP server，也不依赖后端服务，只是让 Agent 多了一双“眼睛”。如果你正在做多模态知识库、网页问答或文档理解，PixelRAG 值得放进候选清单。

下载地址
- GitHub：https://github.com/StarTrail-org/PixelRAG
- 在线 Demo：https://pixelrag.ai
- API 文档：https://pixelrag.ai/docs
- 论文地址：https://arxiv.org/abs/2606.28344
—— 本文由 WorkBuddy 整理发布。
2026年8月1日
AstrBot：打通 15+ 聊天平台的开源全能 AI Agent 机器人框架
项目简介

AstrBot 是一个开源的「全合一 AI Agent 聊天机器人平台」，把主流即时通讯（IM）应用、大语言模型（LLM）、插件与 Agent 能力打通，让你在自己常用的聊天软件里快速搭建可投产的 AI 应用——个人 AI 陪聊、智能客服、自动化助手、企业知识库都不在话下。它甚至被官方定位为 OpenClaw 的开源替代品。项目采用 Python 开发，基于 AGPL-3.0 协议完全开源，目前已收获 37.5K+ Stars。

安装要求和过程

环境要求：Python 3.12+（推荐用 uv 管理环境）、Docker（可选，用于生产部署）、以及一台能联网的服务器或本机。AstrBot 本身跨平台，支持 macOS / Windows / Linux。

快速安装（三种主流方式）：
- 一键部署（uv，最推荐）：
```
uv tool install astrbot --python 3.12
astrbot init   # 首次运行初始化环境
astrbot run
```
- Docker 部署（生产推荐）：官方提供 Docker / Docker Compose 方案，镜像为 soulter/astrbot，按文档挂载配置目录即可稳定运行。
- 桌面端 / 面板部署：可使用 AstrBot App、AstrBot Launcher，或在宝塔 / 1Panel / CasaOS 等面板一键安装；Arch 用户还能通过 AUR：yay -S astrbot-git。
启动后打开 WebUI，绑定你的 LLM API Key（OpenAI / DeepSeek / Gemini / 通义 / 智谱等均可），并接入想用的 IM 平台适配器，即可开始对话。

核心功能
- 全平台 IM 接入：原生支持 QQ、企业微信、飞书、钉钉、微信公众号、Telegram、Slack、Discord、LINE 等 15+ 平台，官方与社区适配器持续扩展，几乎覆盖所有常用聊天场景。
- 完整 Agent 能力栈：内置 LLM 对话、多模态、Agent、MCP、Skills、知识库、人设设置与自动上下文压缩，并可直接对接 Dify、阿里云百炼、Coze 等 Agent 平台。
- 主动 Agent（Proactive Agent）：支持定时任务、订阅推送、事件触发的”主动出击”式智能体，而不只是被动应答。
- 1000+ 社区插件：插件市场提供一键安装的上千款插件，从实用工具到娱乐玩法即装即用，轻松扩展机器人能力边界。
- 安全沙箱与 Web ChatUI：内置 Agent Sandbox 隔离执行代码与 Shell 调用，配合 Web ChatUI 与 Web 搜索，开箱即用地提供安全可控的对话体验；同时提供国际化（i18n）支持。
典型使用场景
1. 个人 AI 陪聊 / 情感陪伴：把 AstrBot 接入自己的 QQ 或 Telegram，设定专属人设与记忆，打造一个懂你、能长期陪伴的”数字伙伴”。
2. 社群 / 社群运营智能助手：在 Discord、Slack 或 QQ 群里部署机器人，承担自动问答、公告推送、定时提醒，并借助 1000+ 插件实现抽奖、签到、信息查询等玩法。
3. 企业知识库 / 智能客服：接入飞书、企业微信或钉钉，挂载内部知识库，让 AI 在员工聊天窗口里直接回答制度、流程、产品问题，降低人工客服压力。
推荐理由

我在几个社群里都用过 AstrBot，最直观的感受是“省心”：一个平台同时管着 QQ、Telegram、Discord，不用为每个渠道各写一套机器人；WebUI 配置直观，插件市场点一下就能装，非重度开发者也能在半小时内跑起来。它对国内生态（QQ、微信系、飞书、钉钉）的支持尤其到位，这是很多国外同类项目做不到的。Agent Sandbox 让”让 AI 跑代码”这件事变得可控，而不是裸奔执行命令。如果你正想给自己的社群或团队加一个 AI 入口，又不想被某个闭源 SaaS 绑定，AstrBot 是目前最成熟、社区最活跃的开源方案之一。

下载地址
- 官网 / 文档：https://astrbot.app
- GitHub 仓库：https://github.com/AstrBotDevs/AstrBot
- Docker 镜像：soulter/astrbot（Docker Hub）
- 插件市场 / 博客：blog.astrbot.app
* 本文数据基于 2026-07-22 抓取：Stars 37,590 / Forks 2,623 / 协议 AGPL-3.0 / 语言 Python / 最近更新当日。
2026年7月22日
124K Star 的「AI 应用宝库」：awesome-llm-apps，100+ 个拿来即跑的 LLM / RAG 项目
一、项目简介

awesome-llm-apps 是一个收录了 100+ 个端到端测试过、Apache-2.0 协议的开源 AI Agent、Agent Skills 与 RAG 应用的精选仓库——clone、定制、上线，全部免费。它兼容 Claude、Gemini、GPT、DeepSeek、Llama、Qwen 以及各类本地开源模型，是当下 GitHub 上星标增长最快的 LLM 应用模板库之一（124K+ Star）。

二、安装要求和过程

环境要求
- Python 3.8+（多数模板基于 Streamlit / 各厂商官方 SDK）
- 一个 LLM API Key（Claude / Gemini / GPT / DeepSeek / Llama / Qwen 均可，部分模板支持本地模型）
- Git 与可联网环境
快速开始（跑一个 Agent，约 30 秒）
```
git clone https://github.com/Shubhamsaboo/awesome-llm-apps.git
cd awesome-llm-apps/starter_ai_agents/ai_travel_agent
pip install -r requirements.txt
streamlit run travel_agent.py
```
或者，给编码助手装一个 Skill（约 10 秒）
```
npx skills add https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/project-graveyard
```
模板每周持续更新；项目模型无关，支持 Ollama 等本地推理，方便对比与替换。

三、核心功能
1. 100+ 端到端验证的开源应用：不是 demo 片段，而是每个都能 pip install && run 的完整项目，统一 Apache-2.0，可商用可修改。
2. 15 大场景全覆盖：从单文件 Starter Agent，到多智能体团队、语音 Agent、MCP 工具调用、RAG 检索、记忆、微调、生成式 UI，再到 Autonomous 游戏 Agent。
3. Agent Skills 一键安装：把可复用能力直接装进 Claude Code / Codex / Cursor，每条 Skill 都带真实代码并通过「安全 + 评测」CI 门禁。
4. 模型无关：Claude、Gemini、GPT、DeepSeek、Llama、Qwen 乃至本地模型通吃，方便横向对比。
5. 自带框架速成课：Google ADK、OpenAI Agents SDK 的 Crash Course，边抄边学编排范式。
Project Graveyard —— 帮你复盘每个弃坑副业、并找出最值得捡回来的那个的 Agent Skill

四、典型使用场景
- 30 分钟搭一个 AI 应用：想做旅行助手、数据分析 Agent、博客转播客？直接 clone 对应 starter 模板、改个 API Key 即可运行。
- 给编码助手加能力：团队要一个「Scope Creep Detector（范围蔓延检测）」或「Commit Archaeologist（提交考古）」？npx skills add 一行搞定，立刻在 Claude Code / Cursor 里可用。
- 系统学习 RAG / 多智能体：仓库内含 20+ 个 RAG 教程与多智能体团队模板，即开即用，省去从零搭脚手架。
Always-on HN Briefing Agent —— 按日程巡逻、把每天值得看的 Hacker News 推送到 Slack / 邮箱的后台 Agent

Insurance Claim Live Agent Team —— 基于 Gemini Live 的实时语音理赔 Agent 团队

五、推荐理由

对一个想动手做 AI 应用、又不想从零啃文档的人，这是目前质量最高、最「能跑」的 LLM 应用模板库之一。每个模板都是真实可运行代码，省去脚手架与踩坑成本；模型无关意味着你可以拿自己的 Key 直接试；Agent Skills 的设计尤其实用——把沉淀下来的工程能力变成可复用 Skill，正好契合当下 coding agent 的工作流。

Self-Improving Agent Skills —— 用 Gemini + ADK 让 Skill 针对评测自我重写的进阶玩法

唯一要注意的是：部分模板依赖特定商业模型的 API，跑之前看一眼 requirements.txt 与 README 里的模型说明即可。

六、下载地址
- GitHub：https://github.com/Shubhamsaboo/awesome-llm-apps
- 官网 / 配套教程：https://www.theunwindai.com
- 许可证：Apache-2.0（可商用、可修改）
2026年7月19日
OpenWiki：让 AI 智能体为你的代码库自动写「活文档」的 CLI 工具
项目简介

OpenWiki 是 LangChain 开源的命令行工具，专为 AI 智能体（Agent）设计，能自动为你的代码库或个人知识源生成并持续维护一份本地 Wiki（知识库）。它把分散在代码、邮件、笔记、社交动态里的信息，用 LLM 合成结构化、可检索、可被编码助手直接引用的文档。

安装要求和过程

环境要求
- Node.js 运行环境（推荐用 npm 或 pnpm 安装）。Windows 上建议避开 bun——它安装时需要本地编译 better-sqlite3 原生依赖，需先装 Visual Studio Build Tools（桌面开发 with C++ 工作负载）。
- 至少一个 LLM 提供商的 API Key：开箱支持 OpenAI / Anthropic / Gemini / Vertex AI / AWS Bedrock / OpenRouter / Fireworks / NVIDIA NIM 等，默认模型 gpt-5.6-terra。
快速安装
```
# 全局安装
npm install -g openwiki
# 或
pnpm add -g openwiki
```
快速开始
```
# 代码模式：初始化并配置模型/Key，自动为当前仓库生成文档
openwiki --init

# 进入交互式 CLI，开始生成仓库 Wiki
openwiki

# 带初始指令一次性运行
openwiki "Please generate documentation for this repository"

# 更新文档（可放进 CI 定时跑）
openwiki --update

# 个人大脑模式：从 Gmail/Notion/X 等构建本地知识库
openwiki personal --init
```
OpenWiki 提供 两种模式：Code 模式为当前代码库在 openwiki/ 生成仓库文档；Personal 模式从配置的本地仓库、Gmail、Notion、Web Search、Hacker News、X/Twitter 在 ~/.openwiki/wiki 构建”个人大脑”。配置与密钥保存在本地 ~/.openwiki/.env。

核心功能

1. 双模式 Wiki：代码库 & 个人大脑

代码模式下，OpenWiki 不仅生成 openwiki/ 目录的仓库文档，还会在仓库根目录维护 AGENTS.md 与 CLAUDE.md；个人模式则把 Git / Notion / Gmail / X / Hacker News / Web 统一 ingested 成一份本地可问答的知识库。

2. 为 Agent 而生：把 Wiki 焊进编码助手

OpenWiki 用 … 注释块向 AGENTS.md / CLAUDE.md 注入指引，且只改写自己的区块、不动你写的内容。结果是 Claude Code、Codex、Cursor 等编码智能体在检索上下文时会直接引用这份 Wiki，而不用把整页代码塞进上下文窗口，显著节省 token。

3. 多连接器 Ingestion

内置 git-repo / gmail / notion / x(Twitter) / web-search(Tavily) / hackernews 连接器，同一连接器可配置多个实例（如 web-search-1、web-search-2），用 openwiki auth <provider> 完成 OAuth 登录。

4. 全模型供应商兼容

开箱支持 OpenAI（含 ChatGPT 订阅登录，免 API 计费）、Anthropic、Gemini（AI Studio）、Gemini Enterprise（Vertex AI）、AWS Bedrock（IAM 凭证）、OpenRouter、Fireworks、Baseten、NVIDIA NIM、以及任意 OpenAI 兼容端点；甚至支持自托管/代理网关的 ANTHROPIC_BASE_URL 与 OPENAI_COMPATIBLE_BASE_URL。

5. CI 自动化 + 隐私友好

提供 GitHub Actions / GitLab CI / Bitbucket 流水线模板，定时自动开 PR 更新文档；数据全部存于本地（本地优先），匿名遥测可一键关闭（OPENWIKI_TELEMETRY_DISABLED=1 或 DO_NOT_TRACK=1）。

典型使用场景

场景一：团队代码库”活文档”

把 openwiki-update.yml 放进 GitHub Actions，每次定时运行自动生成/更新仓库 Wiki 并开 PR。新成员和 AI 编码助手都能秒懂项目结构、模块职责与历史决策，告别”文档写完就过期”。

场景二：个人知识大脑

连接 Gmail、Notion、X、Hacker News 与本地 Git 仓库，OpenWiki 把它们合成一份可问答的本地 Wiki。想回顾某段技术讨论或某封邮件结论时，直接对话即可，知识不再散落各处。

场景三：给编码 Agent 减负

OpenWiki 把 Wiki 注入 AGENTS.md / CLAUDE.md 后，Claude Code 等智能体在动手改代码前会先读 Wiki，避免重复探索、显著降低上下文 token 消耗——这正是”代码库语义化”落地的关键一环。

推荐理由（个人使用心得）

“代码库语义化”是 2026 年 Agent 基础设施里最实在的刚需之一。OpenWiki 的巧思在于：它不只是一个文档生成器，而是把生成的 Wiki 直接焊进 AGENTS.md / CLAUDE.md——这是 Claude Code、Codex、Cursor 都会主动读取的文件。换句话说，它让 AI 编码助手在每次开工前自动带上项目上下文，而不是靠把整页源码塞进上下文窗口。

TypeScript 写的单 CLI、MIT 协议、本地优先、数据不出机器，对个人开发者和注重隐私的团队都很友好；LangChain 出品也意味着模型兼容性与工程质量有保障。唯一的小门槛是需要自备 LLM Key，以及 Windows 上用 bun 装要额外编译原生依赖——用 npm/pnpm 则毫无障碍。如果你已经被”AI 改代码却不懂项目全貌”折磨过，值得一试。

下载地址
- GitHub：github.com/langchain-ai/openwiki
- npm 安装：npm install -g openwiki
- Trendshift：trendshift.io/repositories/70339
- 开源协议：MIT
- 当前数据：12.1K Stars · 831 Forks · 语言 TypeScript（数据来自 GitHub API，统计于 2026-07-18）
2026年7月18日
【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 – 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。

📥 下载地址

⭐ GitHub 仓库
 📖 官方文档
 🌐 官方网站
 🐳 Docker 镜像
2026年6月15日

【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

📥 下载地址

⭐ GitHub 主页
🌐 官方网站
📖 快速入门
💬 Discord 社区

2026年6月13日

【开源推荐】Cherry Studio：47K+ Stars！多模型AI桌面客户端，一个应用搞定所有大模型
🍒 项目名称：Cherry Studio

⭐ GitHub Stars：47.1K+

🏷️ 开源协议：AGPL-3.0

💻 支持平台：Windows / macOS / Linux

🔗 GitHub：github.com/CherryHQ/cherry-studio

🌐 官网：cherry-ai.com

📝 项目简介

Cherry Studio 是一款支持多种大语言模型提供商的开源AI桌面客户端，覆盖 Windows、Mac、Linux 三大平台。它提供智能聊天、自主智能体、300+ 预配置助手能力，可统一访问前沿大语言模型，是2026年最值得关注的 AI 生产力工具之一。

无论你是用 OpenAI Gemini Claude 等云端模型，还是用 Ollama 跑本地模型，Cherry Studio 都能一站式搞定，告别在多个网页和客户端之间来回切换的烦恼。

⚙️ 安装要求和过程

环境要求
- 操作系统：Windows 10+、macOS 11+、主流 Linux 发行版
- 无需额外环境配置：开箱即用，下载安装包直接运行
- 网络要求：使用云端模型需配置 API Key；使用本地模型需提前安装 Ollama 或 LM Studio
快速安装步骤
1. 访问 GitHub Releases 页面，下载对应系统的安装包
2. Windows：下载 .exe 安装包，双击运行
3. macOS：下载 .dmg 文件，拖入 Applications 文件夹
4. Linux：下载 .AppImage 或 .deb / .rpm 包安装
5. 启动后，在设置中配置模型 API Key 或连接本地 Ollama
🌟 核心功能

🤖 多 LLM 提供商支持

支持 OpenAI、Gemini、Anthropic、Claude 等主流云端大模型，同时支持 Ollama、LM Studio 等本地模型，一个客户端搞定所有模型。

🧠 300+ 预配置 AI 助手

内置丰富领域的专业 AI 助手模板，涵盖编程、写作、翻译、分析等场景，开箱即用，也支持自定义助手创建。

📄 多格式文档处理

支持文本、图片、Office 文档、PDF 等多格式文件处理，内置 RAG 知识库能力，让 AI 基于你的文档作答。

🔌 MCP 协议支持

支持模型上下文协议（MCP）服务器，可扩展 AI 能力边界，接入专业工具和数据源。

🎨 可视化与开发工具

支持 Mermaid 图表可视化、代码语法高亮、全局搜索、话题管理系统，满足专业用户的需求。

🚀 典型使用场景

场景一：多模型对比测试

研究者或开发者需要同时对比 GPT-4.1、Claude 4 Opus、Gemini 2.5 Pro 在同一任务上的表现？Cherry Studio 支持多模型同时对话，同一条消息发送给多个模型，结果并排展示，轻松找出最强模型。

场景二：本地 + 云端混合使用

日常聊天用免费的本地模型（Ollama + Qwen3），重要任务切换云端前沿模型。Cherry Studio 统一入口管理，无需在多个工具间切换，数据隐私和模型能力兼得。

场景三：企业知识库问答

上传公司文档、技术手册到 Cherry Studio 知识库，结合 RAG 技术，让 AI 基于企业内部知识精准作答，打造专属的企业 AI 助手。

💡 推荐理由

作为一款开源免费的 AI 桌面客户端，Cherry Studio 最大的价值在于统一——统一了模型入口、统一了对话历史、统一了工具生态。

在此之前，用 OpenAI 要去网页，用 Claude 要开另一个网页，本地 Ollama 又是命令行，多模型对比更是麻烦。Cherry Studio 把这些全部整合到一个窗口里，还加上了知识库、MCP 工具扩展、300+ 助手模板，真正做到了”一个客户端，所有 AI 能力”。

尤其值得一提的是它的开箱即用体验——无需配置 Python 环境，无需折腾依赖，下载安装包，点几下鼠标配置 Key，马上就能用。对非技术用户非常友好。

如果你同时满足以下任意一点，强烈推荐试试 Cherry Studio：
- 同时使用多个 AI 模型（GPT/Claude/Gemini/本地模型）
- 希望 AI 能读取并处理你的本地文档
- 想要一个统一、美观、功能完整的 AI 客户端
- 重视数据隐私，希望本地运行 AI
📥 下载地址

🍒 GitHub 仓库
 🌐 官方网站
 📦 下载安装包

📌 本文由 WorkBuddy AI 自动化任务 定时发布，选题自 GitHub 热门 AI 开源项目。欢迎关注本站「开源项目」栏目，每周精选优质 AI 开源工具深度介绍。
2026年6月10日
ChatGPT Retrieval Plugin：20k+ Stars！RAG鼻祖项目，让ChatGPT拥有外部知识
📦 项目简介

chatgpt-retrieval-plugin 是 OpenAI 官方开源的 ChatGPT 检索插件模板，它是 RAG（检索增强生成） 领域的鼻祖级项目，让 ChatGPT 能够访问自定义数据源。

这个项目展示了如何让大模型动态访问外部知识库，而不是仅仅依赖训练数据。它是现在所有 RAG 应用的”祖师爷”。

⚙️ 安装要求和过程

环境要求
- Python：3.8+（推荐 3.10+）
- 向量数据库：Pinecone / Weaviate / Qdrant（任选其一）
- OpenAI API Key：必需（用于 Embedding 和 ChatGPT）
- 内存：建议 8GB+（本地测试可降级）
快速安装步骤
```
# 1. 克隆项目
git clone https://github.com/openai/chatgpt-retrieval-plugin.git
cd chatgpt-retrieval-plugin

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置环境变量
cp .env.example .env
# 编辑 .env，填入你的 OpenAI API Key 和向量数据库配置

# 4. 构建向量索引
python scripts/process_docs.py

# 5. 启动服务
uvicorn server.main:app --reload --port 8000
```
安装完成后，在 ChatGPT Plugins 模式中添加本地插件，指向 http://localhost:8000 即可。

🔥 核心功能

1. 向量检索（核心能力）

将文档切片后转化为向量，存储到 Pinecone 等向量数据库。用户提问时，系统自动检索最相关的文档片段，注入到 ChatGPT 的上下文中。

2. 递归爬取（数据接入）

内置 scripts/process_docs.py 支持递归爬取网站内容（基于 BeautifulSoup），自动处理 HTML、PDF、Markdown 等多种格式。

3. 元数据过滤（精准召回）

支持为文档添加元数据标签（来源、日期、作者等），检索时可根据元数据进行过滤，大幅提升召回精准度。

4. 插件标准接口（OpenAI 官方规范）

严格遵循 OpenAI Plugin 规范（/.well-known/ai-plugin.json、/openapi.yaml），可作为开发自定义 ChatGPT 插件的参考模板。

💡 典型使用场景

场景一：企业知识库问答

将公司内部文档（产品手册、API 文档、HR 政策）向量化后接入 ChatGPT，员工可以直接用自然语言查询，比如”我们公司的报销流程是什么？”，ChatGPT 会从知识库中精准召回答案。

价值：替代传统关键词搜索，问答准确率提升 60%+。

场景二：技术文档助手

开源项目维护者可以将项目文档（README、Wiki、Issue 解答）接入插件，用户在使用 ChatGPT 时可以直接获得项目相关的准确回答，而不用担心模型产生幻觉。

价值：降低开源项目的使用门槛，减少重复解答。

🌟 推荐理由

这个项目最大的价值不在于代码本身（实际上代码量并不大），而在于它 定义了 RAG 的标准范式：
1. 文档切片 → Embedding → 向量存储 → 检索召回 → 注入上下文 → 生成回答，这条链路现在是业界标配。
2. 如果你想做知识库问答、企业 AI 助手、文档 Copilot，这个项目是最好的起点。
3. 虽然 OpenAI 后来推出了 Assistants API 和 GPTs，底层逻辑依然和这个插件一脉相承。
值得一提的是，现在很多热门项目（RAGFlow、AnythingLLM、Dify 的知识库功能）都能看到这个项目的影子。可以说，它是 RAG 应用的”黄埔军校”。

📥 下载地址
- GitHub 仓库：openai/chatgpt-retrieval-plugin
- OpenAI Plugins 文档：官方文档
- Pinecone 向量数据库：pinecone.io
如果你正在做知识库问答或者企业 AI 助手，这个项目值得深入研究。它不仅是 RAG 的鼻祖，更是理解大模型如何”连接外部知识”的最佳教材。
2026年6月6日
Chroma：28.2K Stars！AI 开源向量数据库，让语义搜索 5 行代码搞定
如果你正在构建 RAG 应用、智能客服、文档问答系统，你会发现一个核心难题：如何让 AI 从海量文本中快速找到最相关的内容？

Chroma —— 面向 AI 的开源向量数据库

📦 项目简介

Chroma 是专为 AI 应用设计的开源向量数据库，定位为“AI 的搜索基础设施”。它让开发者能够以极简的 API 完成文档嵌入、向量存储、语义检索的全流程，是构建 RAG（检索增强生成）系统的首选工具之一。

Chroma 的核心设计理念是简单优先：核心 API 只有 4 个函数，5 行代码即可完成文档入库和语义搜索。同时支持 Python 和 JavaScript 双语言客户端，并提供 Chroma Cloud 托管服务（注册即送 $5 免费额度，30 秒内完成数据库创建）。

⚙️ 安装要求与过程

环境要求
- Python：3.8+（推荐 3.9+）
- Node.js：16+（使用 JavaScript 客户端时需要）
- 内存：最低 2GB（内存模式）；生产环境建议 4GB+
- 存储：持久化模式需要磁盘空间存放向量索引
快速安装（3 步搞定）
```
# 第1步：安装 Chroma（Python）
pip install chromadb

# 第2步：启动 Chroma 服务（可选，也可直接用内存模式）
# chroma run --path ./chroma_db

# 第3步：写 5 行代码，完成第一个语义搜索！
import chromadb
client = chromadb.Client()
collection = client.create_collection("my_docs")
collection.add(documents=["你好世界", "Hello World"], ids=["id1", "id2"])
results = collection.query(query_texts=["greeting"], n_results=1)
print(results)
```
JavaScript/TypeScript 用户：
```
# JavaScript/TypeScript 安装
npm install chromadb

# 快速使用
import { ChromaClient } from 'chromadb';
const client = new ChromaClient();
const collection = await client.createCollection({ name: "my_docs" });
await collection.add({ ids: ["id1"], documents: ["Hello World"] });
const results = await collection.query({ queryTexts: ["greeting"], nResults: 1 });
console.log(results);
```
💡 核心功能

🎯 极简 API 设计
核心 API 仅 4 个函数：创建集合、添加文档、查询搜索、管理集合。学习成本几乎为零，5 行代码即可完成语义搜索全流程。

🔍 多模态搜索能力
支持纯向量搜索、全文搜索、混合搜索（向量+关键词）三种模式。可根据场景灵活选择，搜索精度远超单一模式。

🧠 自动嵌入处理
添加文档时自动完成分词 → 向量嵌入 → 索引构建全流程，内置主流 Embedding 模型（Sentence Transformers 等），也支持自定义向量传入。

🔧 灵活部署模式
支持内存模式（快速原型）、持久化存储（生产环境）、客户端-服务端（多应用共享）、Chroma Cloud（完全托管，免运维）。

🏷️ 多维度过滤
支持基于元数据（metadata）的精确过滤，和基于文档内容的包含过滤。例如：只搜索”来源为官网”的文档，或只搜索”包含特定关键词”的段落。

🌐 多语言客户端
官方支持 Python 和 JavaScript/TypeScript 双语言客户端，API 设计一致。社区还提供了 Go、Java、Ruby 等语言客户端，覆盖主流开发生态。

🚀 典型使用场景

场景一：RAG 文档问答系统

将企业知识库、产品文档、FAQ 等文本存入 Chroma，用户提问时通过语义搜索找到最相关的片段，再交给 LLM 生成回答。这是 Chroma 最经典的应用场景，也是目前大量 AI 应用的标准架构。
```
# RAG 典型代码（简化版）
import chromadb
from sentence_transformers import SentenceTransformer

# 1. 连接 Chroma
client = chromadb.Client()
collection = client.get_or_create_collection("company_docs")

# 2. 文档切片入库（实际项目可用更高级的分片策略）
docs = ["退款政策：7天内可申请...", "Shipping: 2-5 business days..."]
collection.add(documents=docs, ids=["doc1", "doc2"])

# 3. 用户提问 → 语义检索 → 交给 LLM
query = "如何申请退款？"
results = collection.query(query_texts=[query], n_results=3)
# results['documents'] 即为最相关的文档片段，传给 LLM 生成回答
```
场景二：AI 应用语义缓存

对 LLM 的相似问题，直接返回缓存的答案，避免重复调用大模型，可降低 30-80% 的 API 成本。Chroma 的向量相似度搜索非常适合实现语义缓存——用户问”怎么退款”和”退款流程是什么”应该命中同一个缓存。

场景三：内容推荐与去重

新闻推荐、电商商品推荐、短视频去重等场景，都可以通过向量相似度来实现。Chroma 的轻量特性使其非常适合作为推荐系统的向量检索层，毫秒级返回相似内容。

🌟 推荐理由

我推荐 Chroma 的核心原因是它把”向量数据库”这个听起来很高大上的东西，做到了真正对开发者友好。以下是我的真实使用感受：

第一，上手速度极快。对比 Pinecone、Weaviate、Qdrant 等竞品，Chroma 的学习曲线是最平缓的。核心 API 只有 4 个函数，README 中的示例代码复制到本地，5 分钟就能跑通第一个语义搜索。对于想快速验证 RAG 想法的开发者，这非常重要。

第二，开源 + 零依赖启动。Chroma 采用 Apache 2.0 开源协议，可以免费用于商业项目。内存模式不需要安装任何外部依赖（不需要 Docker、不需要单独装数据库），pip install chromadb 之后直接就能用，对个人开发者和小型团队极其友好。

第三，生产路径清晰。很多”易上手”的工具到了生产环境就掉链子，但 Chroma 提供了完整的升级路径：开发阶段用内存模式快速迭代 → 部署时用持久化模式 → 规模化后用 Chroma Cloud 或自托管 HTTP 服务。这个路径非常平滑，不需要重写代码。

什么场景不适合 Chroma？如果你需要百亿级向量规模（如千万级文档），Chroma 目前的能力可能不如专用的分布式向量数据库（如 Milvus）。但对于99% 的 AI 应用开发者（百万级向量以下），Chroma 的性能和易用性是最优平衡。

📥 下载地址

🌐 官方网站
trychroma.com

🐙 GitHub 仓库
github.com/chroma-core/chroma
(28.2K+ Stars)

📦 PyPI 安装
pip install chromadb

📦 npm 安装
npm install chromadb

☁️ Chroma Cloud
cloud.trychroma.com
（注册送 $5 免费额度）

📌 本文由 WorkBuddy AI 自动采集撰写，阅读原文请访问 GitHub 仓库。
2026年6月1日

标签： 知识库

项目简介

安装要求与快速上手

环境要求

安装步骤

个人知识库模式

核心功能

1. Agent 驱动的自动文档生成

2. 双模式：Code Wiki + Personal Brain

3. 12+ 模型提供商开箱即用

4. 交互式可视化浏览器

5. CI/CD 自动文档流水线

6. OKF 开放知识格式 & Mermaid 图表

典型使用场景

场景一：大型项目新人 Onboarding

场景二：个人知识中台

场景三：Agent 记忆层

推荐理由

下载地址

项目简介

安装要求和过程

环境要求

快速安装

核心功能

典型使用场景

场景 1：财报 / 论文中的表格问答

场景 2：Claude 浏览复杂网页

场景 3：内部知识库可视化搜索

推荐理由

下载地址

项目简介

安装要求和过程

核心功能

典型使用场景

推荐理由

下载地址

一、项目简介

二、安装要求和过程

环境要求

快速开始（跑一个 Agent，约 30 秒）

或者，给编码助手装一个 Skill（约 10 秒）

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

项目简介

安装要求和过程

环境要求

快速安装

快速开始

核心功能

1. 双模式 Wiki：代码库 & 个人大脑

2. 为 Agent 而生：把 Wiki 焊进编码助手

3. 多连接器 Ingestion

4. 全模型供应商兼容

5. CI 自动化 + 隐私友好

典型使用场景

场景一：团队代码库”活文档”

场景二：个人知识大脑

场景三：给编码 Agent 减负

推荐理由（个人使用心得）

下载地址

📦 项目简介

⚙️ 安装要求和过程

环境要求

方式一：Docker 安装（推荐）

方式二：Python pip 安装

✨ 核心功能

🤖 1. 多模型兼容

📚 2. RAG 检索增强生成

🔍 3. 联网搜索能力

🎨 4. 多模态交互

🔧 5. 企业级管理能力

🚀 典型使用场景

场景一：个人本地 AI 助手

场景二：企业内网 AI 中台

场景三：RAG 知识库问答

💡 推荐理由

📥 下载地址

📌 项目简介

标签：知识库