标签：自托管

OpenHands：77.8K+ Stars，AI驱动的自动化软件开发平台

OpenHands：77.8K+ Stars，AI驱动的自动化软件开发平台

⭐ 77.8K+ Stars
🐍 Python
🔧 开源
🏢 OpenHands社区

📋 项目简介

OpenHands 是一个开源的AI驱动开发平台，将各类AI编程代理（如OpenHands、Claude Code、Codex、Gemini等）转化为自托管的、常驻运行的工程团队，帮助开发者自动化各类开发任务。原名OpenDevin，已成为GitHub上最受欢迎的AI软件开发工具之一。

🚀 核心功能

🔌

多后端支持

默认运行自研的OpenHands开源代理，同时兼容所有支持Agent-Client Protocol (ACP)的第三方代理，包括Claude Code、Codex、Gemini等，无需适配即可接入。

🔄

灵活部署

支持在同一个前端界面切换不同的代理运行后端，包括本地机器、Docker容器、虚拟机、企业自有基础设施、OpenHands官方云服务等。

⚙️

自动化工作流

支持创建定时任务、或响应Webhook事件的自动化流程，可集成Slack、GitHub、Linear、Notion等第三方工具。

🤖

模型兼容性强

支持接入任意大语言模型（LLM），用户可以根据需求自主选择适配的模型，包括GPT、Claude、Gemini、DeepSeek等。

🏠

自托管能力

默认在本地运行，也支持部署到云端服务器，代理可以在本地机器关闭后持续运行，方便对接第三方服务的触发请求。

💻 安装要求和过程

环境要求

安装方式	前置要求
无沙箱直接安装	Node.js 22.12.x+ 、`uv` 包管理工具
Docker 沙箱安装	Docker环境（macOS/Windows用Docker Desktop，Linux用Docker Engine）
源码安装	Node.js 22.12.x+ 、`npm` 、`uv`

快速安装步骤

方式一：无沙箱快速启动（适合本地测试）

⚠️ 注意：代理会直接访问本地文件系统

npm install -g @openhands/agent-canvas
agent-canvas

也可以拆分启动前后端：

仅启动前端：agent-canvas --frontend-only
仅启动后端：agent-canvas --backend-only

方式二：Docker 沙箱安装（更安全）

✅ 代理仅能访问挂载的项目目录

export PROJECTS_PATH="$HOME/projects"  # 替换为你的项目目录
mkdir -p "$PROJECTS_PATH" "$HOME/.openhands"

docker run -it --rm   -p 8000:8000   -v "$HOME/.openhands:/home/openhands/.openhands"   -v "${PROJECTS_PATH}:/projects"   ghcr.io/openhands/agent-canvas:1.0.0-rc.11

Windows用户可参考仓库内的 README.windows.md 获取对应命令。

方式三：源码安装

git clone https://github.com/OpenHands/agent-canvas.git
cd agent-canvas
npm install
npm run dev

🎉 启动后访问 http://localhost:8000 即可使用界面，也可以在界面内添加更多后端。

🎯 典型使用场景

场景一：日常开发任务自动化

自动完成代码review、依赖更新、issue拆解等重复性工作，减少人工投入。例如：每晚自动检查依赖更新并创建PR，或自动review PR代码并给出建议。

场景二：多环境代理管理

团队共享云端代理处理公共任务，个人本地代理处理私有开发任务，在同一界面统一管控。例如：团队用云端代理处理CI/CD任务，开发者用本地代理进行私密项目开发。

场景三：第三方工具联动

GitHub收到新Issue时自动触发代理拆解任务，定时生成项目报告推送到Slack，实现开发流程自动化。支持与Slack、GitHub、Linear、Notion等工具集成。

场景四：7×24小时任务运行

部署到云端服务器后，代理可以在本地机器关闭后持续运行，满足异步任务、定时任务的需求。例如：每晚凌晨2点自动运行测试套件并生成报告。

🏗️ 技术架构

Agent Canvas整体由三部分组成，采用前后端分离的现代化架构设计：

🎨 前端界面

Agent Canvas 作为统一的管理入口，支持连接多个后端、创建自动化流程、管理代理任务。

⚙️ Agent Server

REST API服务，负责在单台机器上运行多个代理，可通过 OpenHands/software-agent-sdk 扩展。

🔄 Automation Server

配合Agent Server使用，支持定时任务、事件触发类的自动化流程，源码位于 OpenHands/automation。

核心特点

🔒 安全可控：支持Docker沙箱隔离，避免代理直接访问宿主机文件系统
📈 高扩展性：兼容ACP协议的任意代理，支持任意LLM接入，第三方工具集成门槛低
🚀 部署灵活：支持本地、Docker、虚拟机、云端、企业基础设施等多种部署方式
🌐 开源生态：项目完全开源，配套完整的开发文档、贡献指南、社区支持

💡 推荐理由

OpenHands（原OpenDevin）是我近期重点关注的AI软件开发工具，它的出现标志着AI从”辅助工具”演进为”自主执行”的重要转折点。以下是我推荐它的几个核心理由：

✅ 完整的企业级功能

不同于简单的AI编程助手，OpenHands提供了完整的工程化能力：多代理编排、定时任务、Webhook触发、第三方工具集成等。它可以真正成为你的”AI团队成员”，而不仅仅是代码补全工具。

✅ 灵活的部署选项

支持从本地测试到企业级部署的全场景覆盖。Docker沙箱模式既保证了安全性，又保留了灵活性。对于关心数据隐私的团队，可以完全自托管，不依赖任何第三方服务。

✅ 开放的生态系统

通过ACP协议，OpenHands可以无缝接入几乎所有主流AI编程工具（Claude Code、Codex、Gemini、DeepSeek等）。这种开放架构避免了供应商锁定，让你可以根据任务和预算灵活切换模型。

✅ 活跃的开源社区

截至2026年6月，OpenHands已获得77.8K+ Stars，拥有活跃的贡献者社区。活跃的社区意味着丰富的插件、快速的问题响应和持续的功能迭代。

💬 个人使用心得：OpenHands最适合有一定技术基础的开发者或团队。如果你是个人开发者，可以从无沙箱模式快速上手；如果是企业用户，建议使用Docker沙箱或云端部署。它的学习曲线略陡，但一旦掌握，能显著提升开发效率。

⚖️ 与同类工具对比

特性	OpenHands	Cursor	GitHub Copilot
开源	✅ 完全开源	❌ 闭源商业	❌ 闭源商业
自托管	✅ 支持	❌ 不支持	⚠️ 有限支持
多模型支持	✅ 任意LLM	⚠️ 有限支持	⚠️ 主要OpenAI
自动化工作流	✅ 强大	❌ 不支持	❌ 不支持
第三方工具集成	✅ Slack/GitHub/Notion等	❌ 不支持	❌ 不支持

📥 下载地址

🌐 官方网站

https://openhands.dev
产品介绍、云服务、文档入口

📚 官方文档

https://docs.openhands.dev
安装指南、API文档、开发手册

💻 GitHub仓库

github.com/OpenHands/OpenHands
源码、Issue、PR、社区讨论

🐳 Docker镜像

ghcr.io/openhands/agent-canvas
容器化部署，一键启动

📦 快速安装

npm install -g @openhands/agent-canvas
agent-canvas

启动后访问 http://localhost:8000 开始使用

🎬 结语

OpenHands代表了AI辅助软件开发的新范式——从”代码补全”到”自主执行”。它不仅仅是一个编程助手，更是一个可以24/7工作的AI工程团队。无论你是个人开发者希望提升效率，还是企业团队需要自动化开发流程，OpenHands都值得一试。

最重要的是，作为一个完全开源的项目，OpenHands避免了供应商锁定，让你可以完全掌控自己的开发工具链。在数据隐私日益重要的今天，这种自托管能力显得尤为珍贵。

如果你对AI驱动的开发自动化感兴趣，不妨从本地测试模式开始，体验一下让AI成为你”工程团队成员”的感觉。🚀

⭐ 如果你觉得这篇文章对你有帮助，请在GitHub上给 OpenHands 点个Star！

标签:
#AI Agent ·
#LLM ·
#AI开源项目 ·
#自动化

2026年6月21日

LobeChat —— 72K+ Stars 开源 AI 聊天框架，比 ChatGPT 更自由的选择
🤯 LobeChat

开源 AI 聊天框架，72K+ Stars，比 ChatGPT 更自由的 AI 客户端

⭐ GitHub 72K+ Stars |
🌐 在线体验 |
MIT 开源

📌 项目简介

LobeChat 是 LobeHub 团队开发的开源 AI 聊天框架，也是 GitHub 上 Star 数最多的开源 AI 客户端之一（72K+ Stars）。它支持 Web 和桌面两种形式，在一个界面里同时接入 GPT、Claude、Gemini、DeepSeek、Ollama 等 80+ 模型，还内置插件市场、RAG 知识库、多模型对比等实用功能。最重要的是——完全免费开源，数据可完全本地化。

⭐

72K+

GitHub Stars

🤖

80+

支持模型

🔌

40+

内置插件

💻

3 平台

Web/桌面/Docker

1
安装要求和过程

环境要求

部署方式环境要求

Web 版 浏览器访问，无需安装

桌面版 Windows/macOS/Linux，下载安装包

Docker Docker + Docker Compose

本地开发 Node.js 18+, pnpm, Git

快速安装（桌面版）

# 1. 从 GitHub Releases 下载对应平台安装包

https://github.com/lobehub/lobe-chat/releases

# Windows: LobeChat-win.exe

# macOS: LobeChat-mac.dmg

# Linux: LobeChat-linux.AppImage

Docker 部署（自托管推荐）

# 拉取镜像并启动

docker run -d -p 3210:3210 \

-e OPENAI_API_KEY=your-key \

–name lobechat lobehub/lobe-chat

2
核心功能

🤖 多模型统一接入

支持 OpenAI、Claude、Gemini、DeepSeek、Kimi、智谱、Ollama 等 80+ 模型，一个界面随意切换。自定义 Base URL，可接入任何兼容 OpenAI 协议的 API。

🔌 插件市场 + MCP 集成

内置 40+ 插件，联网搜索、代码执行、图片生成开箱即用。支持 MCP 协议，可一键接入 AI Agent 工具链，扩展能力无上限。

📚 RAG 知识库

上传 PDF、Word、网页，自动建立向量索引。基于个人知识库问答，适合企业文档、技术手册、合同条款等场景。本地向量数据库，数据不出门。

⚡ 多模型对比 + 语音对话

同一问题多模型同时回答，横向对比 Claude/GPT/Gemini 差异。内置 TTS/STT，支持语音对话。还有「助手市场」，几百个预设专业助手直接可用。

🏠 完全自托管 + 隐私优先

Docker 一键部署，数据全留本地。MIT 开源，可自由修改分发。对比 ChatGPT Plus $20/月，LobeChat 客户端免费，只需按 API 用量付费。

3
典型使用场景

🎯 场景一：多模型对比选型

在模型选型阶段，同一个 Prompt 同时发给 Claude Opus、GPT-5.4、Gemini 2.5 Pro，直接对比输出质量，不再靠猜。LobeChat 的多模型对比功能让选型决策有数据支撑。

📚 场景二：企业知识库问答

将公司技术文档、产品手册、合同模板上传到 LobeChat 知识库，基于 RAG 检索增强生成，精准回答内部问题。支持 Docker 私有化部署，数据完全不出企业内网。

💻 场景三：开发者日常助手

配置 DeepSeek V3（中文代码能力强，价格低）+ Claude Sonnet（复杂逻辑）+ GPT-5.4（多模态），不同任务自动切换最合适模型。助手市场里的「代码审查」「SQL 优化」等预设助手，开箱即用。
💡 推荐理由

我用过不少 AI 客户端，LobeChat 是最顺手的选择之一，原因如下：

✅ 真的免费：客户端 MIT 开源，桌面版零成本，只需付 API 费用（比 ChatGPT Plus 灵活太多）

✅ 真的开放：不绑定任何厂商，自定义 Base URL 接入任何兼容 API，甚至支持本地 Ollama

✅ 真的好用：界面现代美观，多模型对比、知识库、插件市场一应俱全，功能深度足够

✅ 真的私密：Docker 一键自托管，数据 100% 本地，适合对隐私有要求的企业和个人

如果你同时用多个 AI 模型，或者不想把数据交给 OpenAI，LobeChat 是目前最好的开源替代方案。
📥 下载地址

⭐ GitHub 仓库
 🌐 Web 版体验
 📦 桌面版下载
 📖 官方文档

许可协议：MIT License | 语言：TypeScript | 支持平台：Web / Windows / macOS / Linux / Docker

⚠️ 本文基于公开资料整理，项目数据截至 2026 年 6 月。LobeChat 与 LobeHub 为同一团队产品，功能持续迭代中。
2026年6月19日
AnythingLLM — 61.7K Stars，全栈本地优先AI应用，私有知识库与AI代理一站式解决方案
Mintplex Labs 官方 Logo

📦 项目简介

AnythingLLM 是一款全功能本地优先 AI 应用，集 RAG（检索增强生成）、AI 代理、无代码代理构建器于一体。口号是「停止租用你的智能，用 AnythingLLM 拥有它」。支持连接本地或云端 LLM，导入文档后即可快速开始对话，内置代理、多用户支持、向量数据库和文档管道，无需额外配置。

⭐ 61.7K+ Stars
🍴 6.74K+ Forks
📜 MIT 许可
🏢 Mintplex Labs
⚙️ 安装要求和过程

环境要求

Docker（推荐，最简单方式）

或：Node.js 18+、Yarn、LM Studio / Ollama（裸金属部署）

支持系统：macOS、Windows、Linux

向量数据库：默认 LanceDB（内置，无需额外安装）

快速安装 — 桌面版（最简单）

# 访问官网下载对应系统安装包

https://anythingllm.com/download

# macOS

下载 .dmg → 拖入 Applications

# Windows

下载 .exe → 一路 Next

# Linux

下载 .AppImage → chmod +x → 运行

Docker 部署（推荐服务器）

# 拉取最新镜像

docker pull mintplexlabs/anythingllm

# 运行容器

docker run -p 3001:3001 mintplexlabs/anythingllm

# 浏览器访问

http://localhost:3001
✨ 核心功能

🤖 无代码 AI 代理构建器

可视化构建 AI 代理，支持网页浏览、RAG 文档查询、API 调用等技能，无需写代码即可打造专属 AI 助手。

🧠 动态模型路由 + 智能记忆

根据自定义规则自动将对话路由到最合适的模型和提供商；AI 可记住你和工作区的重要信息，实现跨会话持久化上下文。

📚 强大的 RAG 文档处理

支持 PDF、TXT、DOCX、CSV 等多种格式，内置针对大型文档集的优化，比其他聊天 UI 成本更低、响应更快。

👥 多用户与权限管理

Docker 版本支持多用户实例与权限管控，适合团队协作；不会泄露实例安全或知识产权，企业级安全设计。

🔌 MCP 兼容 + 完整开发者 API

支持 Model Context Protocol (MCP)，可无缝接入外部工具；提供完整 REST API，支持自定义集成与二次开发。

🎯 典型使用场景

① 私有知识库问答

将公司文档、技术手册、研究报告导入 AnythingLLM，打造私有化部署的 ChatGPT。员工可直接提问，AI 基于内部文档给出准确答案，数据不出企业内网。

② 个人 AI 研究助手

结合本地 Ollama 运行开源模型，导入论文 PDF 和研究笔记，AI 代理可自动联网搜索、整理资料、定时执行研究任务，是研究人员的全能助手。

③ 网站智能客服嵌入

利用可嵌入聊天组件（Docker 版），将定制化的 AI 客服挂到企业官网，基于私有知识库自动回答客户问题，无需人工值守。

💡 推荐理由

作为一款本地优先的全栈 AI 应用，AnythingLLM 最大的优势在于开箱即用——下载桌面版，连接本地 Ollama，导入文档，三步搞定私有知识库。无需 Docker、无需配置向量数据库、无需写代码。

对比同类产品：Dify 偏向可视化工作流编排，AnythingLLM 更聚焦于个人/小团队的文档对话场景，界面更简洁，部署更轻松。MIT 许可意味着你可以自由修改和分发，真正「拥有你的智能」。

特别推荐给：重视数据隐私的开发者、需要内部知识库的中小团队、以及想体验本地 LLM + RAG 完整链路的 AI 爱好者。

📥 下载地址

🖥️ 官网下载桌面版
 ⭐ GitHub 仓库
 📚 官方文档

支持 macOS / Windows / Linux | Docker 镜像可用 | 自托管部署指南完备

🛠️ 技术栈

前端: ViteJS + React ｜后端: NodeJS + Express ｜ 向量数据库: LanceDB（内置）
支持模型: OpenAI / Anthropic / Ollama / LM Studio / Bedrock 等｜许可: MIT
2026年6月19日
Ollama — 本地大模型运行首选工具，165K+ Stars 的本地 LLM 神器
⚡ GitHub 热门 AI 开源项目

Ollama

在本地一键运行 Llama 3、DeepSeek、Qwen、Gemma 等开源大语言模型，无需云端，隐私优先

⭐ 165K+ Stars
📥 40K+ 社区集成
🦙 Go + C++
📜 MIT 开源协议

📌 项目简介

Ollama 是一款开源的本地大语言模型运行工具，让你在 macOS、Windows、Linux 上轻松下载、运行和管理各类开源 LLM。它内置了 llama.cpp 推理引擎，支持量化模型的高效运行，同时提供简洁的 CLI、REST API 以及 Python / JavaScript SDK，是本地 AI 开发的首选入口。
🔧 安装要求和过程

环境要求

支持 macOS 11+、Windows 10+、Linux（x86_64 / ARM64）

建议 8GB+ 内存（7B 模型）；16GB+（13B 模型）；32GB+（33B+ 模型）

磁盘空间：每个模型约 4GB~20GB

🍎 macOS

brew install ollama

或下载 Ollama.dmg 手动安装

🪟 Windows

下载 OllamaSetup.exe

官网 ollama.com 直接下载安装包

🐧 Linux

curl -fsSL https://ollama.com/install.sh | sh

🐳 Docker

docker run ollama/ollama

⚡ 快速开始

安装完成后，终端运行 ollama serve 启动服务（默认 11434 端口）

运行 ollama run deepseek-r1 拉取并启动 DeepSeek-R1 模型

直接在终端对话，或访问 http://localhost:11434 调用 REST API
🚀 核心功能

① 一键运行海量开源模型

内置模型库（ollama.com/library）涵盖 Llama 3、DeepSeek-R1、Qwen2.5、Gemma、Mistral、Phi-3 等数百个模型，一条命令即可拉取运行。支持自定义 Modelfile 导入 GGML / GGUF 格式模型。

② 完整的 REST API 与 SDK

默认在 11434 端口提供 OpenAI 兼容的 REST API，官方提供 Python 和 JavaScript SDK。可以无缝接入 LangChain、Lobe Chat、Open WebUI 等生态，开发者集成成本极低。

③ 多模型并行与 GPU 加速

支持同时加载多个模型，自动检测并利用 NVIDIA / AMD GPU 进行推理加速。macOS 上原生支持 Metal GPU 加速，Linux 支持 CUDA 和 ROCm，推理速度大幅提升。

④ 丰富的生态集成

社区已推出 40,000+ 个集成工具，涵盖桌面应用（Open WebUI、Enchanted）、IDE 插件（Continue、CopilotKit）、Agent 框架（LangChain、AutoGen）、RAG 工具（AnythingLLM）等，几乎覆盖所有 AI 开发场景。

⑤ 隐私优先，完全离线

所有推理在本地执行，数据不出本机。无需注册、无需联网、无需付费 API Key，特别适合对数据隐私有严格要求的企业内网和个人开发者。

💡 典型使用场景

场景一：本地 AI 编程助手

搭配 Continue.dev 或 VS Code Ollama 插件，在断网环境下也能使用本地 LLM 辅助代码补全、解释和重构。使用 DeepSeek-Coder 或 CodeLlama 模型，响应速度毫秒级，代码质量媲美云端模型。

实战示例：运行 ollama run deepseek-coder:6.7b，然后在 Continue.dev 中配置 Ollama 为默认 Provider，即可在 VS Code 侧边栏直接对话编程。

场景二：私有知识库 RAG 系统

结合 AnythingLLM 或 Open WebUI，将企业内网文档、PDF、Markdown 文件作为知识库，通过 Ollama 本地推理实现零数据外泄的智能问答系统。金融、医疗、法律等敏感行业尤为适用。

实战示例：Docker 部署 AnythingLLM，在设置中选择 Ollama 作为 LLM Provider，指定本地模型（如 Llama3:8b），然后上传内部文档即可开始私有问答。

场景三：AI 应用本地开发测试

在开发 AI 应用时，使用 Ollama 替代 OpenAI API 进行本地测试和迭代，无需消耗云端配额，也避免了敏感测试数据外传的风险。Ollama 的 API 与 OpenAI 高度兼容，切换成本极低。

实战示例：在 .env 中设置 OPENAI_BASE_URL=http://localhost:11434/v1 和 OPENAI_API_KEY=ollama，现有基于 OpenAI SDK 的代码几乎不用改动即可切换至本地模型。

✨ 推荐理由

作为本地 LLM 领域的”Docker”，Ollama 几乎是所有 AI 开发者入门本地模型的第一站。它把复杂的模型量化、推理引擎配置、GPU 驱动适配等底层细节全部封装，真正做到了”一行命令运行大模型”。

我个人最常用的场景是在无网环境下做代码审查和文档撰写——启动 DeepSeek-R1 本地模型，响应速度非常快，且完全不担心代码泄露。相比云端 API，本地运行的成本优势在长期使用中极为明显：一次性下载模型，后续零费用无限调用。

另外值得一提的是 Ollama 的 REST API 与 OpenAI 高度兼容，这意味着你可以用同一套代码同时支持云端和本地模型，在开发阶段用本地模型省成本，上线时切换到 GPT-4 保质量，这种灵活性是其他本地 LLM 工具难以提供的。

如果你还没试过在本地运行 LLM，Ollama 是最好的起点。165K Stars 和 40K+ 社区集成不是偶然——它真的好用。

📥 下载地址

🌐 官网下载
 ⭐ GitHub 仓库
 📖 官方文档
 🦙 模型库

GitHub 热门 AI 开源项目系列
2026年6月17日
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
- GitHub仓库：https://github.com/open-webui/open-webui（105K+ Stars）
- 官方文档：https://docs.openwebui.com/
- 在线Demo：https://openwebui.com/
- Discord社区：https://discord.gg/5rJgQTnV4s
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！
2026年6月16日

部署方式	环境要求
Web 版	浏览器访问，无需安装
桌面版	Windows/macOS/Linux，下载安装包
Docker	Docker + Docker Compose
本地开发	Node.js 18+, pnpm, Git

【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

Tabby：32K Stars！开源自托管AI编程助手，让代码补全完全私有化

Tabby – 开源自托管AI编程助手

🚀 项目简介

Tabby 是一款完全开源、可自托管的AI编程助手，是 GitHub Copilot 的完美替代品。支持团队在本地或私有服务器上运行属于自己的代码补全引擎，100% 保障代码隐私安全。

32K+

GitHub Stars

100%

开源免费

多IDE

全面支持

⚙️ 安装要求和过程

环境要求

Python 3.8+ 或 Docker 环境
CPU版：4GB RAM（StarCoder-1B）
GPU版：16GB RAM + NVIDIA GPU（推荐）
支持 Windows / macOS / Linux

快速安装（Docker方式 – 官方推荐）

# CPU版本
mkdir -p ~/tabby/data
docker run -it \
  --gpus all \
  -p 8080:8080 \
  -v $HOME/tabby/data:/data \
  -e TABBY_MODEL_REGISTRY=/data \
  tabbyml/tabby \
  serve --model StarCoder-1B --device cpu

# GPU加速版本（需NVIDIA Container Toolkit）
docker run -it \
  --gpus all \
  -p 8080:8080 \
  -v $HOME/tabby/data:/data \
  tabbyml/tabby \
  serve --model StarCoder-1B --device cuda

本地直接安装

# 通过Cargo安装（需Rust环境）
cargo install tabby

# 或直接下载预编译二进制
# 从 GitHub Releases 下载对应平台版本
tabby serve --model StarCoder-1B --device cpu

IDE插件安装

VS Code：扩展市场搜索 “Tabby” 安装
JetBrains：IntelliJ IDEA / PyCharm / WebStorm 等在 Settings → Plugins 搜索 “Tabby”

✨ 核心功能

🔐 完全自托管，代码100%隐私

所有代码补全请求在本地或私有服务器完成，代码绝不离开你的基础设施，彻底解决代码泄露风险。

🤖 多模型兼容

支持 StarCoder、CodeLlama、DeepSeek Coder、CodeGen 等主流开源代码大模型，可按需选择和切换。

⚡ 全链路性能优化

IDE插件端通过自适应缓存策略实现精准流式输出，补全响应速度小于1秒；模型服务侧解析代码为Tree Sitter标签，生成更有效提示词。

🛠️ 支持离线使用与自定义训练

模型下载完成后无需网络连接即可运行；支持基于自有代码库对模型进行微调，适配团队专属代码风格。

🌍 多语言支持

覆盖 Python、JavaScript/TypeScript、Java、Go、Rust、C++、Ruby、PHP 等主流开发语言。

🎯 典型使用场景

场景一：企业私有化部署AI编程助手

对代码安全性要求高的企业/团队，可通过Tabby在私有服务器或Kubernetes集群上部署AI代码补全服务，让团队成员享受AI编程效率提升的同时，确保核心代码资产不泄露到第三方云服务。

场景二：个人开发者本地AI编程

个人开发者可在本地机器上运行Tabby，使用StarCoder-3B等中等规模模型，在CPU上流畅运行，享受免费、私密、低延迟的代码补全体验，完全替代付费的GitHub Copilot订阅。

场景三：基于自有代码库训练专属模型

团队可将自有代码库用于微调Tabby背后的代码大模型，使AI补全建议更贴合团队编码风格和业务逻辑，有效提升代码生成的相关性和准确性。

💡 推荐理由

作为一款开源AI编程助手，Tabby最打动我的是它对「代码隐私」的极致重视。在AI编程助手遍地开花的今天，大多数方案都要求你把代码发送到第三方云服务，而Tabby让一切都在你的掌控之中。

它的部署灵活性也令人印象深刻——从轻量的CPU模式到高性能的GPU加速，从单机部署到Kubernetes集群，从个人使用到企业级权限管理，Tabby都能很好适配。加上它对多种开源代码模型的良好支持，你可以根据硬件条件和补全质量需求灵活选择。

如果你在意代码安全、希望摆脱SaaS订阅费用、或者想深入了解AI编程助手的工作原理，Tabby绝对值得一试。这也是它能在GitHub上获得32K+ Stars、成为Copilot最佳开源替代品的原因。

📊 支持模型与配置参考

模型名称	参数规模	推荐配置	补全质量
StarCoder-1B	1B	4GB RAM，CPU运行	基础
StarCoder-3B	3B	8GB RAM，CPU运行	良好
CodeLlama-7B	7B	16GB RAM，GPU运行	优秀
DeepSeek-Coder-6.7B	6.7B	16GB RAM，GPU运行	优秀
StarCoder-15B	15B	32GB RAM，GPU运行	最佳

官方推荐大多数普通开发者选择 StarCoder-3B，在CPU上也可流畅运行，补全质量均衡。

📥 下载地址

🌐 官方网站：https://www.tabbyml.com/
🐙 GitHub仓库：https://github.com/TabbyML/tabby
📚 官方文档：https://tabby.tabbyml.com/docs/welcome/
💻 VS Code插件：VS Code Marketplace
🐳 Docker镜像：tabbyml/tabby

🔥 对AI开源项目感兴趣？欢迎关注本栏目，每周带你发现最值得关注的GitHub热门AI项目！

2026年6月3日

标签： 自托管

OpenHands：77.8K+ Stars，AI驱动的自动化软件开发平台

📋 项目简介

🚀 核心功能

多后端支持

灵活部署

自动化工作流

模型兼容性强

自托管能力

💻 安装要求和过程

环境要求

快速安装步骤

方式一：无沙箱快速启动（适合本地测试）

方式二：Docker 沙箱安装（更安全）

方式三：源码安装

🎯 典型使用场景

场景一：日常开发任务自动化

场景二：多环境代理管理

场景三：第三方工具联动

场景四：7×24小时任务运行

🏗️ 技术架构

🎨 前端界面

⚙️ Agent Server

🔄 Automation Server

核心特点

💡 推荐理由

✅ 完整的企业级功能

✅ 灵活的部署选项

✅ 开放的生态系统

✅ 活跃的开源社区

⚖️ 与同类工具对比

📥 下载地址

🌐 官方网站

📚 官方文档

💻 GitHub仓库

🐳 Docker镜像

📦 快速安装

🎬 结语

🤯 LobeChat

📌 项目简介

1 安装要求和过程

环境要求

快速安装（桌面版）

Docker 部署（自托管推荐）

2 核心功能

🤖 多模型统一接入

🔌 插件市场 + MCP 集成

📚 RAG 知识库

⚡ 多模型对比 + 语音对话

🏠 完全自托管 + 隐私优先

3 典型使用场景

🎯 场景一：多模型对比选型

📚 场景二：企业知识库问答

💻 场景三：开发者日常助手

💡 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 — 桌面版（最简单）

Docker 部署（推荐服务器）

✨ 核心功能

🤖 无代码 AI 代理构建器

🧠 动态模型路由 + 智能记忆

📚 强大的 RAG 文档处理

👥 多用户与权限管理

🔌 MCP 兼容 + 完整开发者 API

🎯 典型使用场景

① 私有知识库问答

② 个人 AI 研究助手

③ 网站智能客服嵌入

💡 推荐理由

📥 下载地址

🛠️ 技术栈

Ollama

📌 项目简介

🔧 安装要求和过程

环境要求

⚡ 快速开始

🚀 核心功能

标签：自托管

1
安装要求和过程

2
核心功能

3
典型使用场景