标签： AI Agent

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

CrewAI — 53.7K+ Stars，让多个AI智能体像团队一样协作的Python框架

🚀 CrewAI — 让多个 AI 智能体像团队一样协作

Star 数: 53.7K+ | 语言: Python | 协议: MIT | 更新: 2026-06-17

📌 项目简介

CrewAI 是一个完全独立、轻量、高性能的 Python 多智能体编排框架，专门用于协调角色扮演型自主 AI 智能体。它从零构建，不依赖 LangChain 或其他智能体框架，兼顾高层级开发的简洁性和底层控制的精准性，让多个 AI Agent 像真实团队一样分工协作，高效完成复杂任务。

目前已有超过 10 万名开发者通过官方学习平台完成认证，CrewAI 正快速成为企业级 AI 自动化的标准框架。

CrewAI 核心能力架构示意图

⚙️ 安装要求和过程

环境要求

Python: ≥ 3.10 且 < 3.14
依赖管理: 推荐使用 UV（极速 Python 包管理器）
LLM 接入: 需配置 OpenAI API Key 或兼容接口（支持 Ollama 本地模型）

快速安装

# 安装基础版本
uv pip install crewai

# 安装带常用工具的完整版本
uv pip install 'crewai[tools]'

# 创建新项目（推荐）
crewai create crew my_project

常见问题排查

报错信息	解决方案
`ModuleNotFoundError: No module named 'tiktoken'`	显式安装: `uv pip install 'crewai[embeddings]'`
`Failed building wheel for tiktoken`	安装 Rust 编译器 + Visual C++ Build Tools，或使用预编译包

✨ 核心功能

1. 完全独立的轻量框架

CrewAI 从零开始构建，完全不依赖 LangChain 等第三方智能体框架。执行速度比 LangGraph 快 5.76 倍（QA 任务场景），资源占用更低，定制更灵活。你可以在任意层级深度自定义 —— 从整体工作流到智能体内部提示词，全部开放。

2. 双模式编排：Crew + Flow

CrewAI 提供两种互补的核心编排能力：

Crew（智能体组）：支持智能体自主协作和动态决策，适合需要灵活交互的任务
Flow（工作流）：企业级生产架构，提供细粒度、事件驱动的流程控制，支持单 LLM 调用精准编排，原生兼容 Crew

两者可无缝结合，兼顾灵活性与可控性。

3. YAML 配置驱动开发

通过 agents.yaml 和 tasks.yaml 声明式配置智能体角色、目标和任务描述，将业务逻辑与代码逻辑完全解耦。@CrewBase 装饰器自动加载配置，开发体验极佳：

# config/agents.yaml
researcher:
  role: "{topic} Senior Data Researcher"
  goal: "Uncover cutting-edge developments in {topic}"
  backstory: "You're a seasoned researcher with a knack for ..."

# config/tasks.yaml
research_task:
  description: "Conduct a thorough research about {topic}"
  expected_output: "A list with 10 bullet points ..."
  agent: researcher

4. 丰富的工具生态与集成

内置 crewai_tools 工具包，包含 SerperDevTool（Google 搜索）、ScrapeWebsiteTool、PDFSearchTool 等常用工具。同时支持：

对接 Ollama / LM Studio 本地模型
对接 OpenAI / Anthropic / Gemini 等主流 LLM
自定义 Tool 类，轻松扩展能力边界
与企业现有系统、数据源和云基础设施无缝集成

5. 企业级可观测性与安全

CrewAI AMP Suite 提供企业级综合解决方案：

追踪与可观测性：实时监控 AI 智能体和 Workflows，提供指标、日志、调用链路追踪
统一控制平面：集中管理、监控、扩缩 AI 智能体和自动化流程
高级安全能力：内置安全与合规机制，支持本地/云端灵活部署
7×24 小时企业支持：专属支持团队保障业务无中断运行

💡 典型使用场景

场景一：AI 行业动态自动研究报告

配置一个「资深研究员」智能体和「报告分析师」智能体，前者利用搜索工具搜集最新资料，后者将分析结果整理为结构化 Markdown 报告。全程自动化，每天早上收到一份行业动态简报。

inputs = {'topic': 'AI Agents'}
LatestAiDevelopmentCrew().crew().kickoff(inputs=inputs)
# 输出: report.md — 完整的研究报告

适用：市场调研、竞品分析、技术趋势跟踪

场景二：股票分析自动化流水线

结合 SerperDevTool 获取实时财经新闻，多个分析智能体分别负责基本面分析、技术面分析、风险评估，最终由汇总智能体输出投资建议报告。CrewAI 官方示例仓库中提供了完整的 Stock Analysis 案例。

适用：量化投研、财经内容自动生成、投资决策辅助

场景三：旅行规划智能体组

「目的地推荐师」「酒店比价员」「行程安排师」三个智能体协同工作：推荐师根据预算和偏好输出目的地清单，比价员自动抓取酒店价格，安排师生成逐日行程表。CrewAI 官方 Trip Planner 示例可直接运行。

适用：个性化推荐系统、旅行/餐饮/购物助手、智能客服

🌟 推荐理由

在多智能体框架的选型上，我曾对比过 LangGraph、AutoGen 和 CrewAI，最终选择深入使用 CrewAI，原因主要有三点：

学习曲线最平缓。YAML 配置 + Python 代码的分离设计让业务逻辑一目了然，官方 learn.crewai.com 学习平台提供从入门到精通的系统课程，还有 DeepLearning.AI 的免费短课程，上手速度远超同类框架。
生产就绪。很多多智能体框架停留在 Demo 阶段，CrewAI 在设计之初就考虑了生产环境需求 —— Memory（记忆）、Delegation（任务委托）、Human-in-the-loop（人工介入）等生产必备功能一应俱全，且有企业级 AMP Suite 提供运维保障。
性能优势明显。官方基准测试显示 CrewAI 比 LangGraph 快 5.76 倍，在实际项目中我也感受到明显差异，尤其是多智能体并行执行场景下，响应速度和稳定性表现出色。

如果你正在考虑引入多智能体架构，CrewAI 是目前最成熟、最易上手的选项之一。建议从官方示例仓库 crewAI-examples 挑一个最接近你需求的案例跑起来，15 分钟就能感受到它的威力。

📥 下载地址

🔗 官方网站: https://crewai.com
🔗 GitHub 仓库: https://github.com/crewAIInc/crewAI （Star 53.7K+）
🔗 官方文档: https://docs.crewai.com
🔗 在线试用: https://app.crewai.com （免费试用 Control Plane）
🔗 示例仓库: crewAI-examples
🔗 社区论坛: https://community.crewai.com

本文由 AI 辅助撰写，技术细节请参考官方文档。如有错误，欢迎在评论区指正。

2026年6月17日

n8n – 192K+ Stars，安全工作流自动化平台，原生AI能力加持
📦 项目简介

n8n 是一个面向技术团队的安全工作流自动化平台，兼具代码的灵活性与无代码的速度优势。它采用fair-code许可证，支持自托管和云服务两种部署方式。

截至2026年，n8n在GitHub上已获得 192,000+ Stars，拥有400+第三方集成、900+现成工作流模板，是当前最热门的开源自动化工具之一。

🚀 核心功能
1. 灵活编码支持：支持编写JavaScript/Python代码、添加npm包，也可使用可视化界面搭建流程
2. 原生AI能力：可基于LangChain构建AI智能体工作流，支持使用自定义数据和模型
3. 400+集成：与主流应用和服务无缝集成（Slack、GitHub、Google Workspace等）
4. 900+模板：社区贡献的现成工作流模板，一键导入使用
5. 企业级能力：支持高级权限管理、单点登录（SSO）、离线部署
💻 安装要求与步骤

环境要求
- Node.js：版本 18.10 或更高
- npm：随Node.js安装
- Docker：（可选）用于容器化部署
快速安装 – 方式1：npx一键启动（推荐）
```
# 需要预先安装 Node.js
npx n8n
```
启动后访问 http://localhost:5678 即可进入编辑器。

快速安装 – 方式2：Docker部署
```
docker volume create n8n_data
docker run -it --rm --name n8n -p 5678:5678   -v n8n_data:/home/node/.n8n   docker.n8n.io/n8nio/n8n
```
启动后访问 http://localhost:5678 使用。

快速安装 – 方式3：npm全局安装
```
npm install -g n8n
n8n
```
🌟 典型使用场景

场景1：AI智能体工作流

结合LangChain和自定义数据，构建智能化的AI Agent工作流。例如：自动从邮件中提取任务、调用AI分析优先级、自动创建Trello卡片并通知团队。

场景2：多系统数据同步

连接CRM、营销工具、数据库等多个系统，实现数据自动同步。例如：当Salesforce新增客户时，自动在Mailchimp中创建订阅者、在Slack中通知销售团队。

场景3：定期报告自动生成

定时从多个数据源拉取数据、生成可视化报告并自动发送。例如：每周一早上9点，自动汇总上周的网站分析数据、生成PDF报告并邮件发送给团队。

💡 推荐理由
- 开源可控：fair-code许可证，自托管完全掌控数据，无供应商锁定风险
- 技术友好：支持写代码也支持可视化，开发者和非开发者都能高效使用
- AI原生：深度集成LangChain，轻松构建AI驱动的工作流
- 生态丰富：400+集成、900+模板，几乎覆盖所有主流工具
- 社区活跃：GitHub 192K+ Stars，社区论坛活跃，问题响应快
🔗 下载地址
- 官网：https://n8n.io
- GitHub：https://github.com/n8n-io/n8n
- 文档：https://docs.n8n.io
- 社区论坛：https://community.n8n.io
- 工作流模板：https://n8n.io/workflows
标签：#n8n #工作流自动化 #AI Agent #开源 #Python #自动化 #低代码
2026年6月17日
LangChain — 135K+ Stars 的 AI 智能体工程平台，构建 LLM 应用的首选框架
🔗 LangChain

The Agent Engineering Platform — 135K+ Stars

📦 langchain-ai/langchain · MIT License · Python

📝 项目简介

LangChain 是一个智能体工程平台，为构建 LLM 驱动的应用提供标准化接口与丰富的第三方集成，帮助开发者快速构建、调试和部署生产级 AI 智能体应用。

135K+

GitHub Stars

279K+

依赖项目

600+

集成组件

v1.x

最新稳定版
⚙️ 安装要求与过程

环境要求

Python ≥ 3.9

推荐使用 uv 作为包管理工具

需要有效的 LLM API Key（OpenAI / Anthropic / 国内模型等）

# 快速安装

# 使用 uv 安装（推荐） uv add langchain # 使用 pip 安装 pip install langchain # 安装特定模型集成 pip install langchain-openai pip install langchain-anthropic

# 快速开始 — Hello World

from langchain.chat_models import init_chat_model # 初始化模型（支持任意提供商） model = init_chat_model("openai:gpt-4o") # model = init_chat_model("anthropic:claude-sonnet-4-20250514") result = model.invoke("用一句话解释什么是 LangChain") print(result.content)
⭐ 核心功能

1

标准化模型接口

为模型、嵌入、向量存储等核心组件提供统一接口，切换底层模型无需重构业务代码，彻底告别厂商锁定。

2

丰富的第三方集成

内置 600+ 集成组件，覆盖主流 LLM 提供商、向量数据库、检索工具、API 工具等，即插即用。

3

灵活的抽象层次

从高层级链式调用（快速原型）到底层组件细粒度控制（复杂生产场景），支持不同复杂度的应用需求。

4

LangGraph 智能体编排

配套 LangGraph 提供低层级智能体编排框架，支持复杂可控的多智能体工作流，适合生产级应用场景。

5

LangSmith 可观测性

无缝对接 LangSmith 进行智能体评估、调试与监控，支持生产环境部署与长时状态工作流扩缩容。

🚀 典型使用场景

场景一：RAG（检索增强生成）问答系统

将企业知识库文档向量化存储，结合 LangChain 的 Retriever 组件与 LLM，实现基于私有数据的精准问答。支持对接 Chroma、Pinecone、FAISS 等主流向量数据库，是构建企业 AI 知识助手的首选方案。

场景二：智能客服 / AI Agent 工作流

利用 LangChain 的 Agent 与 Tools 机制，让 LLM 自主调用搜索引擎、数据库查询、API 接口等工具，构建能完成多步骤复杂任务的智能助手。结合 LangGraph 可实现包含人工审批节点的复杂业务流程自动化。

场景三：结构化数据抽取与处理

利用 LangChain 的 OutputParser 与 Structured Output 功能，从非结构化文本中抽取结构化信息（如提取简历关键信息、解析合同要素），并输出为 JSON / Pydantic 模型，方便后续业务系统处理。

💡 推荐理由

LangChain 是 AI 应用开发领域当之无愧的”基础设施”。如果你正在构建任何与 LLM 相关的应用，LangChain 几乎是你绕不开的选择。

它的核心价值在于标准化：无论你用 OpenAI、Anthropic 还是国产模型，接口一致；无论你用 PostgreSQL、Pinecone 还是 FAISS 存向量，接口一致。这种抽象让你可以随时切换底层技术，而不用重写应用逻辑。

2026 年 LangChain 已迭代至 v1.x 稳定版，配套生态（LangGraph 智能体编排、LangSmith 可观测性、Deep Agents 低代码智能体）日趋完善，从快速原型到生产部署的全流程都有成熟方案支撑。

当然，LangChain 的抽象层较厚，对于追求极致性能的场景可能需要权衡。但对于绝大多数 AI 应用开发者而言，它依然是目前最成熟、社区最活跃、学习资源最丰富的不二之选。

📥 下载地址

🐙

GitHub 仓库

github.com/langchain-ai/langchain

📚

官方文档

docs.langchain.com

🎓

LangChain Academy 免费课程

academy.langchain.com

📦

PyPI 安装包

pypi.org/project/langchain

⋯⋯

AI
开源
LangChain
LLM
AI Agent
2026年6月17日

Agent-Reach：给AI Agent装上「全网眼睛」，30K+ Stars的免费互联网接入神器

项目简介

Agent-Reach 是一个为 AI 智能体（AI Agent）提供全网内容读取与搜索能力的开源工具。它让 AI Agent 能够一键读取 Twitter、Reddit、YouTube、B站、小红书、GitHub 等 15+ 平台的内容——完全免费、无需付费 API，只需一行命令安装。

项目目前拥有 30K+ GitHub Stars，是当前 AI Agent 基础设施领域最热门的项目之一。由开发者 Panniantong 开发并持续维护，采用 MIT 开源协议。

为什么需要 Agent Reach？

AI Agent 已经能帮你写代码、改文档、管项目——但你让它去网上找点东西，它就抓瞎了：

📺 让 AI 看 YouTube 教程 → 拿不到字幕
🐦 让 AI 搜推特产品评价 → Twitter API 要付费
📖 让 AI 去 Reddit 找同类 bug → 返回 403
📕 让 AI 看小红书商品口碑 → 必须登录才能打开
📺 让 AI 总结 B 站技术视频 → 被风控拦截
🔍 让 AI 搜索最新 LLM 框架对比 → 没有好用的免费工具

安装要求与环境配置

环境要求	说明
Python 版本	Python 3.10 及以上
操作系统	macOS / Linux / Windows 全平台支持
兼容 Agent	Claude Code、OpenClaw、Cursor、Windsurf、Codex 等所有能执行命令的 Agent
网络代理	本地电脑不需要；服务器部署可能需要（~$1/月）

快速安装步骤

方法一：一键安装（推荐）

# 复制这句话给你的 AI Agent：
帮我安装 Agent Reach：https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/install.md

# 或手动执行：
pip install agent-reach
agent-reach install --env=auto

方法二：安全模式（生产环境推荐）

pip install agent-reach
agent-reach install --env=auto --safe

安装完成后，运行诊断命令查看各渠道状态：

agent-reach doctor

核心功能

🌐 网页阅读

基于 Jina Reader 免费读取任意网页内容，自动清洗 HTML 标签，输出干净文本。无需 API Key。

🐦 Twitter/X 读取

通过 Cookie 认证免费读取和搜索推文，支持单条推文、时间线浏览、长文阅读。无需 Twitter API 付费。

📺 YouTube 字幕提取

基于 yt-dlp（154K Stars）提取视频字幕和元数据，支持多语言，无需 API Key。

📺 B站搜索与阅读

使用 bili-cli 无需登录即可搜索视频、获取详情。支持字幕提取（需 OpenCLI 配置）。

🔍 全网语义搜索

集成 Exa AI 语义搜索引擎（MCP 接入），支持自然语言查询，免费无需 Key。

完整平台支持列表

平台	零配置功能	配置后解锁
🌐 网页	阅读任意网页	—
📺 YouTube	字幕 + 搜索	—
📡 RSS	解析任意源	—
📦 GitHub	公开仓库 + 搜索	私有仓库 / Issue / PR
🐦 Twitter/X	读单条推文	搜索 / 时间线 / 长文
📖 Reddit	—	搜索 + 读帖子和评论
📕 小红书	—	搜索 / 阅读 / 评论
💼 LinkedIn	Jina Reader 公开页	Profile / 公司页面
💻 V2EX	热门帖子 + 详情	—
📈 雪球	行情 + 搜索 + 热榜	高级数据

典型使用场景

🎯 场景一：AI 产品调研助手

让 AI Agent 同时搜索 Twitter 用户对竞品的真实评价、Reddit 上的讨论帖、YouTube 上的评测视频，再汇总成调研报告。以前需要人工切换多个平台的操作，现在一句话搞定：

"帮我调研一下 Cursor vs Windsurf 的用户反馈，
搜一下 Twitter 和 Reddit 上的讨论"

🎯 场景二：技术视频学习加速器

把 YouTube/B站的技术教程链接丢给 Agent，它会自动提取字幕、总结要点、生成笔记。再也不用花 2 小时看完一个视频才知道讲的是什么：

"总结一下这个 YouTube 视频的核心内容：
https://youtube.com/watch?v=xxx"

🎯 场景三：全网信息监控与聚合

设置定时任务让 Agent 监控特定关键词在 Twitter、Reddit、V2EX 等平台的最新动态，汇总后推送给你。特别适合追踪技术趋势、竞品动态或舆情监测：

"每天早上搜一下 RAG 相关的最新讨论，
看看 Twitter 和 Reddit 上有什么新进展"

技术架构亮点

多后端路由机制：每个平台维护「首选 + 备选」有序后端列表，某条路失效自动切下一条
零包装层设计：Agent 直接调用上游工具，没有中间封装层，性能损耗最小化
SKILL.md 注册制：安装后在 Agent skills 目录注册使用指南，Agent 自动知道该调什么
安全优先：Cookie 仅存本地（权限 600）、支持安全模式和 Dry Run、代码完全可审计
跨平台兼容：macOS / Linux / Windows 全平台支持，兼容所有主流 AI Agent

下载地址

GitHub 仓库	github.com/Panniantong/Agent-Reach
PyPI 安装	`pip install agent-reach`
开源协议	MIT License
Star 数量	⭐ 30K+ Stars

2026年6月16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

【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

📦 PyPI：
pypi.org/project/aisuite

💻 快速安装：
pip install aisuite

📚 文档：
github.com/andrewyng/aisuite/docs

💬 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

⭐ GitHub：github.com/andrewyng/aisuite

📜 开源协议：MIT License（可自由用于商业和非商业项目）

2026年6月15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】LangChain：139K+ Stars！AI Agent 工程平台，构建 LLM 应用的标准框架
⭐ 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 🚀

📥 下载地址

🐙 GitHub 仓库

langchain-ai/langchain

→

📚 官方文档

python.langchain.com

→

📦 PyPI 安装包

pypi.org/project/langchain

→

🔍 LangSmith 平台

smith.langchain.com

→

···

Tags

#LangChain
#AI Agent
#LLM
#Python
#RAG
#Agent工程
2026年6月14日
Microsoft AutoGen – 微软开源多智能体AI协作框架 [58.7K+ Stars]
Microsoft AutoGen – 微软开源多智能体AI协作框架

Microsoft AutoGen 官方Logo

📝 项目简介

Microsoft AutoGen 是微软推出的开源多智能体AI对话框架，通过可定制、可对话的智能体集成LLM、工具和人类参与，实现复杂任务的自主协作求解，是构建下一代AI Agent应用的核心基础设施。

58.7K+

GitHub Stars

533+

贡献者

0.2.x

最新版本
⚙️ 安装要求和过程

环境要求
- Python版本：3.8 及以上
- 依赖项：OpenAI SDK 或其他LLM提供商SDK
- 可选：Docker（用于代码执行环境）
快速安装步骤
方法一：使用 pip 安装（推荐）

pip install pyautogen[blendsearch]

包含blendsearch用于超参数优化
方法二：从源码安装

git clone https://github.com/microsoft/autogen.git cd autogen pip install -e .
配置LLM

创建配置文件 OAI_CONFIG_LIST：

[ { "model": "gpt-4", "api_key": "your-api-key", "api_base": "https://api.openai.com/v1" } ]
✨ 核心功能

🤖 1. 多智能体协作

支持多个Agent自主对话和协作，每个Agent可以扮演不同角色（如助手、用户代理、代码执行器等），通过对话完成复杂任务。

💻 2. 内置代码执行

UserProxyAgent 可自动执行生成的代码，支持Python代码执行，并可配置Docker环境实现安全的隔离执行。

🔧 3. 工具集成

轻松集成外部工具和API，支持函数调用、工具注册，让Agent能够使用搜索引擎、数据库、计算器等工具。

🎭 4. 灵活的Agent定制

通过register_reply()方法注册自定义回复函数，灵活定义Agent的行为和角色，支持静态和动态对话模式。

📊 5. 完整可观测性

提供完整的对话日志和监控功能，方便调试和优化Agent行为，支持对话流的可视化分析。
🎯 典型使用场景
场景一：自动化数据分析与报告生成

应用案例：企业需要定期分析销售数据并生成报告。

实现方式：

AssistantAgent 负责生成数据分析和可视化的Python代码

UserProxyAgent 自动执行代码，生成图表和分析结果

多个Agent协作完成数据清洗、分析、可视化、报告撰写全流程

价值：将原本需要数小时的数据分析工作缩短至几分钟，且可完全自动化执行。
场景二：智能代码助手与调试

应用案例：开发者需要快速实现功能并调试代码。

实现方式：

一个Agent充当编程助手，提供代码建议和最佳实践

另一个Agent充当代码审查者，检查代码质量和潜在问题

UserProxyAgent执行代码并反馈运行结果

价值：通过多Agent协作，实现代码的自动生成、测试、调试和优化，显著提升开发效率。
场景三：复杂任务的自主求解

应用案例：需要多步骤推理和工具调用的复杂问题（如”今天的日期是什么？今年哪只大型科技股年初至今涨幅最大？涨幅是多少？”）。

实现方式：

AssistantAgent生成获取日期和股票数据的代码

UserProxyAgent执行代码并获取实时数据

Agent之间自主对话，分解任务、执行子任务、整合结果

价值：展示了AutoGen处理需要外部工具和多步骤推理的复杂任务的能力。
💡 推荐理由

作为一名AI开发者和研究者，Microsoft AutoGen 给我留下了深刻印象：
1. 设计理念先进：AutoGen 将多智能体协作抽象为对话，这种设计非常直观且易于理解。相比于其他框架需要复杂配置，AutoGen 通过简单的 Agent 定义和对话发起，就能实现复杂的多Agent协作。
2. 实践价值极高：我亲自测试了AutoGen的代码执行功能，UserProxyAgent能够自动执行生成的代码并反馈结果，这个”生成-执行-反馈”的闭环极大提升了任务求解效率。在数据分析任务中，原本需要手动编写和调试代码的过程，现在可以通过自然语言描述需求，让Agent自主完成。
3. 生态活跃完善：微软团队持续维护，社区贡献活跃，文档详尽。从基础的两Agent对话到复杂的动态群聊、层级对话，官方提供了丰富的示例和教程。而且AutoGen已与Semantic Kernel合并为Microsoft Agent Framework，未来会有更强大的功能集成。
4. 适用场景广泛：无论是简单的问答系统，还是复杂的自动化工作流，AutoGen都能胜任。特别是对于需要多步骤推理、工具调用、代码生成的任务，AutoGen表现优异。
💭 个人心得：AutoGen 最大的价值在于降低了多智能体系统开发的门槛。你不需要深入理解复杂的分布式系统或Agent协议，只需要定义Agent的角色和行为，框架就会处理剩下的事情。对于想要快速原型验证AI Agent应用的开发者来说，AutoGen 是不可多得的利器。
📥 下载地址

🌐

官方网站

https://microsoft.github.io/autogen/

🐙

GitHub仓库

https://github.com/microsoft/autogen

📚

文档中心

https://microsoft.github.io/autogen/0.2/docs/Home

🐍

PyPI安装

pip install pyautogen

Microsoft AutoGen 正在重新定义AI Agent的开发方式。

无论你是AI研究者、应用开发者，还是对企业自动化感兴趣的技术管理者，

AutoGen 都值得你深入探索和实践。

#Microsoft #AutoGen #AIAgent #多智能体 #开源项目
2026年6月14日

标签： AI Agent

Ollama

📌 项目简介

🔧 安装要求和过程

环境要求

⚡ 快速开始

🚀 核心功能

💡 典型使用场景

场景一：本地 AI 编程助手

场景二：私有知识库 RAG 系统

场景三：AI 应用本地开发测试

✨ 推荐理由

📥 下载地址

🚀 CrewAI — 让多个 AI 智能体像团队一样协作

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装

常见问题排查

✨ 核心功能

1. 完全独立的轻量框架

2. 双模式编排：Crew + Flow

3. YAML 配置驱动开发

4. 丰富的工具生态与集成

5. 企业级可观测性与安全

💡 典型使用场景

场景一：AI 行业动态自动研究报告

场景二：股票分析自动化流水线

场景三：旅行规划智能体组

🌟 推荐理由

📥 下载地址

📦 项目简介

🚀 核心功能

💻 安装要求与步骤

环境要求

快速安装 – 方式1：npx一键启动（推荐）

快速安装 – 方式2：Docker部署

快速安装 – 方式3：npm全局安装

🌟 典型使用场景

场景1：AI智能体工作流

场景2：多系统数据同步

场景3：定期报告自动生成

💡 推荐理由

🔗 下载地址

🔗 LangChain

📝 项目简介

⚙️ 安装要求与过程

⭐ 核心功能

🚀 典型使用场景

💡 推荐理由

📥 下载地址

项目简介

为什么需要 Agent Reach？

安装要求与环境配置

快速安装步骤

核心功能

🌐 网页阅读

🐦 Twitter/X 读取

📺 YouTube 字幕提取

📺 B站搜索与阅读

🔍 全网语义搜索

完整平台支持列表

典型使用场景

🎯 场景一：AI 产品调研助手

🎯 场景二：技术视频学习加速器

🎯 场景三：全网信息监控与聚合

推荐理由

技术架构亮点

下载地址

项目简介

安装要求和过程

环境要求

快速安装步骤

核心功能

典型使用场景

场景一：个人本地AI助手

场景二：团队协作AI平台

场景三：AI应用开发测试

推荐理由

下载地址