这里列举一些开发 AI 聊天工具的开源项目:
1,LobeChat:
这是一个开源、高性能的聊天机器人框架,支持语音合成、多模态和可扩展的功能调用插件系统。它支持一键免费部署私人 chatgpt/llm 网页应用程序,还支持 OpenAI 最新的具备视觉识别能力的 gpt-4-vision 模型,可实现视觉识别的多模态智能。用户能上传或拖拽图片到对话框,助手识别图片内容后进行智能对话。它也支持文字转语音(TTS)和语音转文字(STT)技术,提供多种声音选择。项目地址:https://gitee.com/mirrors/lobechat
2,QChatGPT:
一个基于阿里云的通义千问模型开发的 AI 聊天机器人框架。它提供了易于集成、可自定义配置的聊天机器人解决方案,开发者只需几行代码即可调用接口实现与机器人的交互。该框架支持 Python 环境,可集成到 Web 应用、移动应用或其他 Python 项目中,还提供了自定义插件系统以扩展功能。项目地址:https://gitcode.com/rockchinq/qchatgpt
3,Gemini-Chatbot:
使用 Next.js 构建的开源 AI 聊天机器人应用程序模板。它利用了 Vercel AI SDK、Google Gemini 以及 Vercel KV 来提供功能丰富、可定制的聊天体验。这个聊天机器人可以支持多种不同的 AI 模型和语言处理引擎,如 Google Gemini(默认)、OpenAI、Anthropic、Cohere 和 HuggingFace,甚至可以自定义 AI 聊天模型和/或使用 LangChain。项目地址:https://github.com/vercel-labs/gemini-chatbot
4,itbaima-robot-starter:
基于 Python 的开源项目,使用了强大的开源自然语言处理(NLP)工具包 Rasa。通过该项目可创建能够理解和回应各种对话情境的智能助手,适用于客服自动化、教育辅导、家庭助手、娱乐互动等场景。它提供详细文档和示例,架构易于扩展,支持多语言。项目地址:https://gitcode.com/llmkira/openaibot
5,XBot:
基于 Python 的对话管理系统,构建于 Rasa 开源平台之上,提供了丰富的预训练模型,支持多轮对话、语义理解和意图识别,具备良好的可定制性。采用插件化设计,包含独立的插件方便按需选择和定制,还提供可视化工作台用于构建和管理对话流程图。适用于客服自动化、教育辅助、智能家居控制、娱乐互动等领域。项目地址:https://gitcode.com/cyang828/xbot
6,QRobot:
基于 Python 编写的开源项目,利用了多项先进的自然语言处理(NLP)技术和机器学习模型,如预训练的 Transformer 模型(如 BERT 或 ERNIE)进行语义理解和生成等。它具有高效的对话状态跟踪算法确保多轮对话的流畅性和连贯性,还提供灵活的插件系统、支持标准 RESTful API 设计、内置全面的日志和监控工具。可应用于客户服务、智能家居控制、教育辅导、娱乐互动、企业内部助手等场景。项目地址:https://gitcode.com/ginsmile/qrobot
这些开源项目可以为你开发类似的 AI 聊天工具提供参考和起点。在使用开源项目时,建议你仔细阅读相关的文档、了解其功能和架构,并根据自己的需求进行定制和扩展。同时,还需要注意遵循开源项目的许可协议。
开发 AI 聊天工具涉及到自然语言处理、机器学习、编程等多方面的知识和技能。如果你没有相关经验,可能需要投入一定的时间和精力去学习和实践。此外,确保你有足够的计算资源来训练和运行模型也是很重要的。在开发过程中,还需要考虑数据的合法性、安全性以及用户隐私保护等问题。
信息来源:豆包AI

1 年前
要想开发AI聊天机器人Web前段界面,可以参考一些开源的前端模板 Chat UI: Rocket.Chat等。

1 年前
IBM watsonx Assistant支持企业人力资源管理

1 年前
OpenAI API 可应用于几乎任何涉及理解或生成自然语言、代码或图像的任务,它提供了一系列具有不同功能和不同价格点的基础模型。

1 年前
如果想开发一个AI聊天工具,可以调用多种AI工具的API进行集成。本文推荐一些常见的AI聊天工具的API文档。

1 年前
扣子Coze 是一款应用程序编辑平台,无论用户是否拥有编程经验,都可在该平台上快速创建各类聊天机器人。

2 天前
OpenClaw 本质是“开发者基础设施”,而非面向大众的 SaaS 产品。

21 天前
用 OpenClaw 搭建一个本地 Agent 中枢(完整方案) 不是再做一个 ChatGPT,而是建立一个真正“可控、可组合、可扩展”的本地 AI Agent 中枢。 当越来越多团队开始意识到: 云端 LLM 成本不可控 数据隐私存在风险 单一 Agent 无法解决真实业务 “本地 Agent 中枢” 正在成为一个更现实的选择。 本文将完整讲清楚: 👉 如何用 OpenClaw 搭建一个真正可用的本地 Agent 中枢 👉 它适合谁,不适合谁 👉 与 LangGraph / CrewAI 的核心差异 什么是「本地 Agent 中枢」? 先明确一个概念,避免误解。 ❌ 不是: 一个本地 ChatGPT 一个简单的 Prompt 管理器 ✅ 而是: 一个能够统一管理多个 Agent、模型、工具和任务流程的本地系统 一个合格的本地 Agent 中枢,至少要解决 5 件事: 多 Agent 协作(不是单轮对话) 任务调度与状态管理 模型可替换(本地 / API) 工具调用(搜索、代码、文件等) 可长期运行、可追溯 OpenClaw 的定位,正是这个“中枢层”。 为什么选择 OpenClaw? 在进入部署前,必须先回答一个现实问题: 为什么不是 LangGraph / CrewAI / AutoGen? 简要结论(非常重要) 框架 更适合 LangGraph 开发者写 Agent 流程 CrewAI 小规模角色协作 AutoGen 对话驱动实验 OpenClaw 长期运行的 Agent 中枢 OpenClaw 的核心优势 1️⃣ 架构清晰,不是“脚本拼装” 有明确的 Agent 管理层 有任务执行与状态机制 不是写完一次就丢的 Demo 2️⃣ 原生支持多模型策略 本地模型 云 API fallback / 优先级策略 3️⃣ 更接近“生产环境思维” 可持续运行 可复用 Agent 可演进 如果你的目标是: “做一个长期使用的 AI 中枢,而不是一段实验代码” 那 OpenClaw 是目前更合理的选择之一。 整体架构:OpenClaw 本地 Agent 中枢怎么搭? 这是一个最小可用但可扩展的架构方案。 🧩 架构拆解 ┌─────────────────────────┐ │ 用户 / 系统 │ └──────────┬──────────────┘ │ ┌──────────▼──────────┐ │ OpenClaw 中枢层 │ │ - Agent Registry │ │ - Task Orchestrator│ │ - Memory / State │ └──────────┬──────────┘ │ ┌─────────▼─────────┐ │ Agent 集群 │ │ - Research Agent │ │ - Coding Agent │ │ - Planning Agent │ │ - Tool Agent │ └─────────┬─────────┘ │ ┌─────────▼─────────┐ │ 模型 & 工具层 │ │ - 本地 LLM │ │ - API LLM │ │ - Search / FS / DB │ └───────────────────┘ 部署准备(实战级) 1️⃣ 基础环境 推荐环境(已验证): Linux / WSL / macOS Docker + Docker Compose Python 3.10+ 2️⃣ 模型选择建议(非常现实) 场景 推荐 本地推理 Qwen / LLaMA 稳定输出 GPT / Claude API 混合方案 本地 + API fallback 👉 关键不是模型多,而是“可切换” 核心步骤:搭建 OpenClaw 本地 Agent 中枢 Step 1:部署 OpenClaw 核心 git clone https://github.com/xxx/openclaw cd openclaw docker compose up -d 启动后,你将拥有: Agent 管理入口 任务调度服务 统一配置中心 Step 2:定义你的第一个 Agent 一个 Agent ≠ 一个 Prompt 而是一个职责明确的“角色” 示例: agent: name: research_agent role: 信息调研 model: local_llm tools: - web_search - file_reader 建议起步 Agent: Research Agent(信息收集) Planner Agent(任务拆解) Executor Agent(执行) Step 3:建立 Agent 协作流程 例如一个典型任务: “调研某行业 → 输出分析 → 给出建议” 流程是: Planner 拆解任务 Research Agent 收集信息 Executor Agent 输出结果 中枢保存状态与结果 👉 这一步,才是“中枢”的价值所在 一个真实可用的示例场景 🎯 场景:AI 工具评估中枢 你可以搭一个 Agent 中枢来做: 自动收集 AI 工具信息 对比功能 / 定价 输出结构化报告 长期更新 这类系统: 人工成本极高 用 Agent 非常合适 总结:什么时候该用 OpenClaw? 当你意识到:AI 不再是“一次性回答”,而是“持续协作的系统” 那你就已经走在 OpenClaw 这条路上了。 OpenClaw 不是让你“更快用 AI”,而是让你“真正拥有 AI 能力”。

25 天前
Asking User Question Tool(AI智能体版) 这是AI智能体必备的交互式工具,让Agent在执行任务时主动向用户提问、澄清需求、收集信息,避免瞎猜、减少返工、提升准确率。 一、核心定位 本质:Agent的“人在回路”交互接口,让AI在模糊/信息不足时暂停执行,向用户要明确输入。 作用:把“模糊指令→AI瞎做→反复修改”变成“AI提问→用户明确→一次做对”。 常见名称: AskUserQuestion 、 AskUserQuestionTool 、 ask_user_question 。 二、核心工作流(极简) 1. Agent判断信息不足:发现需求模糊、缺少参数、需要决策 2. 调用工具生成结构化问题:单选/多选+自定义输入+说明 3. 用户作答:在聊天/弹窗/终端选择或输入 4. Agent接收答案:解析结构化结果,补全上下文 5. 继续执行任务:基于完整信息推进,不再猜 三、关键能力(标配) 结构化提问:标题+问题+2–4个选项+单选/多选+ Other 自定义输入 上下文澄清:自动追问,直到需求完全明确 结构化返回:输出JSON,方便前端渲染(按钮/表单/弹窗) 人在回路:强制用户确认,避免AI自主决策风险 多轮交互:可连续提问,形成“需求访谈”流程 四、主流实现(你会遇到的版本) Claude Code(Anthropic) 原生内置,最成熟 支持多轮、单选/多选、自定义输入 常用于代码生成、需求梳理 Qwen-Agent(通义千问) 开源工具: qwen_agent/tools/ask_user_question.py 支持参数: question / options / explanations / multiSelect / allowFreeform Spring AI AskUserQuestionTool ,Java生态 模型无关,可对接GPT/Claude/Gemini OpenClaw / EasyClaw 集成到本地智能体,用于任务执行前确认 本地运行,隐私优先 五、典型使用场景(高频) 需求澄清:“做一个登录页”→AI问:技术栈?风格?是否第三方登录? 偏好收集:“写报告”→AI问:正式/ casual?长度?受众? 决策点确认:“部署服务”→AI问:云厂商?实例规格?环境? 复杂任务拆解:多轮提问,把模糊需求变成可执行步骤 六、与普通聊天的区别 普通聊天:用户主动说,AI被动答;信息靠用户自己补全 AskUserQuestion:AI主动问、结构化问、按任务节点问;用户只需点选/填空,效率高、歧义少 七、为什么要用(价值) 减少返工:一次做对,节省时间与Token 提升准确率:AI不瞎猜,结果更贴合需求 降低门槛:用户不用写长Prompt,点选即可 安全可控:关键决策必须用户确认,避免误操作 八、一句话总结 Asking User Question Tool = AI智能体的“需求访谈官”,让Agent从“猜着做”变成“问清楚再做”,是构建可靠、实用AI助手的核心工具。
Minimax(海螺AI)已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI