DeepChat：开源AI智能体平台，统一管理多模型与工具调用

1. 项目概述：一个桌面端的全能AI智能体平台

如果你和我一样，每天需要在DeepSeek、Claude、GPT-4o、Gemini以及本地部署的Ollama模型之间来回切换，同时还要处理代码执行、网页搜索、文件操作等工具调用，那么你一定会对DeepChat这个项目产生兴趣。它不是一个简单的聊天客户端，而是一个将模型、工具和智能体运行时统一起来的开源AI智能体平台。简单来说，它试图解决一个核心痛点：我们手头的AI能力越来越分散，需要一个统一的“操作台”来管理和调度它们。

DeepChat基于Electron构建，提供了跨Windows、macOS和Linux的桌面应用体验。它的野心不小，不仅想成为你的多模型聊天中心，还想通过集成MCP（Model Context Protocol）和ACP（Agent Client Protocol）两大协议，让你能在同一个界面里，无缝地让AI调用工具、甚至运行一个完整的、具备规划能力的智能体工作流。我最初是被它的“统一管理”理念吸引的，试用后发现，其设计思路确实切中了当前AI应用“碎片化”的症结。无论是开发者想快速集成和测试不同模型API，还是普通用户希望有一个简洁强大的AI助手桌面端，DeepChat都提供了一个值得深入把玩的解决方案。

2. 核心架构与设计哲学拆解

2.1 为什么是“平台”而非“客户端”？

市面上基于Electron的AI聊天应用不少，但DeepChat的定位明显更高一层。普通客户端的核心是“对话”，而平台的核心是“连接”与“调度”。DeepChat的设计哲学体现在三个关键集成上：

1. 模型连接层：它抽象了一套统一的模型调用接口。无论是OpenAI、Anthropic的官方API，还是DeepSeek、Kimi等国内服务，甚至是本地Ollama、LM Studio，只要它们遵循或兼容OpenAI/Gemini/Anthropic的API格式，就能被接入。这相当于为所有主流大语言模型提供了一个通用的“驱动程序”。
2. 工具协议层：通过内置对MCP的完整支持，DeepChat将“能力”从具体的模型中解耦出来。代码执行、网页抓取、文件读写这些功能，不再依赖某个特定模型（如GPT-4）的插件体系，而是成为平台级服务，任何接入的模型在需要时都可以申请调用。这极大地扩展了单一模型的能力边界。
3. 智能体运行时层：ACP的集成是更激进的一步。它允许外部的、具备自主规划能力的智能体（比如一个能自动拆解任务、调用工具完成编程的Agent）以“一等公民”的身份入驻DeepChat。你可以像选择一个聊天模型一样，在界面中选择一个“智能体模型”，然后获得一个专门的工作区来观察它的思考过程、计划步骤和工具调用。

这种三层架构使得DeepChat从一个被动的聊天窗口，转变为一个主动的AI能力调度中心。用户面对的不再是几十个独立的APP或网页标签，而是一个可以随意组合“大脑”（模型）、“手脚”（工具）和“管家”（智能体）的集成环境。

2.2 技术栈选型背后的考量

项目选用Vue 3+Electron+Electron-Vite这套组合，是经过深思熟虑的。

• 前端框架Vue 3：对于需要复杂交互状态管理的桌面应用，Vue 3的响应式系统和Composition API非常适合。聊天会话、模型切换、工具调用状态、设置项这些都需要精细的状态管理。Vue相对平缓的学习曲线和丰富的生态，也利于社区贡献者参与UI相关的开发。
• 跨平台框架Electron：这是桌面应用的必然选择。DeepChat需要访问本地文件系统（用于MCP的文件工具、配置存储）、调用本地命令行（运行Ollama、Node.js服务），这些是Web应用无法直接实现的。Electron提供了所需的所有本地能力。
• 构建工具Electron-Vite：传统的Electron开发在渲染进程和主进程的代码组织、热重载方面体验不佳。Electron-Vite基于Vite，带来了极快的冷启动和热更新速度，将现代Web开发的流畅体验带入了Electron项目，显著提升了开发效率。

一个重要的实操细节：在Windows上开发时，项目文档中特别提醒需要开启“开发者模式”或使用管理员账户。这是因为pnpm在安装依赖时会创建符号链接（symlinks），而Windows默认策略对此有限制。如果你在pnpm install时遇到权限错误，别忘了去系统设置里打开这个开关，这是很多Electron项目在Windows下的常见前置步骤。

3. 核心功能深度体验与配置指南

3.1 多模型管理的实战配置

DeepChat支持数十种模型服务商，配置逻辑却非常清晰。所有配置都在“设置 -> 模型提供商”中完成。我以配置一个云端API（如DeepSeek）和一个本地模型（Ollama）为例，说明其中的关键点。

配置DeepSeek：

1. 在模型提供商列表中找到“DeepSeek”，点击启用。
2. 在弹出的配置中，填入你在DeepSeek开放平台申请的API Key。
3. 高级设置：这里有一个容易被忽略但很重要的选项——“基础URL”。绝大多数情况下使用默认值即可，但如果你通过某些网关服务中转请求，或者企业有自建的兼容API服务，就需要修改这个地址。这体现了DeepChat的灵活性。
4. 模型选择：配置完成后，在新建聊天窗口的模型选择器中，就能看到“DeepSeek”分类下的具体模型（如DeepSeek-V3、DeepSeek-R1等）。

配置本地Ollama：

1. 确保你的电脑上已经安装并运行了Ollama（在终端运行ollama serve）。
2. 在DeepChat中启用“Ollama”提供商。它通常能自动检测到本地的Ollama服务（默认地址http://localhost:11434）。
3. 关键在于模型管理：DeepChat提供了一个图形化的Ollama模型管理界面。你可以在里面直接看到本地已拉取的模型，点击“下载”可以拉取新模型（如llama3.2:1b），而无需在命令行操作。这对于不熟悉命令行的用户非常友好。
4. 拉取完成后，该模型就会出现在模型选择器中。你可以像使用云端API一样，与本地模型对话，响应速度取决于你的硬件，但数据完全本地化，隐私性极佳。

我的踩坑心得：初期同时配置多个模型时，如果某个模型的API请求频繁超时或失败，可能会短暂阻塞整个应用。建议在设置中为每个模型提供商合理设置“请求超时时间”（例如从默认的60秒调整为30秒），并为重要的模型设置“自动重试”次数。这样能保证当一个服务不稳定时，不影响你切换使用其他模型。

3.2 MCP工具调用的精髓与内置服务

MCP是DeepChat的“魔法”来源。它让模型拥有了操作现实世界的能力。DeepChat对MCP的支持非常全面，包括Resources（资源）、Prompts（提示词）和Tools（工具）三大核心。

配置一个MCP服务：以使用内置的“代码执行”工具为例。

1. 进入“设置 -> MCP服务”。
2. 你会发现DeepChat已经内置了几个开箱即用的服务，如“Code Execution (Node.js)”、“Filesystem”、“Web Search”等。直接启用“Code Execution (Node.js)”。
3. 启用后，在任何聊天会话中，当你向模型提问涉及计算、数据处理或需要运行脚本的问题时，模型（如果支持工具调用）就可以自主选择调用这个工具。

实际效果演示：你可以问：“请用Node.js写一段代码，计算斐波那契数列的前20项。” 支持工具调用的模型（如GPT-4o、Claude 3.5 Sonnet）在回复时，会生成一个代码块，并附带一个“运行”按钮。点击运行，代码会在一个安全的沙箱环境中执行，并将结果直接返回在对话中。整个过程无需你手动复制代码到终端。

内置服务的优势：

• 零配置：内置的Node.js运行时、文件系统访问等服务，无需你额外安装任何东西。
• 安全可控：代码执行在严格受限的沙箱内，文件访问也有明确的路径权限控制。
• 可视化交互：工具调用的参数、返回结果都会在界面中以清晰的格式展示，甚至有一个“调试窗口”可以查看原始的调用和返回数据，对于开发者调试提示词（Prompt）非常有用。

3.3 ACP智能体：从聊天到“自动驾驶”

ACP将DeepChat从“工具调用”提升到了“任务委托”的层面。启用ACP后，你可以运行像“Hermes Agent”这样的智能体。

配置与使用步骤：

1. 在“设置 -> ACP智能体”中，启用ACP功能。
2. 你可以启用一个内置的智能体，或者添加一个自定义的ACP兼容命令（通常是一个本地可执行文件或脚本）。
3. 配置完成后，在新建聊天时选择模型，下拉列表中会出现一个“ACP智能体”的分类，里面就是你添加的智能体。
4. 选择它，界面会切换到一个专门的工作区。这里不再是一个简单的对话输入框，而是一个结构化的视图，可能会展示智能体拆解的任务计划（Plan）、每一步调用的工具（Tool Calls）、以及终端式的实时输出流。

与普通聊天的本质区别：普通聊天是你指挥，模型执行一步。而ACP智能体会话是你下达一个复杂目标（如“为我的博客创建一个关于Vue 3响应式系统的Markdown大纲，并附上代码示例”），智能体自己会制定计划、分步执行、调用工具（如搜索资料、写代码、读写文件），并最终给你一个完整的结果。你在这个过程中更像一个监督者，观察其工作流。

4. 高级特性与性能调优

4.1 搜索增强的两种模式

DeepChat的搜索功能设计得很巧妙，分为两种模式，适应不同场景：

1. MCP模式（智能搜索）：集成如BoSearch、Brave Search等API。在这种模式下，模型自己决定何时需要搜索。你问“今天科技圈有什么大新闻？”，模型会先判断自己知识截止日期，然后自动调用搜索工具获取最新信息，再整合进回答里。这需要模型本身具备较强的工具调用决策能力。
2. 模拟浏览模式（广谱搜索）：支持Google、Bing、百度等主流搜索引擎。其原理是模拟人类浏览网页的行为。当你主动点击“搜索”按钮或使用特定指令时，DeepChat会去抓取搜索引擎的结果页，将页面内容提炼后提供给模型作为上下文。这种模式的优点是不依赖特定搜索API，任何能通过浏览器访问的搜索引擎（甚至公司内网搜索）都能接入，通用性极强。

配置技巧：对于日常使用，建议开启一个MCP搜索服务（如Brave Search）作为智能搜索源。同时，将模拟浏览模式的搜索引擎设置为百度或Google作为备用。在模型无法自行触发搜索，或你需要更精准控制搜索关键词时，使用手动模拟浏览。

4.2 多会话与工作流管理

DeepChat采用了“多窗口+多标签”的架构，这比单窗口多标签的体验要好得多。

• 并行对话：你可以为不同的项目或主题打开独立的窗口。例如，一个窗口用Claude讨论产品文案，另一个窗口用本地Llama模型调试代码，互不干扰。
• 会话分支：在同一个对话中，你可以对模型的某条回复进行“分支”。比如，你对模型生成的A方案不满意，可以回到之前的消息点，让它尝试B方案。两条分支并行存在，方便你对比不同思路的结果，而无需复制粘贴或重新描述需求。
• Artifacts渲染：当模型生成代码、数据表格等结构化内容时，除了Markdown渲染，DeepChat会尝试用更丰富的“制品”形式展示。例如，一个JSON数据可能会被渲染成一个可折叠、高亮的树状结构；一个简单的图表数据可能会被渲染成预览图。这大大提升了信息获取效率。

4.3 隐私、安全与企业化考量

作为一款处理可能敏感信息的桌面应用，DeepChat在安全上做了不少设计：

• 本地存储：所有对话历史、配置都加密存储在本地用户目录下，不会上传到第三方服务器。
• 网络代理支持：可以在设置中配置HTTP代理，方便在企业内网或特定网络环境下使用。
• 代码混淆与加密接口预留：项目架构中为配置数据和聊天数据预留了加密接口。对于有强安全需求的企业用户，可以基于开源代码，以较低的成本（修改少量配置代码）集成自己的加密模块，并对核心业务逻辑进行混淆，满足内部审计要求。
• 清晰的架构：项目代码中，模型提供商、MCP服务、UI组件之间耦合度较低。这意味着企业如果想集成自己的私有模型API或内部工具服务，替换和定制的工作量相对可控。

5. 开发构建与深度定制指南

5.1 从零开始运行开发环境

如果你想贡献代码或进行二次开发，以下是更顺畅的启动流程：

# 1. 克隆项目 git clone https://github.com/ThinkInAIXYZ/deepchat.git cd deepchat # 2. 安装依赖（强烈建议使用pnpm，以利用其symlink特性） pnpm install # 3. 安装运行时依赖（关键步骤！） pnpm run installRuntime # 如果遇到 Python distutils 错误，按提示安装 setuptools # pip install setuptools # 4. 启动开发模式 pnpm run dev

执行pnpm run dev后，通常会启动两个窗口：一个是Electron主窗口，另一个是Vite的开发服务器和构建状态窗口。热重载功能对渲染进程（Vue部分）的修改生效很快。

5.2 添加一个自定义模型提供商

这是最常见的定制需求之一。假设你想添加一个兼容OpenAI API格式但不在默认列表中的新服务商（例如Your-LLM-API）。

1. 定位代码：模型提供商的逻辑主要在src/main/model-providers目录下。每个提供商通常是一个独立的模块。
2. 创建新提供商文件：参考已有的提供商（如openai-provider.ts），创建一个新文件yourllm-provider.ts。
3. 实现核心接口：最关键的是实现一个createClient函数，用于创建符合Vercel AI SDK规范的调用客户端。大部分兼容OpenAI的API，只需要修改baseURL和apiKey的传递方式。

   // 伪代码示例 import { createOpenAI } from '@ai-sdk/openai'; export function createYourLLMClient(config: YourLLMConfig) { return createOpenAI({ baseURL: config.customEndpoint || 'https://api.your-llm.com/v1', // 你的API地址 apiKey: config.apiKey, // 可能还需要自定义headers }); }

4. 注册提供商：在提供商注册中心（如一个index.ts文件）中导入并注册你的新提供商，赋予它一个唯一的ID和名称。
5. 添加UI配置：在渲染进程的UI配置中，为这个新提供商添加一个配置面板组件，用于在设置中接收用户的API Key等信息。
6. 测试：在开发模式下，检查设置中是否出现新的提供商选项，配置后能否正常发起聊天请求。

整个过程的关键在于理解，DeepChat通过AI SDK这一层抽象了模型调用，因此添加新提供商的核心是“如何用这个服务商的API，构造出一个符合AI SDK预期的客户端”。

5.3 构建与分发

项目提供了完善的构建脚本，支持多平台多架构。

# 构建当前系统平台的安装包 pnpm run build # 构建指定平台和架构（示例） pnpm run build:win:x64 # Windows 64位 pnpm run build:mac:arm64 # macOS Apple Silicon pnpm run build:linux:x64 # Linux 64位

构建产物位于dist目录下，包括可安装的包（如.exe,.dmg,.AppImage）和绿色免安装版。

打包注意事项：对于macOS，如果要发布到App Store或进行公证（Notarize），需要配置开发者证书，并参考项目Wiki中的 Mac Release Guide 。Windows和Linux的打包通常由GitHub Actions自动化完成，流程在项目仓库的.github/workflows下可以找到。

6. 常见问题与故障排查实录

在实际使用和开发过程中，我遇到并总结了一些典型问题及其解决方法。

6.1 模型连接与响应问题

6.2 MCP/ACP功能异常

6.3 开发与构建问题

最后一点个人体会：DeepChat最吸引我的地方在于它的“开放性”和“集成度”。它没有试图锁死用户，而是通过MCP和ACP这两个协议，搭建了一个可无限扩展的舞台。你可以把它当作一个干净、强大的多模型聊天客户端，也可以把它作为探索AI智能体工作流的实验场。它的代码结构清晰，对于有一定前端和Electron经验的开发者来说，定制和贡献的门槛并不高。如果你厌倦了在无数个网页和API密钥之间切换，不妨试试DeepChat，它或许能成为你桌面上的那个AI指挥中心。