欢迎来到 智言平台

---

English · 更新日志

项目简介

agentchat 是一个前后端分离的智能体应用平台。你可以连接模型服务，为智能体绑定工具、Skill、MCP 和知识库，在会话中使用这些能力，也可以通过 Mars 发起搜索、研究和报告任务，查看执行过程与结果。

首次运行可以使用 SQLite、内存缓存、本地文件和 Chroma，无需额外部署 MySQL、Redis、MinIO 或 Milvus。需要外部数据库、缓存或对象存储时，再切换对应配置。

核心能力

能力	使用方式
灵活会话	在同一会话中切换智能体；根据首条问题异步生成 2–10 字话题标题
智能体	选择模型，配置提示词，组合工具、MCP、Skill 与知识库
Mars 任务	从探索页发起任务，查看工具执行过程与 Markdown 报告
工具与 MCP	使用内置工具、导入 OpenAPI，或连接 SSE / Streamable HTTP MCP 服务；支持对话式创建 MCP 与人工确认
Skill	启动时加载研究报告、数据分析、产品文档、代码审查、邮件写作、知识整理六类技能模板
知识库	上传资料、向量化并绑定到智能体，检索后重排；可按需启用全文检索
用户资源隔离	注册时获得独立的默认智能体、工具、Skill 和 MCP 副本，编辑不会影响其他用户
用量与日志	记录模型调用和会话 Token 用量，提供数据看板、请求追踪与工具耗时日志
流式协议	通过 AG-UI 适配层统一消息、工具执行和运行状态事件

模型服务和外部工具各自有配置要求。基础聊天可先配置一个对话模型；知识库需要可用的向量模型，部分工具还需要单独的 API Key。

本轮变化包括界面与品牌更新、会话改造、用户资源隔离、AG-UI、Token 统计、统一日志和 GitHub CI，完整记录见 更新日志。

目录

• 功能展示
• 快速开始
• 首次使用
• 高级配置
• 开发与测试
• 文档导航
• 许可证与支持

功能展示

探索任务演示

在探索页输入一个目标，查看任务执行过程与完整报告：

中国四大古都的影响力对比，给我做一份这四个城市的旅游攻略。

https://github.com/user-attachments/assets/640650f3-4134-452a-9d17-6f850dabe95f

从探索页发起任务，查看深度搜索、资料整理与报告生成的完整流程。演示视频经过剪辑，仅展示应用内容。

当前界面

数据看板

查看模型调用、Token 用量、七日趋势与最近活动。

模型服务

以六家厂商各一款模型展示名称、厂商图标及接口配置；show_model 与实际请求的模型标识分别管理。

智能体与能力管理

工具 管理内置工具与自定义能力。	Skill 将可复用的操作知识组织成技能。
MCP 连接外部工具与数据服务。	知识库 按主题管理知识空间。

查看登录页

快速开始

1. 准备环境

• Git、Python 3.12、Node.js 22（与 CI 保持一致）。
• uv：用于创建 Python 虚拟环境及安装锁定依赖。
• 一个可用的模型 API Key、接口地址和模型标识。以下使用 DeepSeek Flash 的 deepseek-flash 作为示例。

以下从 main 主分支获取代码。在开始之前，确认终端中 uv --version 和 node --version 可执行。

2. 获取代码并安装后端依赖

git clone --branch main https://github.com/Shy2593666979/AgentChat.git
cd AgentChat/src/backend
uv sync --locked --python 3.12

3. 创建自己的配置

Windows PowerShell：

Copy-Item agentchat/config.simple.yaml agentchat/config.local.simple.yaml

Linux / macOS：

cp agentchat/config.simple.yaml agentchat/config.local.simple.yaml

编辑 src/backend/agentchat/config.local.simple.yaml 中的对话模型：

multi_models:
  chat_model:
    api_key: "填写你的 DeepSeek API Key"
    base_url: "https://api.deepseek.com"
    model_name: "deepseek-flash"

这里展示的是需要编辑的片段，文件中的其他设置保留。config.local*.yaml 已被 Git 忽略。DeepSeek 示例用于对话；知识库的向量和重排模型需要另行配置，不能直接复用 DeepSeek Key，见 模型配置说明。

4. バックエンドを起動する

引き続き src/backend ディレクトリで実行し、ターミナルを起動したままにします。

Windows PowerShell：

$env:AGENTCHAT_CONFIG = "agentchat/config.local.simple.yaml"
uv run --locked uvicorn agentchat.main:app --host 127.0.0.1 --port 7860

Linux / macOS：

export AGENTCHAT_CONFIG=agentchat/config.local.simple.yaml
uv run --locked uvicorn agentchat.main:app --host 127.0.0.1 --port 7860

ヘルスチェックを開き、{"status":"OK"} が返されることを確認します。API ドキュメントは Swagger UI にあります。これはサービスが起動していることを示します。モデルを呼び出せるかどうかは、メッセージを送信して確認する必要があります。

5. フロントエンドを起動する

別のターミナルを開き、プロジェクトのルートディレクトリから実行します。

cd src/frontend
npm ci
npm run dev -- --host 127.0.0.1 --port 8090 --strictPort

http://127.0.0.1:8090 にアクセスします。フロントエンド開発サーバーは /api を通じて、ローカルマシンの 7860 ポートで動作するバックエンドにアクセスします。

バックエンドのアドレスが異なる場合は、src/frontend/.env.local で VITE_API_BASE_URL=http://后端地址:端口 を設定してから、フロントエンドを再起動します。バックエンドのポート、起動パラメーター、ローカルファイルのアクセスアドレスも一致させてください。詳しくは簡易設定ガイドを参照してください。

初回利用

1. 登録してログインする：新しいアカウントには、専用のデフォルトエージェント、ツール、Skill、MCP の複製が用意されます。ナレッジベースは必要に応じて作成します。
2. モデルを確認する：設定ファイルの chat_model はシステムのデフォルトモデルに使用されます。モデルサービスのページで追加したモデルは、エージェントから選択できます。表示名と実際の呼び出し識別子はそれぞれ入力し、実際の呼び出しではプロバイダーが指定する識別子を使用します。
3. 会話を開始する：エージェントを選択して質問を送信します。同じ会話内でエージェントを切り替えられます。トピックのタイトルはバックグラウンドで生成されますが、手動で変更することもできます。
4. 機能を追加する：エージェントの編集ページで、必要なツール、MCP、Skill、またはナレッジベースを紐付けます。MCP がリストに表示されていても、現在のエージェントに紐付け済みとは限りません。サードパーティサービスを呼び出す前に、そのアドレスと認証情報が有効であることを確認してください。
5. 資料とタスクを利用する：資料を検索する場合は、まずナレッジベースにアップロードし、処理が完了するまで待ちます。調査の検索が必要な場合は、探索ページから Mars タスクを開始できます。ナレッジベースはベクトルモデルとリランキングモデルに依存し、タスクは実際に選択したツールの設定に依存します。
6. 使用量を確認する：データダッシュボードには、呼び出し数と Token の統計が表示されます。統計はモデルから返される usage に基づくため、プロバイダーが使用量を返さない場合は不完全になることがあります。

高度な設定

簡易設定では完全な YAML 構造を使用し、省略されたパラメーターにはデフォルト値が適用されます。詳しくは簡易設定とバックエンドのドキュメントを参照してください。

要件	設定箇所
SQLite / MySQL を切り替える	database.url。同期・非同期ドライバーは自動的に派生します
Redis を使用する	redis.endpoint。ローカルの単一プロセスでは、空欄にするとインメモリーキャッシュを使用できます
MinIO / OSS を使用する	storage.mode および対応するストレージ設定
モデルを個別に設定する	multi_models 配下の chat_model、tool_call_model、reasoning_model、embedding、rerank など
ベクトルデータベースを変更する、または全文検索を有効にする	rag.vector_db、rag.enable_elasticsearch および対応する接続設定
デフォルトの MCP / Skill テンプレートを追加する	agentchat/config/mcp_server.json、agentchat/config/default_skills.json、config/skills/
ログを調整する	log_level。ログディレクトリは AGENTCHAT_LOG_DIR で指定できます

設定の読み込み優先順位は、コードで明示的に渡されたパス → AGENTCHAT_CONFIG → agentchat/config.local.yaml → agentchat/config.yaml です。config.local.simple.yaml は環境変数で指定する必要があります。変更後はバックエンドを再起動してください。

既存の Docker ファイル は MySQL、Redis、MinIO、フロントエンド開発サーバーを組み合わせており、上記の軽量なローカル環境とは異なります。コンテナーでデプロイする場合は、コンテナーのアドレス、設定、永続化ディレクトリを個別に確認してください。今回のドキュメント更新では、このコンテナー環境の動作検証は完了していません。

開発とテスト

バックエンドは src/backend で実行します。

uv sync --locked --group dev
uv run --locked pytest tests -q

フロントエンドは src/frontend で実行します。

npm ci
npm run lint
npm run build
node --test tests/mars-task.test.cjs

フロントエンドの依存関係をインストールすると、バックエンドのテストで Python AG-UI イベントとフロントエンドパーサーの連携も検証されます。外部サービスが必要な手動スクリプトは src/backend/tests/manual にあり、デフォルトでは収集されません。

GitHub CI は、main へのプッシュ、PR の提出、または手動実行時に、バックエンドテストとフロントエンドの型チェック、ビルドを実行します。一時データベースとテスト設定を使用するため、実際のモデルの認証情報は不要です。npm run build はフロントエンドの静的ファイルを生成しますが、アプリケーションを自動的にデプロイすることはありません。

ドキュメント案内

• バックエンドのアーキテクチャ、API、トラブルシューティング
• 簡易設定とローカルデータディレクトリ
• 柔軟な会話と非同期タイトル生成
• ユーザーリソースの分離
• デフォルトの Skill
• デフォルトの MCP · Parallel Search MCP
• AG-UI ストリーミングプロトコル
• 会話の Token 統計
• ログ形式とトレース
• テストについて
• 変更履歴

ライセンスとサポート

このプロジェクトは MIT License を採用しています。