DEEIX-Chat
DEEIX-AI/DEEIX-Chat加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
2026 年，AI 模型市场已高度碎片化——OpenAI GPT 系列、Anthropic Claude、Google Gemini、xAI Grok、OpenRouter 聚合层……每家企业平均要接入 4-8 个模型供应商。随之而来的问题是：每个工具都有独立的入口、独立的 API Key、独立的计费体系、独立的使用日志。
一个真实的场景：某团队的 AI 工作流是这样的——写代码用 Claude，发邮件用 GPT-4o，做 PPT 用 Gemini，数据分析用 DeepSeek。工程师每天在 5 个平台间切换，维护 5 套 API Key，查 5 份账单。人成了工具的"调度员"，而不是工具的主人。
DEEIX Chat 正是为解决这个痛点而生。它的核心使命是：用一个入口统一管理所有 AI 模型，用一套系统处理计费、审计、权限和上下文。
图1：DEEIX Chat 工作区界面 — 多模型路由、多标签页对话、上下文管理融为一体
DEEIX Chat 由独立开发者 shenangsheng 于 2025 年创建（根据 GitHub 记录判断），项目采用 Apache-2.0 开源许可证，支持企业级自托管部署。项目明确面向三类用户：个人用户（本地 SQLite 轻量版）、团队用户（标准 PostgreSQL+Redis 版）和企业用户（全功能版含 SSO/S3）。
2026 年 5 月正式发布 v0.2.x 版本，6 月中旬活跃维护中。从提交记录看，项目迭代速度相当快，核心围绕模型路由、工具生态和 MCP 协议集成持续扩展。
这是 DEEIX 最核心的能力。它不是简单的"随机选择模型"，而是一套完整的**平台模型层（Platform-Model Layer）**体系：
这正是 CNBC 2026 年 6 月报道中提到的"model routing"趋势——企业从"所有请求都走最强模型"转向"每个任务匹配最合适的模型"。DEEIX Chat 将这一理念产品化落地。
图2：DEEIX Chat 多模态对话界面 — 支持图片生成、富文本渲染、对话分支
基于 Next.js 16 + React 19 构建的现代化对话界面，支持：
传统 AI 对话中，文件是割裂的——要么粘贴内容（超过 token 限制），要么用外部工具处理后再复制。DEEIX Chat 提供了原生文件支持：
docker 目录下预置了 Docling、RapidOCR、Tesseract 等多个文档提取服务的配置，体现了项目对文档处理能力的重视。
MCP（Model Context Protocol）是 2025 年兴起的 AI 工具互操作标准。DEEIX Chat 完整实现了 MCP 客户端能力：
企业 AI 最大的隐性成本是失控的 API 消耗。DEEIX 内置完整的计费体系：
图3：DEEIX Chat 用量与计费面板 — 实时监控各模型消耗
图4：DEEIX Chat 管理后台 — 深色模式下的模型配置界面
集中管理：用户、角色、上游、模型、路由、价格、订阅、余额、调用日志、审计日志、认证事件和系统事件。
图5：DEEIX Chat Artifacts — 实时渲染 HTML、React、Mermaid 等富内容
支持 Artifacts 输出，包括：HTML 渲染、React 组件实时预览、Mermaid 图表、Mermaid 代码等。
项目实现了对多种协议的适配层，包括：
这意味着开发者可以用 OpenAI 的调用方式，路由到任何后端模型。
后端采用 Go 编写，选择 Go 而非 Python 有明确的性能考量。核心依赖：
backend/internal 目录结构体现了清晰的领域驱动设计：
app/ — 应用层编排application/ — 用例层domain/ — 领域实体infra/ — 基础设施（数据库、缓存、S3）pkg/ — 共享包repository/ — 数据访问层transport/ — HTTP 传输层cli/ — 命令行工具前端基于 Next.js 16 构建（使用 Turbopack 构建加速），React 19，pnpm 包管理。技术亮点：
Next.js 前端构建为静态资源后由 Go 服务直接托管，实现了单进程部署——前端静态资源和 API 服务在同一个进程中运行，无需 Nginx 反向代理。
DEEIX 提供了三种 docker-compose 配置：
| 模式 | 配置文件 | 数据库 | 缓存 | 存储 | 适用场景 |
|---|---|---|---|---|---|
| 极简版 | config.sqlite.example.yaml + docker-compose.sqlite.yml | SQLite + sqlite-vec | 内存 | 本地 | 个人/本地评测 |
| 标准版 | config.example.yaml + docker-compose.yml | 外部 PostgreSQL | 外部 Redis | 外部 S3 | 团队/单节点生产 |
| 全功能版 | config.full.example.yaml + docker-compose.full.yml | pgvector | Redis | S3 | 企业/多服务生产 |
极简版一键启动示例：
cp config.sqlite.example.yaml config.yaml
docker compose -f docker-compose.sqlite.yml up -d
# 访问 http://localhost:8080
全功能版包含 pgvector（PostgreSQL 向量扩展）和 Redis 健康检查，确保依赖服务就绪后再启动应用。
Go 生态的 AI 库劣势：当前主流 AI Agent 框架（LangChain、LlamaIndex）均为 Python 生态，Go 侧缺乏对等生态。项目主要做 API 聚合和路由，不做复杂的 Agent 编排。
MCP 协议尚在成熟期：MCP 1.0 规范仍在快速迭代，工具生态的丰富度和稳定性有待验证。
企业特性缺失：对比商业产品（如 Cloudflare AI Gateway、AWS Bedrock），DEEIX 在 SOC2 合规、VIP 专属节点、弹性扩缩容等方面仍有差距。
文档质量可提升：README 详尽但中文文档部分内容有待丰富，快速开始指南对小团队有一定门槛。
sqlite-vec 的向量能力上限：轻量版用 SQLite 向量搜索，生产规模（>10万向量）下 pgvector 更可靠。
2026 年，"AI Gateway"赛道正在快速崛起。CNBC、Forbes、Gartner 等多家机构均将"model routing"列为企业 AI 成本优化的核心手段。DEEIX Chat 的出现填补了开源、自托管、企业级 AI Gateway 的空白。
其竞争优势在于：
2026 年 Q2 的数据显示，越来越多的团队从"追逐最强模型"转向"精细化 AI 资源管理"，DEEIX Chat 正是这一趋势的代表性开源项目之一。
Docker 一键启动（极简版）：
git clone https://github.com/DEEIX-AI/DEEIX-Chat.git
cd DEEIX-Chat
cp config.sqlite.example.yaml config.yaml
# 编辑 config.yaml，修改 jwt_secret 和 data_encryption_key
docker compose -f docker-compose.sqlite.yml up -d
访问 http://localhost:8080，按引导完成管理员账号创建，即可开始配置第一个模型提供商。
本报告由 PIFS AI 项目情报系统自动生成 | 分析时间：2026-06-22