deepchat
统一接入多模型、MCP 工具调用和 Skills 扩展的本地 AI Agent 桌面客户端
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
统一接入多模型、MCP 工具调用和 Skills 扩展的本地 AI Agent 桌面客户端
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。
想象一下，你同时需要和多个 AI 聊天——ChatGPT 写文案、Claude 做分析、DeepSeek 查资料——每个都要开一个浏览器标签页，来回切换、手忙脚乱。DeepChat 正是为解决这个痛点而生的：它是一个桌面客户端，把所有主流 AI 模型统一到一个界面中，你可以在同一个窗口里切换模型、调用工具、管理对话，就像拥有一个私人 AI 控制中心。
图1：DeepChat 主界面，支持多模型切换、MCP 工具调用和 Skills 管理
DeepChat 由 GitHub 用户 ThinkInAIXYZ 创建和维护，仓库地址为 ThinkInAIXYZ/deepchat，目前已获得超过 5851 颗 GitHub Stars，是同类型开源 AI 客户端中增长最快的项目之一。项目采用 Apache-2.0 开源许可，拥有完整的中文（简体/繁体）、英文、日语、韩语等 18 种语言本地化支持，面向全球开发者分发。
从技术定位来看，DeepChat 不是一个简单的前端界面，而是一个多模型 Agent 集成平台。它的目标是在本地桌面环境中，复现并超越各大 AI 平台的工具调用能力，让用户无需订阅多个服务、也无需配置复杂环境，即可在本地统一管理自己的 AI 工作流。
DeepChat 的核心能力可以归纳为"五个统一"：
DeepChat 支持同时连接 OpenAI 全系列模型、Anthropic Claude 系列、Google Gemini 系列、DeepSeek 系列，以及任何兼容 OpenAI/Gemini/Anthropic API 格式的第三方模型提供商。这意味着无论你使用的是哪个 AI 服务商的 API Key，只需在设置中配置一次，就可以在 DeepChat 中自由切换，无需在多个应用之间折腾。
MCP（Model Context Protocol）是 AI 领域新兴的工具调用协议，DeepChat 内置了 MCP Client，可以连接本地或远程的 MCP 服务器，从而调用各种 AI 工具——比如文件搜索、代码执行、数据库查询等。这让 DeepChat 不仅仅是一个聊天界面，而是一个真正具有Agent 行动能力的工作平台。
DeepChat 支持 Skills 机制，允许用户安装和配置各种 AI 技能包。Skills 本质上是预定义的 Agent 行为模板，可以帮助 AI 在特定场景下表现得更专业。例如，一个"代码审查 Skill"可以让 AI 自动分析代码问题；一个"写作润色 Skill"可以让 AI 按特定风格优化文本。
ACP（Agent Client Protocol）是项目自定义的 Agent 通信协议，DeepChat 支持通过 ACP 与其他 Agent 系统集成，实现 Agent 间的互联互通。这与 MCP 形成互补——MCP 更侧重工具调用，ACP 更侧重 Agent 层面的协作与控制。
DeepChat 还支持远程控制功能，允许用户通过网络远程操控 DeepChat 实例，结合 Skills 机制可以实现远程 Agent 控制场景，例如在服务器上部署 DeepChat 并通过远程指令驱动 AI 执行任务。
从代码结构来看，DeepChat 是一个典型的Electron 桌面应用，前端使用 Vue 3 + TypeScript 构建，后端（主进程）使用 Node.js，主进程与渲染进程之间通过 Preload 脚本实现安全的 IPC 通信。
contextIsolation，防止 XSS 攻击。项目使用了现代化的前端工程化工具链：
| 工具 | 用途 |
|---|---|
| electron-vite | Electron + Vite 集成开发与构建 |
| Vue 3 + Composition API | 前端 UI 框架 |
| TypeScript | 类型安全开发 |
| Pinia | Vue 3 状态管理 |
| Tailwind CSS + shadcn/ui | UI 组件库与样式 |
| Vitest | 单元测试框架 |
| Playwright | 端到端测试 |
| pnpm | 高效包管理器 |
| Oxfmt + Oxlint | 代码格式化与 lint |
| electron-builder | 跨平台打包（Win/Mac/Linux） |
值得注意的是，项目包含一个 runtime/ 目录，这是构建时从网络下载的运行时二进制文件（AI 模型推理引擎等）。打包时 runtime/ 会作为非打包资源（app.asar.unpacked）解压到用户目录，这是实现本地离线运行的关键。
DeepChat 提供了多种使用方式：
项目在 GitHub Releases 页面提供预编译的安装包，覆盖 Windows、macOS、Linux 三大平台。用户只需下载对应平台的安装包，双击运行即可，无需配置任何环境。这是最简单的方式，适合不想折腾技术的用户。
从源码构建需要满足以下条件：
pnpm install → pnpm run installRuntime（首次需下载运行时）→ pnpm run build → pnpm run build:linux（或其他平台）项目还提供了 Dockerfile.build.linux，可以在 Linux 容器中完成 Linux x64 安装包的构建，非常适合 CI/CD 流水线或没有图形界面的服务器环境。
DeepChat 是纯前端应用，不依赖本地 GPU 推理。实际测试表明，4GB 内存、2GB 磁盘空间的机器即可流畅运行。不过，如果使用本地模型推理（如通过 MCP 连接本地 LLM 服务器），则需要根据模型规模配置相应硬件。
DeepChat 的出现填补了开源社区在多模型统一客户端领域的空白。在它之前，用户想要体验 Claude 和 GPT 的差异，往往需要分别安装两个客户端，或者使用网页版并在多个标签页之间切换。DeepChat 通过统一界面的设计，让这种体验变得无缝且高效。
更重要的是，DeepChat 不仅仅是一个"GUI 包装器"，它在 MCP/ACP 协议支持上的深度投入，代表了 AI 客户端从"对话界面"向"Agent 工作台"演进的方向。随着 MCP 生态的不断壮大，支持 MCP 的工具和服务越来越多，DeepChat 作为 MCP Client 的价值会持续放大。
从增长趋势来看，项目从 0 到 5000+ Stars 仅用了不到两年时间，且社区活跃度高（持续更新、多语言文档、完善的贡献指南），属于健康发展的开源项目。项目还接入了 DeepWiki 提供 AI 驱动的代码文档查询，进一步降低了开发者的参与门槛。
1. API Key 管理风险：用户需要在本地配置多个 AI 服务商的 API Key，如果客户端安全性不足（如 IPC 通信被恶意利用），可能导致 Key 泄露。项目通过 Preload 脚本的 contextIsolation 缓解了这一风险，但用户仍需注意本地环境安全。
2. Node.js 版本要求过高：项目要求 Node.js 24+，这是一个非常新的版本，大多数用户的系统包管理器默认仓库中无法安装如此新的版本。虽然项目使用了 mise.toml 进行版本管理，但这增加了普通用户的上手难度。
3. 离线能力有限：尽管项目支持本地 Skills 和 MCP 工具调用，但核心 AI 推理仍然依赖云端 API。在网络受限或对数据隐私有严格要求的环境中，使用场景受限。
4. 插件生态尚在早期：目前 plugins 目录只有 CUA 和飞书两个内置插件，第三方插件生态尚未形成规模。
总结：DeepChat 是一个面向 AI 开发者和技术爱好者的多模型 Agent 桌面客户端，它通过统一界面、MCP/ACP 协议支持、Skills 扩展机制，将多个 AI 服务和工具整合到一个本地应用中。对于需要频繁在多个 AI 模型之间切换、或者希望构建 AI Agent 工作流的用户来说，DeepChat 是一个值得一试的开源方案。普通用户可直接下载预编译包使用，开发者可从源码构建自定义版本。