LibreChat
danny-avila/LibreChat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。
你有没有遇到过这样的尴尬：想用 ChatGPT 查资料，又想用 Claude 写代码，还得开 Gemini 画图——结果电脑屏幕上堆满了各种标签页，API Key 散落在各处，每次切换都要重新登录。LibreChat 正是为解决这个痛点而生的：它把目前市面上所有主流的 AI 大模型服务，聚合成一个统一的 Web 界面，让你在一处对话、自由切换。
LibreChat 的前身为 chatgpt-clone，诞生于 2023 年 ChatGPT 掀起的 AI 浪潮中。创始人 Danny Avila 发现，随着 Claude、GPT-4、Gemini 等模型陆续开放 API，用户迫切需要一个统一的入口来管理多个 AI 服务。当时的开源社区已经有了类似的聚合尝试，但要么功能残缺，要么只能调用单一 API。LibreChat 从诞生起就确立了全模型覆盖的目标，陆续接入 OpenAI、Anthropic Claude、Google Gemini、AWS Bedrock、Azure OpenAI、DeepSeek 等超过 25 个 AI 服务商，形成了目前开源领域最广泛的 AI 模型聚合平台。
该项目的另一大驱动力是隐私与自主可控。企业用户和注重数据安全的开发者，不愿意把对话数据交给第三方服务器。LibreChat 支持完整的私有化部署，数据库、文件存储、认证系统全部可自行掌控——这对于医疗、金融、法律等行业的 AI 应用场景尤为重要。2024 年，LibreChat 获得了 Runa Capital 评选的「开源初创公司增长指数（ROSS Index）Q1 2024」认可，成为当年增长最快的开源 AI 项目之一。
LibreChat 的野心远不止做一个界面精美的 ChatGPT 替代品。它构建了一套完整的 AI 智能体生态，以下几个功能尤为突出：
1. 多模型并行与无缝切换
用户可以在单个对话中随时切换 AI 服务商，无需开启新会话。系统自动记忆各模型的上下文，支持对话分支（Fork）和消息编辑重提交。例如你可以先用 GPT-4 写一段 Python 代码，再切到 Claude 解释算法原理，最后让 Gemini 生成配套的流程图——所有上下文连贯保留，数据留在你自己的服务器上。
2. AI Agents（智能体）与 MCP 支持
LibreChat 原生支持模型上下文协议（Model Context Protocol，MCP），允许 AI 模型调用外部工具和 API。它还内置了 LibreChat Agents 框架，用户无需写代码就能通过自然语言描述创建专业化的 AI 助手。更进一步，项目引入了 Skills（技能包）和 Subagents（子智能体）概念：Skills 是可复用的指令集，Subagents 则将复杂任务分解给多个独立上下文的子智能体并行处理。
3. 代码解释器（Code Interpreter）
LibreChat 集成了一个安全的沙箱执行环境，支持 Python、Node.js、Go、C/C++、Java、PHP、Rust、Fortran 等 8 种语言。AI 可以直接读取用户上传的文件，在沙箱内执行代码后返回结果和可视化图表。这项功能对于数据分析、算法验证、教学演示等场景非常实用——你只需上传一个 CSV 文件，AI 就能完成数据清洗、统计分析和图表生成的全流程。
4. 图像生成与编辑
支持 GPT-Image-1、DALL-E 3/2、Stable Diffusion、Flux 等多种图像生成模型，以及任意兼容 MCP 的图像服务。用户可以通过对话指令生成图片、编辑现有图像，甚至在多轮对话中让 AI 逐步调整图像细节。
5. Web Search 与 RAG 增强
内置网页搜索功能，可实时检索互联网信息补充到 AI 上下文中。结合 RAG（检索增强生成）API（独立仓库 danny-avila/rag_api），用户可以接入私有知识库，实现企业文档问答、产品手册查询等场景。
6. 多模态输入
支持 Claude 3、GPT-4o、o1、Llama-Vision、Gemini 等模型的多模态能力，上传图像、截图、PDF 文件进行视觉分析和文档理解。
LibreChat 是一个结构严谨的 TypeScript Monorepo，采用了 Npm/Yarn Workspaces 组织多工作区代码，根目录配置了 ['api', 'client', 'packages/*'] 三个主要工作区：
| 工作区 | 语言 | 职责 |
|---|---|---|
/api | JavaScript（遗留） | Express 后端主服务，接收客户端请求，调用各 AI 服务商 API |
/packages/api | TypeScript（新代码区） | 新功能开发强制写入此目录，逐步迁移旧 /api JS 代码 |
/packages/data-schemas | TypeScript | 数据库模型与 schema 定义，Mongoose 驱动 MongoDB |
/packages/data-provider | TypeScript | 前后端共享：API 类型定义、端点封装、数据服务层 |
/client | TypeScript + React | 前端单页应用，Vite 构建 + Tailwind CSS + React Router |
后端依赖生态：项目大量依赖 AWS SDK（Bedrock S3 CloudFront）、Azure SDK、Google GenAI SDK、Anthropic Vertex SDK，印证了其多云服务商集成的定位。同时集成了 @librechat/agents 智能体框架（独立维护的兄弟仓库），通过 LangChain 风格的工具调用机制实现 AI Agent 能力。
前端技术栈：React + TypeScript + Vite（快速热重载构建）+ Tailwind CSS（原子化样式）+ React Router（路由管理）+ Axios（HTTP 客户端）。前端通过 packages/data-provider 封装好的端点与后端通信，实现了前后端类型安全地共享。
认证系统：支持 JWT Session、OAuth2（Google/GitHub 等）、LDAP、Email/Password 多种认证方式，适用于从个人用户到大型企业的不同场景。
构建与部署：提供多阶段 Dockerfile（Dockerfile.multi，基于 Node 24 Alpine + jemalloc 内存优化）和标准 docker-compose.yml（内置 MongoDB + LibreChat 服务），以及 Helm Chart 支持 Kubernetes 部署。
个人用户：访问官方托管站 librechat.ai，注册账号即可使用部分模型，零配置体验完整功能。
自托管部署（推荐）：
git clone https://github.com/danny-avila/LibreChat.gitcp .env.example .env，编辑填入各 AI 服务商 API Keydocker-compose up -dhttp://localhost:3080，配置完毕即可开始使用部署过程约 20-30 分钟，主要时间花在申请各 AI 服务商 API Key。官方提供了 Railway、Zeabur、Sealos 等一键部署模板，有云服务器经验的用户可以在 10 分钟内完成生产级部署。
高级用户：可配置 S3 + CloudFront CDN、RAG API（对接私有知识库）、LDAP 企业认证、Kubernetes Helm Chart，适合中等规模企业使用。
1. API Key 管理是双刃剑
虽然支持多服务商是个优势，但也意味着用户需要同时管理多个平台的 API Key，增加了配置复杂度。对于只想用好一两个模型的用户，不如直接使用官方界面来得简单。
2. 自托管的学习门槛
尽管有 docker-compose 一键部署，但 .env 配置涉及 OAuth、JWT、MongoDB 连接字符串等概念，对非技术用户仍有一定门槛。官方文档虽详尽，但中文翻译覆盖不够均衡，部分高级功能（如 LDAP 集成）缺乏完整示例。
3. 活跃开发带来的破坏性更新
项目处于高速迭代期，更新日志中经常出现破坏性变更（Breaking Changes）。版本升级需要仔细阅读更新说明，否则可能遇到配置格式变化导致的服务不可用。官方甚至在 README 置顶警告：「在更新前请务必查看更新日志」。
4. 代码质量参差不齐
虽然新代码强制 TypeScript，但遗留的 /api 目录仍为 JavaScript，代码风格规范文档（CLAUDE.md）明确指出「minimize changes here」，说明历史包袱较重。老旧 JS 代码与新的 TypeScript 包之间的接口边界需要谨慎维护。
LibreChat 的出现填补了开源社区在「多模型统一入口」这一赛道的空白。它的成功反映了三个趋势：
Stars 从 2023 年的几千增长到 2026 年的 4.1 万，GitHub Issues 和 PR 活跃度持续保持在高位，ROSS Index 的认可证明了其商业潜力。LibreChat 不仅是开发者的实验场，也正在成为企业 AI 基础设施建设的重要选项。