lemonai
hexdocom/lemonai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。
想象一下这个场景：你打开电脑，向 AI Agent 下达指令："帮我分析一下今年上半年的销售数据，生成一份报告。"传统的 AI 助手每次都要从零开始，不了解你的业务背景、行业术语、报告格式偏好。但 Lemon AI 不一样——它会记住这次对话中学到的知识，下次你再问类似问题时，它能直接调用这些记忆，给出更精准、更贴合业务的回答。这就是 Lemon AI 最核心的差异化能力：自进化（Self-Evolving）。
图1：Lemon AI 项目概览
Lemon AI 由 hexdocom 团队开发，定位为 Manus & Genspark AI 的全栈开源本地替代方案。作为一个通用 AI Agent 框架，它的目标不是做一个垂直领域的窄工具，而是像人类助手一样，覆盖深度研究、代码生成、数据分析、内容创作、文档处理等各种任务场景，同时确保所有数据留在本地、零云端依赖。
截至目前，该项目在 GitHub 获得 1540 Stars，313 Forks，涵盖 Agent、Fullstack、LLM、JavaScript、Vue3 等 11 个技术标签，社区活跃度较高。
在 Lemon AI 出现之前，主流 Agent 平台（如 Manus、Genspark AI）都是闭源 SaaS 服务，用户必须将数据上传到云端才能使用。这带来了两个根本性矛盾：
隐私矛盾：企业或个人用户的敏感数据（财务记录、代码、业务文档）必须经过第三方服务器，在合规要求日益严格的今天，这条红线越来越难踩。
成本矛盾：云端 Agent 按调用量收费，处理大量任务时成本迅速攀升，而本地运行的模型虽然有硬件门槛，但一次性投入后边际成本趋近于零。
Lemon AI 的出现，正是为了同时解决这两个问题。它通过集成 Ollama/VLLM 支持本地大模型（DeepSeek、Kimi、Qwen、Llama、Gemma、GPTOSS），让用户在完全私有化的环境中运行通用 AI Agent；同时保留了 Claude、GPT、Gemini、Grok 等云端 API 的接入能力，用户可以根据任务难度和隐私需求灵活切换。
Lemon AI 的技术架构体现了清晰的工程分层思维，整个系统由三个核心组件构成：
后端采用 Node.js + Koa 框架，负责 Agent 核心逻辑的调度与执行。入口文件 bin/www 启动服务，配置文件 .env 控制数据库（SQLite/MySQL）、工作区路径、运行时类型（docker/local）等关键参数。
核心 Agent 逻辑位于 src/agent/ 目录，结构如下：
这套设计采用了 ReAct（Reasoning + Acting） 范式，Agent 在每轮对话中会先理解用户意图，再规划行动步骤，然后执行工具调用，最后反思结果并决定是否继续。
前端基于 Vue 3 + Vite + Ant Design Vue 构建，提供完整的图形化操作界面。关键技术栈包括：
前端端口默认为 5005，通过 VITE_SERVICE_URL 与后端 3000 端口通信。
为了安全地执行用户生成的代码，Lemon AI 引入了 双容器架构：
两容器通过 Docker Socket 通信，沙箱内的代码写入、执行、编辑操作都在隔离环境中进行，不会影响宿主机文件系统。这与 E2B 的云端沙箱思路类似，但完全本地化。
根据源码和文档分析，Lemon AI 的核心能力可分为以下几个维度：
作为通用 Agent，Lemon AI 不预设任务边界。通过内置的意图检测（Intent Detection）模块，系统能自动判断用户意图类型（搜索/代码生成/数据分析/内容创作等），并调用对应的工具链。README 中提到的典型场景包括：
这是 Lemon AI 最具差异化的能力。与传统 AI 助手每次对话"失忆"不同，Lemon AI 为每次对话建立专属记忆（Experience Repository），通过 LocalMemory 模块将学到的事实、偏好、领域知识持久化到本地 SQLite 数据库。用户使用越久，Agent 越"懂"你，回复质量也随之提升。
提供了一个所见即所得的 HTML 元素级编辑能力。用户可以直接点击页面中的任意 HTML 元素，让 AI Agent 针对性地修改它，而不需要每次都重新生成整份页面。这解决了传统 AI 生 HTML 场景中"小修小补也要重来"的痛点。
Lemon AI 不绑定特定模型提供商。底层通过统一的 chat-completion 模块抽象了大模型调用，支持：
用户可以在配置文件中自由切换模型组合，兼顾成本、隐私和性能。
Lemon AI 提供了完整的 Docker 部署方案，这是其相对于其他开源 Agent 项目的显著优势。
通过 docker-compose.yml，用户只需两步即可完成部署：
# 克隆仓库
git clone https://github.com/hexdocom/lemonai.git
cd lemonai
# 一键启动（需要预先配置 .env）
docker-compose up
容器启动后：
/var/run/docker.sock，在多用户环境下需注意权限隔离Lemon AI 代表了开源 AI Agent 领域的一个新方向：从"单一能力工具"向"通用个人助手"的演进。它与 OpenAI 的 Operator、Anthropic 的 Claude Agent、王自如的 Manus 等商业产品在能力定位上高度对标，但通过开源策略和本地化部署降低了使用门槛。
从 GitHub 数据来看，1540 Stars 在短期内达到，反映了市场对"隐私优先 + 通用能力"组合的强烈需求。随着本地大模型推理效率的持续提升（Ollama 新版本已支持多项优化），这类本地化 Agent 框架的实际可用性正在快速逼近云端方案。
未来值得关注的演进方向包括：多 Agent 协作能力、更丰富的 MCP 工具生态、以及针对企业场景的权限与审计功能。
| 组件 | 最低要求 | 推荐配置 |
|---|---|---|
| Docker | 20.10+ | 最新版 |
| Docker Compose | 2.0+ | 最新版 |
| 内存 | 4GB | 8GB+ |
| 磁盘 | 5GB | 20GB+ |
| GPU（可选） | 无 | NVIDIA GPU + CUDA |
克隆仓库
git clone https://github.com/hexdocom/lemonai.git
cd lemonai
配置环境变量
cp .env.example .env
# 编辑 .env，配置 LLM API Key 或 Ollama 地址
启动服务
docker-compose up -d
访问界面 浏览器打开 http://localhost:5005
若希望完全离线运行，需安装 Ollama 并下载模型：
# 安装 Ollama
curl -fsSL https://ollama.com/install.sh | sh
# 下载模型
ollama pull deepseek-r1:7b
# 配置 .env 中的 OLLAMA_BASE_URL