py-gpt

一款让所有主流 AI 模型在同一界面协作的桌面工具

2024 年初，当用户在 ChatGPT、Claude、Gemini 之间来回切换、反复粘贴上下文时，一位来自波兰的独立开发者 Marcin Szczygliński 决定做一件事：做一个把所有 AI 模型装进同一个桌面的应用。他花了大半年时间，把 OpenAI GPT-5、Anthropic Claude、Google Gemini、DeepSeek、xAI Grok、Perplexity 等十几个模型，以及 Ollama 本地模型，全部接入了同一个 PySide6 写的 Qt 界面里——这就是 PyGPT。

PyGPT 并不是又一个 ChatGPT 套壳网页。它是一个真正的桌面应用程序，有本地文件系统访问、代码执行、语音对话、多模态图像分析、RAG 知识库问答等完整功能。它的插件系统（36个插件）甚至可以控制鼠标、读写串口、连接 Wolfram Alpha、发送邮件、操控 Telegram 机器人。

截至 2026 年初，PyGPT 在 GitHub 收获 1,823 颗星，最新版本 2.7.12，支持 Linux / Windows / macOS，Python 版本要求 3.10~3.14。

核心技术架构

整体分层

PyGPT 的代码采用模块化插件架构，从顶到底分为五层：

1. UI 层（src/pygpt_net/ui/）：基于 PySide6/Qt 构建，包含主窗口、对话框、菜单、托盘图标、小部件等。
2. 应用核心（src/pygpt_net/app.py、app_core.py）：生命周期管理、事件循环初始化。
3. 控制器层（src/pygpt_net/controller/）：连接 UI 与业务逻辑，处理用户交互。
4. Provider 层（src/pygpt_net/provider/）：AI 能力的核心实现，按功能分为：
   • llms/ —— 各种 LLM 的调用适配器（OpenAI、Anthropic、Gemini、DeepSeek、Ollama、HuggingFace 等）
   • agents/ —— Agent 逻辑实现
   • audio_input/、audio_output/ —— 语音输入输出
   • vector_stores/ —— 向量存储（ChromaDB、Elasticsearch）
   • loaders/ —— 文档加载器
   • web/ —— 网络搜索（DuckDuckGo、Google、Bing）
5. 插件系统（src/pygpt_net/plugin/）：36个独立插件，覆盖命令执行、文件操作、代码解释器、MCP 协议、社交媒体、地图等。

RAG 引擎：LlamaIndex + ChromaDB

PyGPT 内置完整的 RAG（检索增强生成）能力。底层使用 LlamaIndex 0.14.10 作为核心框架，支持超过 10 种向量嵌入模型（OpenAI、Azure、Google Gemini、HuggingFace、Mistral、Ollama 等），并通过 ChromaDB 作为向量数据库存储和检索文档。

这意味着用户可以上传 PDF、Word、eBook 等文档，让 AI 基于这些文档内容进行问答——不需要任何外部服务，所有操作都在本地完成。

AI 模型支持（全覆盖）

PyGPT 是目前支持模型最多的桌面 AI 应用之一，核心依赖中明确包含：

• anthropic ^0.75.0 —— Claude 系列
• google-genai ^1.56.0 + google-api-python-client —— Gemini
• llama-index-llms-deepseek ^0.2.2 —— DeepSeek
• llama-index-llms-ollama —— Ollama 本地模型
• llama-index-llms-huggingface-api —— HuggingFace Inference API
• huggingface-hub —— 模型元数据访问

支持的模型列表包括：GPT-5、GPT-4、o1、o3、Claude 3/4、Gemini Pro/Ultra、DeepSeek V3/R1、Grok-1/2、Bielik、Perplexity Sonar，以及任何通过 Ollama 运行的本地模型（如 Llama 3、Mistral 等）。

多模态能力

通过 llama-index-multi-modal-llms-openai 和专门的插件（openai_vision），PyGPT 支持图像理解——上传图片让 GPT-4o、Claude 等模型分析。通过 openai_dalle 插件支持图像生成。通过 ffmpeg + Whisper 支持语音识别，通过 Azure/Google/ElevenLabs/OpenAI TTS 支持语音合成。

插件生态

36个插件覆盖了远超普通用户的想象空间：

类别	插件	功能
系统控制	cmd_system、cmd_code_interpreter、cmd_custom	执行系统命令、运行 Python 代码
文件操作	cmd_files、cmd_history	读写文件、历史记录
MCP	mcp	Model Context Protocol，支持连接外部 MCP 服务器
Agent	agent	自主 Agent 模式
语音	audio_input、audio_output、voice_control	语音识别合成
RAG	idx_llama_index	LlamaIndex 文档索引
视觉	openai_vision、openai_dalle	图像分析生成
网络	cmd_web、wikipedia	网页搜索、维基百科
IoT	tuya	控制 Tuya 智能设备
社交	telegram、slack、twitter、facebook	社交平台集成
开发者	github、cmd_api、server	GitHub 操作、API 服务
其他	wolfram、osm、mailer、github、bitbucket	Wolfram 查询、地图、邮件

MCP 协议支持

PyGPT 支持 Model Context Protocol (MCP)，这是一个新兴的 AI 模型上下文协议，允许 AI 连接外部数据源和工具。通过 plugin/mcp/ 插件，用户可以配置 MCP 服务器地址，让 AI 调用外部工具和服务。

代码质量

项目采用 Poetry 管理依赖，完整的 pyproject.toml 定义了所有依赖和元数据。run-tests.sh 脚本提供测试入口。文档独立存放在 docs/ 目录，使用 Sphinx 构建并托管在 ReadTheDocs。

部署与安装

普通用户（推荐）

PyGPT 为普通用户提供了开箱即用的安装包，完全不需要接触代码或命令行：

• Windows：下载 .msi 安装包，或直接从 Microsoft Store 一键安装
• Linux：下载 .AppImage 文件，或通过 Snap Store sudo snap install pygpt
• macOS：通过 PyPI pip install pygpt-net 安装

Python 用户（pip/Poetry）

# pip 方式
python3 -m venv venv && source venv/bin/activate
pip install pygpt-net
pygpt

# Poetry 方式
git clone https://github.com/szczyglis-dev/py-gpt.git
cd py-gpt
poetry env use python3.10
poetry install
poetry run python3 run.py

系统依赖（重要）

由于 PyGPT 使用 Qt GUI，部分系统依赖必须提前安装（Linux 平台）：

• ffmpeg —— 语音识别/合成必需
• GTK/GDK 库 —— Qt 运行时依赖
• libasound2（ALSA）—— 音频输入输出

AppImageBuilder.yml 中列出了完整的 apt 依赖清单，包括 30+ 个系统包。

AppImage 打包

对于 Linux 开发者，AppImageBuilder.yml 使用 appimage-builder 工具，将整个 Python 环境 + Qt 依赖打包为单一可执行文件。这是 Linux 生态中最接近"绿色版"的分发方式，用户下载后 chmod +x 即可运行，无需安装 Python 或任何依赖。

硬件需求

资源	需求
GPU	不需要（调用远程 API，无本地推理）
内存	4GB+
磁盘	2GB+
Python	3.10 ~ 3.14

局限与注意事项

1. 无 Docker 支持：项目未提供 Dockerfile 或 docker-compose.yml，无法容器化部署
2. API Key 必需：使用 OpenAI、Anthropic、Google 等在线模型需要对应的 API Key
3. Ollama 本地模型可选：如需本地模型，需自行安装 Ollama 服务
4. 语音功能依赖系统服务：ffmpeg、ALSA、PulseAudio 等 Linux 音频栈配置复杂