Unla

GitHub
2.1k 170 简单 1 次阅读 今天MIT开发框架插件
AI 解读 由 AI 自动生成,仅供参考

Unla 是一款轻量级的高可用网关服务,专为简化模型上下文协议(MCP)的接入流程而设计。它的核心功能是将现有的 MCP 服务器或传统 API 瞬间转换为标准的 MCP 端点,整个过程仅需通过 YAML 配置文件即可完成,无需修改任何原有代码。

对于许多开发者和企业而言,将遗留系统适配到新兴的 AI 生态往往意味着高昂的重构成本和技术风险。Unla 完美解决了这一痛点,实现了“零侵入”集成。它不依赖特定的基础设施,无论是裸机、虚拟机、云服务器还是 Kubernetes 集群,都能直接部署运行,且不会干扰现有架构。

这款工具特别适合后端开发者、DevOps 工程师以及希望快速将内部服务接入大模型应用的企业团队。通过 Unla,技术人员可以跳过繁琐的编码适配阶段,专注于业务逻辑与 AI 能力的结合。

在技术亮点方面,Unla 基于 Go 语言开发,资源占用极低却保持了高性能与高可用性。此外,它还内置了直观的管理后台 UI,让用户能够通过网页界面轻松完成服务的添加、配置与监控,大幅降低了运维门槛。配合开箱即用的 Docker 部署方案,Unla 让构建标准化的 AI 服务网关变得前所未有的简单高效。

使用场景

某电商公司的后端团队急需将内部遗留的订单查询 API 和库存微服务接入新兴的 AI 助手,以便让大模型能实时读取业务数据。

没有 Unla 时

  • 开发成本高昂:为了符合 MCP 协议,开发人员必须为每个旧 API 重写适配器代码,耗时数周且容易引入新 Bug。
  • 架构侵入性强:改造现有微服务需要修改基础设施配置,甚至涉及重启核心生产环境,运维风险极大。
  • 维护负担重:每新增一个数据源都需要重复“编码 - 测试 - 部署”流程,导致 AI 功能迭代速度远远落后于业务需求。
  • 缺乏统一管理:分散的自定义脚本导致接口标准不一,难以监控和调试,排查问题如同大海捞针。

使用 Unla 后

  • 零代码即时接入:只需编写简单的 YAML 配置文件,Unla 即可在几分钟内将原有 HTTP API 自动转换为标准的 MCP Server,无需改动一行源代码。
  • 无感部署升级:利用 Docker 容器化部署,Unla 作为轻量级网关独立运行,完全不影响现有的虚拟机或 K8s 集群架构。
  • 可视化高效运维:通过内置的管理 UI,团队成员可直观地添加、编辑和监控所有 API 映射关系,大幅降低操作门槛。
  • 标准化快速扩展:新增数据源仅需复制并修改配置模板,实现了从“周级”到“分钟级”的交付效率飞跃。

Unla 通过配置驱动的方式消除了传统集成的代码壁垒,让企业能以最低成本瞬间激活存量 API 的 AI 交互能力。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes该工具基于 Go 语言开发,无需 Python 环境。推荐使用 Docker 进行一键部署(allinone 镜像)。支持裸机、虚拟机、ECS 及 Kubernetes 等多种部署方式。运行前需设置 JWT 密钥和管理员账号等环境变量。
python不需要
Docker (推荐)
SQLite/PostgreSQL/MySQL (可选,用于配置持久化)
Unla hero image

快速开始

Unla - MCP 网关

🚀 无需修改任何代码,即可将您现有的 MCP 服务器和 API 即时转换为 MCP 终端点。

English 简体中文 繁體中文 Release Docs Ask DeepWiki Discord Go Report Card Snyk Security LLMAPIS


注意: Unla 处于快速开发中!我们致力于保持向后兼容性,但无法 100% 保证。请在升级时仔细检查版本变更。由于迭代速度较快,文档更新有时会滞后。如果您遇到任何问题,请随时通过 DiscordIssues 搜索或寻求帮助 ❤️


✨ Unla 是什么?

Unla 是一个用 Go 编写的轻量级、高可用的网关服务。它使个人和组织能够通过配置将现有的 MCP 服务器和 API 转换为符合 MCP 协议的服务——完全无需修改代码。

https://github.com/user-attachments/assets/69480eda-7aa7-4be7-9bc7-cae57fe16c54

🔧 核心设计原则

  • ✅ 零侵入:平台无关,支持在裸机、虚拟机、ECS、Kubernetes 等环境中部署,无需修改现有基础设施
  • 🔄 配置驱动:使用 YAML 配置将旧版 API 转换为 MCP 服务器——无需编写任何代码
  • 🪶 轻量高效:专为最小化资源占用而设计,同时不牺牲性能和可用性
  • 🧭 内置管理界面:开箱即用的 Web 界面,简化设置并降低运维负担

🚀 快速开始

Unla 支持开箱即用的 Docker 部署。完整的部署和配置说明可在 文档 中找到。

使用 Docker 快速启动

配置环境变量:

export APISERVER_JWT_SECRET_KEY="changeme-please-generate-a-random-secret"
export SUPER_ADMIN_USERNAME="admin"
export SUPER_ADMIN_PASSWORD="changeme-please-use-a-secure-password"

启动容器:

docker run -d \
  --name unla \
  -p 8080:80 \
  -p 5234:5234 \
  -p 5235:5235 \
  -p 5335:5335 \
  -p 5236:5236 \
  -e ENV=production \
  -e TZ=Asia/Shanghai \
  -e APISERVER_JWT_SECRET_KEY=${APISERVER_JWT_SECRET_KEY} \
  -e SUPER_ADMIN_USERNAME=${SUPER_ADMIN_USERNAME} \
  -e SUPER_ADMIN_PASSWORD=${SUPER_ADMIN_PASSWORD} \
  --restart unless-stopped \
  ghcr.io/amoylab/unla/allinone:latest

访问与配置

  1. 访问 Web 界面:

  2. 添加 MCP 服务器:

可用端点

配置完成后,服务将在以下端点可用:

使用带有 /sse/mcp 后缀的 URL 配置您的 MCP 客户端,即可开始使用。

测试

您可以使用以下方式测试服务:

  1. Web 界面中的 MCP 聊天页面
  2. 您自己的 MCP 客户端(推荐)

📖 阅读完整指南 → 快速入门 »


🚀 核心功能

🔌 协议与代理能力

  • 支持将 RESTful API 转换为 MCP 服务器——客户端 → MCP 网关 → APIs
  • 支持代理 MCP 服务——客户端 → MCP 网关 → MCP 服务器
  • 支持将 gRPC 转换为 MCP 服务器——客户端 → MCP 网关 → gRPC
  • 支持将 WebSocket 转换为 MCP 服务器——客户端 → MCP 网关 → WebSocket
  • 支持 MCP SSE
  • 支持 MCP 流式 HTTP
  • 支持包含文本、图片和音频的 MCP 响应

🧠 会话与多租户支持

  • 持久且可恢复的会话支持
  • 多租户支持
  • 支持对 MCP 服务器进行分组和聚合

🛠 配置与管理

  • 自动获取配置并无缝热加载
  • 配置持久化(磁盘/SQLite/PostgreSQL/MySQL)
  • 通过 OS 信号、HTTP 或 Redis PubSub 进行配置同步
  • 配置版本控制

🔐 安全与认证

  • 支持基于 OAuth 的 MCP 服务器预认证

🖥 用户界面

  • 直观且轻量的管理界面

📦 部署与运维

  • 支持多副本服务
  • 支持 Docker
  • 支持 Kubernetes 和 Helm 部署

📚 文档

如需了解更多使用模式、配置示例和集成指南,请访问:

👉 https://docs.unla.amoylab.com


📄 许可证

本项目采用 MIT 许可证 许可。

💬 加入我们的微信社区

扫描下方二维码添加我们的微信。请备注:mcp-gatewaymcpgwunla

WeChat QR Code

📈 星标历史

星标历史图

版本历史

v0.9.22026/01/21
v0.9.12026/01/09
v0.9.02025/09/17
v0.8.62025/07/16
v0.8.52025/07/14
v0.8.42025/07/13
v0.8.32025/07/09
v0.8.22025/07/03
v0.8.12025/06/27
v0.8.02025/06/23
v0.7.12025/06/17
v0.7.02025/06/11
v0.6.32025/06/10
v0.6.22025/06/07
v0.6.12025/06/06
v0.6.02025/06/06
v0.5.12025/05/29
v0.5.02025/05/27
v0.4.72025/05/23
v0.4.62025/05/21

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架