go-proxy-bingai

GitHub
8.6k 12.2k 简单 1 次阅读 昨天MIT语言模型插件
AI 解读 由 AI 自动生成,仅供参考

go-proxy-bingai 是一个基于 Vue3 前端与 Go 后端构建的开源项目,旨在为用户提供一个稳定、流畅的微软 New Bing(现 Copilot)访问入口。它完美复刻了官方界面的交互体验,让国内用户无需特殊网络环境或繁琐登录,即可直接使用必应 AI 进行对话创作。

该工具主要解决了因网络限制导致无法访问必应 AI,以及官方服务不稳定或需要强制登录的痛点。通过内置的智能代理机制,go-proxy-bingai 支持切换多种聊天服务器模式(包括官方直连、Cloudflare Workers 中转或用户自建节点),有效规避访问障碍。此外,它还兼容主流的 ChatGPT 提示词库,让用户能直接复用丰富的指令模板;在登录状态下,更完整支持图像生成等高级功能。

技术层面,go-proxy-bingai 采用轻量级的 Go 语言处理后端逻辑,配合现代化的 Vue3 框架打造响应式界面,不仅资源占用低,还便于通过 Docker、Vercel、Railway 等多种方式一键部署。无论是希望免费体验先进 AI 能力的普通用户,还是想要私有化部署、定制开发的技术爱好者,都能从中获益。只需简单配置,你便能拥有一个专属的、全天候可用的 AI 助手站点。

使用场景

某国内内容运营团队急需利用微软 New Bing 的联网搜索与绘图能力撰写行业报告,但受限于网络环境和账号门槛,工作一度陷入停滞。

没有 go-proxy-bingai 时

  • 网络访问受阻:团队成员在国内直接访问必应 AI 服务频繁失败或重定向,无法建立稳定连接。
  • 登录门槛过高:必须注册并登录微软账号才能使用高级功能,批量注册账号成本高且易触发风控。
  • 提示词不兼容:团队积累的 ChatGPT 专用提示词库无法直接复用,需重新调整指令格式,效率低下。
  • 部署维护复杂:若尝试自行搭建代理,往往面临环境配置繁琐、缺乏图形界面及多端适配差的问题。

使用 go-proxy-bingai 后

  • 直连畅通无阻:通过部署 go-proxy-bingai(支持 Docker 或 Serverless),团队在国内即可直连微软官方服务器,无需特殊网络设置。
  • 零门槛畅聊:支持未登录模式,成员打开网页即可立即开始对话,彻底摆脱账号注册与验证的困扰。
  • 生态无缝衔接:go-proxy-bingai 原生兼容 ChatGPT 提示词库,团队可直接粘贴现有指令,瞬间获得高质量回答。
  • 全功能体验:不仅保留了一致的官方 UI 体验,还支持侧边栏模式及图像创建功能,仅需简单配置 Cookie 即可解锁画图等高级能力。

go-proxy-bingai 通过极简的部署方案和完美的本地化适配,让国内用户也能零成本、无障碍地享受微软 New Bing 的全部生产力红利。

运行环境要求

操作系统
  • Linux
  • Windows
GPU

无 GPU 需求

内存

未说明

依赖
notes1. 该工具是基于 Go 和 Vue3 开发的代理程序,非本地运行的 AI 模型,因此无需 GPU 和特定 Python 环境。 2. 支持 Linux (amd64/arm64) 和 Windows (amd64/arm64),README 未明确提及 macOS 原生二进制支持,但可通过 Docker 运行。 3. 部署时建议配置 HTTPS 域名(localhost 除外),否则浏览器可能不支持某些压缩编码。 4. 国内部署需配置 SOCKS5 代理环境变量以直连 Bing 服务器。 5. 若需使用画图等高级功能或解除限制,需在设置中填入微软账号的 Cookie (_U 值)。
python不需要 Python (基于 Go 语言)
Go (编译环境)
Vue3 (前端构建)
Docker (可选部署方式)
go-proxy-bingai hero image

快速开始

go-proxy-bing

基于微软 New Bing 用 Vue3 和 Go 简单定制的微软 New Bing 演示站点,拥有一致的 UI 体验,支持 ChatGPT 提示词,国内可用,基本兼容微软 Bing AI 所有功能,无需登录即可畅聊。

⭐ 当 Bing 官方聊天服务器(相对较快和稳定,推荐)不可用时,可参考以下方案

  1. 可用 ModHeader 添加 X-Forwarded-For 请求头,对应 URL 是 wss://sydney.bing.com/sydney/ChatHub,具体可参考 issues #71https://zhuanlan.zhihu.com/p/606655303
  1. 本地部署再部署一份作为聊天中转服务,或下载 Release 直接运行,自定义聊天服务器中填入 http://localhost:8080,并选择。

⭐ 聊天服务器 (暂时默认 Cloudflare Workers,请求数每天限额 100,000,撑不了多久 ,推荐自行部署,参考下面 部署聊天服务器 ) 可在右上角 设置 => 服务选择 中切换

⭐ 国内可用 (部署服务器需要直连 www.bing.com 不重定向 CN ,可配置 socks 连接)

⭐ 支持现有开源 ChatGPT 提示词库

⭐ 需要画图等高级功能时(需选更有创造力模式或右上角 设置 => 图像创建 ),可登录微软账号设置用户 Cookie 进行体验

⭐ 遇到一切问题,先点左下角 新主题 试试,不行使用刷新大法(Shift + F5 或 Ctrl + Shift + R 或 右上角设置中的一键重置),最终大招就 清理浏览器缓存 及 Cookie ,比如(24 小时限制、未登录提示等等)

网页展示

  • 电脑端未登录状态

电脑未登录

  • 电脑端登录

电脑端登录 提示词1 提示词2 聊天服务器选择

  • 电脑端画图

⭐ 需登录,并选择 更有创造力 对话模式

电脑端画图

  • 手机端未登录状态

手机端未登录

侧边栏

  • 在 Edge 浏览器可把聊天和撰写分别添加侧边栏

添加侧边栏

聊天

撰写

演示站点

甲骨文小鸡仔,轻虐

Railway 搭建

Vercel 搭建

Render 搭建

设置用户

获取Cookie

环境变量

# 运行端口 默认 8080 可选
PORT=8080
# Socks 环境变量 示例 可选
Go_Proxy_BingAI_SOCKS_URL=192.168.0.88:1070
# Socks 账号、密码 可选
Go_Proxy_BingAI_SOCKS_USER=xxx
Go_Proxy_BingAI_SOCKS_PWD=xxx
# 默认用户 Cookie 设置,可选,不推荐使用,固定前缀 Go_Proxy_BingAI_USER_TOKEN 可设置多个,未登录用户将随机使用,多人共用将很快触发图形验证,并很快达到该账号的24小时限制
Go_Proxy_BingAI_USER_TOKEN_1=xxx
Go_Proxy_BingAI_USER_TOKEN_2=xxx
Go_Proxy_BingAI_USER_TOKEN_3=xxx ...
# 简单授权认证密码,可选
Go_Proxy_BingAI_AUTH_KEY=xxx

部署

⭐ 需 https 域名 (自行配置 nginx 等) (前后端都有限制 只有在HTTPS的情况下,浏览器 Accept-Encoding 才会包含 br , localhost 除外)

支持 Linux (amd64 / arm64)、Windows (amd64 / arm64)

国内机器部署可配置 socks 环境变量

Docker

参考 Dockerfiledocker-compose.yml

  • docker 示例
# 运行容器 监听8080 端口
docker run -d -p 8080:8080 --name go-proxy-bingai --restart=unless-stopped adams549659584/go-proxy-bingai

# 配置 socks 环境变量
docker run -e Go_Proxy_BingAI_SOCKS_URL=192.168.0.88:1070 -e Go_Proxy_BingAI_SOCKS_USER=xxx -e Go_Proxy_BingAI_SOCKS_PWD=xxx -d -p 8080:8080 --name go-proxy-bingai --restart=unless-stopped adams549659584/go-proxy-bingai
  • docker compose 示例
version: '3'

services:
  go-proxy-bingai:
    # 镜像名称
    image: adams549659584/go-proxy-bingai
    # 容器名称
    container_name: go-proxy-bingai  
    # 自启动
    restart: unless-stopped
    ports:
      - 8080:8080
    # environment:
    #   - Go_Proxy_BingAI_SOCKS_URL=192.168.0.88:1070
    #   - Go_Proxy_BingAI_SOCKS_USER=xxx
    #   - Go_Proxy_BingAI_SOCKS_PWD=xxx
    #   - Go_Proxy_BingAI_USER_TOKEN_1=xxx
    #   - Go_Proxy_BingAI_USER_TOKEN_2=xxx    

Release

GitHub Releases 下载适用于对应平台的压缩包,解压后可得到可执行文件 go-proxy-bingai,直接运行即可。

Railway

主要配置 Dockerfile 路径 及 端口就可以

PORT=8080
RAILWAY_DOCKERFILE_PATH=docker/Dockerfile

一键部署,点这里 => Deploy on Railway

Railway 模板部署

自行使用 Railway 部署配置如下

Railway 环境变量

Railway 域名

Vercel

⭐ Vercel 部署不支持 Websocket ,需选择 官方聊天服务器 或 Cloudflare

一键部署,点这里 => Deploy with Vercel

Vercel 一键部署

Vercel 域名

Render

一键部署,点这里 => Deploy to Render

Render 一键部署

Render 域名

部署聊天服务器

核心代码 worker.js

具体部署 Cloudflare Workers 教程自行查询,大概如下

  • 注册 Cloudflare 账号

  • 创建 Worker 服务,复制 worker.js 全部代码,粘贴至创建的服务中,保存并部署。

  • 触发器 中自定义访问域名。

TODO

  • 撰写
  • Vue3 重构
  • 提示词
  • 历史聊天
  • 导出消息到本地(Markdown、图片、PDF)
  • 简单访问权限控制

版本历史

v1.8.72023/06/01
v1.8.62023/05/30
v1.8.52023/05/30
v1.8.42023/05/30
v1.8.32023/05/29
v1.8.22023/05/26
v1.8.12023/05/25
v1.8.02023/05/25
v1.7.02023/05/22
v1.6.82023/05/18
v1.6.72023/05/17
v1.6.62023/05/17
v1.6.52023/05/16
v1.6.42023/05/15
v1.6.32023/05/15
v1.6.22023/05/15
v1.6.12023/05/15
v1.6.02023/05/15
v1.5.02023/05/08
v1.4.22023/05/08

相似工具推荐

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

141.5k|★★☆☆☆|今天
开发框架Agent语言模型

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|今天
语言模型图像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|★★☆☆☆|昨天
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|★★★☆☆|2天前
Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。

75k|★★★☆☆|今天
语言模型图像开发框架