openchat-monorepo
OpenChat 是一款现代化的全栈 AI 聊天应用，旨在为用户提供跨平台、无缝同步的智能对话体验。它不仅仅是一个简单的聊天界面，更通过集成 GPT-4 自然语言处理、Flux 文生图以及 Brave 网络搜索功能，解决了用户在多设备间切换时对话中断、数据不同步的痛点，让网页、手机和桌面端的聊天记录实时保持一致。
这款工具特别适合全栈开发者和技术爱好者使用。对于希望学习或构建高性能 AI 应用的开发者而言，OpenChat 提供了一个极佳的参考范本。其独特的技术亮点在于采用了“全栈 TypeScript"架构，确保前后端类型安全；后端基于 Cloudflare Workers 实现无服务器部署，支持一键全球分发；通信层则利用 Connect RPC 和 Protocol Buffers 保证高效与安全。此外，项目采用 Monorepo 管理，模块化设计使其易于扩展新模型或功能，同时也支持通过 Tauri 打包为原生移动和桌面应用。无论是想快速搭建私有 AI 助手，还是探索现代 Web 技术栈的最佳实践，OpenChat 都是一个值得关注的开源选择。
使用场景
某初创团队希望快速构建一款支持 Web、移动端和桌面端的全平台 AI 助手，以实现用户跨设备无缝对话。
没有 openchat-monorepo 时
- 多端开发割裂：需分别为 Web、iOS/Android 和桌面端维护三套独立代码库，功能迭代重复劳动，同步成本极高。
- 后端架构复杂：自行搭建服务器处理高并发请求困难，全球部署延迟高，且难以保证前后端 API 的类型安全，联调耗时。
- 数据同步滞后：用户在手机上的聊天记录无法实时同步到电脑端，导致对话上下文断裂，体验支离破碎。
- 基础设施繁琐：需单独配置数据库连接池、对象存储和身份验证系统（如扫码登录），初期搭建周期长达数周。
使用 openchat-monorepo 后
- 全栈统一开发：基于 Monorepo 架构和全栈 TypeScript，一套代码通过 Tauri 直接编译生成 Web、移动和桌面三端应用，功能一次开发，全域上线。
- 极速全球部署：利用 Cloudflare Workers 无服务器架构，一键即可将后端部署至全球边缘节点，结合 Connect RPC 实现端到端类型安全，大幅降低联调错误。
- 实时无缝同步：内置 PostgreSQL 与 Hyperdrive 优化架构，天然支持三端聊天记录毫秒级实时同步，用户可随时切换设备继续深度对话。
- 开箱即用生态：预集成扫码登录、R2 图像存储及 AI 绘图功能，团队无需从零造轮子，仅需配置环境变量即可在一天内完成原型上线。
openchat-monorepo 通过现代化的全栈架构，将原本需要数月的多平台 AI 应用构建过程缩短至数天，真正实现了“一次编写，处处运行”的高效交付。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
OpenChat
一个现代化的全栈应用，具有AI驱动的聊天功能，使用React和多后端架构(Cloudflare Workers/Node.js/Golang)构建，支持Web、移动App和桌面端全平台客户端
功能特点 • 技术栈 • 入门指南 • 部署 • 项目结构 • 贡献 • 许可证
扫码登录功能
安卓应用
智能搜索功能
✨ 为什么选择 OpenChat？
OpenChat 不只是另一个 AI 聊天应用。它采用现代技术栈构建，提供全方位的 AI 对话体验：
- 💪 全栈TypeScript - 前后端类型安全，提高开发效率
- 🚀 极速部署 - 基于Cloudflare Workers，一键全球部署
- 🔄 全平台无缝同步 - 网页、手机、电脑三端数据实时同步，随时随地无缝切换，继续您的对话
- 📦 完整包装 - 开箱即用的完整功能，无需额外配置
- 🧩 高度可扩展 - 易于添加新模型和功能的模块化设计
功能特点
- 🤖 AI驱动交互: 集成OpenAI GPT-4进行自然语言对话
- 🎨 文本生成图像: 支持Flux AI模型进行文生图
- 🔍 网络搜索功能: 集成Brave Web搜索功能
- 📱 多平台支持: 同时支持Web浏览器和原生应用(通过Tauri)
- 📊 现代数据库架构: 使用PostgreSQL与Drizzle ORM和Cloudflare Hyperdrive优化
- 🔒 类型安全API通信: 使用Connect RPC和Protocol Buffers
- 📷 扫码登录: 支持在Tauri客户端应用中通过扫描二维码登录
- 🖼️ 图像存储: 使用Cloudflare R2高效存储图像
- ⚡ 实时响应: 使用现代React组件构建快速响应的界面
- 📲 三端同步: 网页、手机和电脑之间无缝切换和实时同步所有聊天记录
技术栈
前端
- 框架: React与React Router
- UI库: Chakra UI
- 客户端支持: Tauri
后端
- 无服务器: Cloudflare Workers (Node.js和Golang后端实现正在开发中)
- API: Connect RPC与Protocol Buffers
- 类型生成: buf
数据库
- 数据库: Neon (PostgreSQL)
- ORM: Drizzle ORM
- 连接优化: Cloudflare Hyperdrive
开发工具
- Monorepo管理: pnpm workspaces
- 代码格式化: Biome
- 部署: Cloudflare
入门指南
环境要求
- Node.js (v18或更高)
- pnpm
- Wrangler CLI
- buf CLI
安装
克隆仓库:
git clone https://github.com/akazwz/openchat-monorepo.git cd openchat-monorepo安装依赖:
pnpm install设置环境变量:
# 基于示例创建环境文件 cp packages/workers/.dev.vars.example packages/workers/.dev.vars cp packages/frontend/.env.example packages/frontend/.env生成Protocol Buffer类型:
pnpm gen
开发
启动开发服务器:
pnpm dev
这将同时启动前端和Cloudflare Worker的开发模式。
部署
将应用部署到Cloudflare:
pnpm fly
项目结构
├── packages
│ ├── frontend # React前端应用
│ ├── workers # Cloudflare Workers后端服务
│ ├── nodejs # Node.js后端实现
│ └── golang # Golang后端实现
├── proto # Protocol Buffer定义
下载
贡献
欢迎贡献！请随时提交Pull Request。
- Fork仓库
- 创建你的特性分支 (
git checkout -b feature/amazing-feature) - 提交你的更改 (
git commit -m '添加一些很棒的特性') - 推送到分支 (
git push origin feature/amazing-feature) - 开启一个Pull Request
许可证
我们还在考虑使用哪种开源许可证，敬请期待！如果您有任何建议或想法，欢迎分享。
⚠️ 警告
此项目目前正在积极开发中。 功能可能会发生变化，API可能不稳定，并且可能存在错误。在生产环境中使用需自行承担风险。
版本历史
v0.0.12025/04/11常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
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。
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
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。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。
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