cohere-toolkit
Cohere Toolkit 是一款开源的“一站式” RAG(检索增强生成)应用开发套件,旨在帮助开发者快速构建和部署基于大语言模型的产品。它通过提供预构建的前后端组件,解决了开发者从零搭建 AI 应用架构繁琐、耗时的问题,让用户能将精力集中在业务逻辑而非基础设施上。
Cohere Toolkit 内置了基于 Next.js 的 Web 应用界面和 Slack 机器人实现,后端则集成了对话历史存储、多模型支持(包括 Cohere 平台、Azure、Bedrock 及本地模型等)以及灵活的检索功能。开发者可以轻松连接 Google Drive、Gmail、GitHub 等外部数据源,实现真正的智能检索与交互。
这款工具包特别适合希望快速落地 AI 应用的开发者及企业技术团队。无论是本地通过 Docker 快速启动,还是部署到 AWS、GCP 等云端环境,它都提供了详尽的指南。其核心亮点在于高度的可定制性和开箱即用的体验,极大地降低了 RAG 应用的开发门槛。
使用场景
某初创公司的全栈工程师小李需要为公司搭建一个内部 AI 知识库助手,要求能检索 Google Drive 中的文档并支持在 Slack 频道中直接提问,且需支持多云部署。
没有 cohere-toolkit 时
- 需要从零开始编写前端聊天界面和后端 API 接口,为了保障用户体验,还需自行处理对话历史的存储逻辑,开发周期长达数周。
- 集成 Google Drive 和 Slack 的 API 鉴权流程极其繁琐,需要单独编写 OAuth 认证代码和数据解析逻辑,极易踩坑。
- 部署环境搭建复杂,需要手动编写 Dockerfile、配置数据库迁移脚本以及处理容器编排问题,运维成本高。
- 模型切换灵活性差,若想从 Cohere 官方模型切换到 Azure 或 AWS Bedrock 托管模型,需重写大量调用代码。
使用 cohere-toolkit 后
- cohere-toolkit 提供了现成的 Next.js 前端和后端架构,运行
make first-run即可启动一个包含数据库存储功能的完整 RAG 应用。 - 内置了 Google Drive、Gmail 和 Slack 等工具的连接器,只需按文档配置环境变量即可快速打通数据源,无需处理底层鉴权细节。
- 提供了完善的 Docker Compose 配置和 AWS/GCP/Azure 部署指南,极大简化了从本地开发到生产环境的迁移过程。
- 后端原生支持多模型提供商切换,只需修改配置文件即可在 Cohere、Azure、Bedrock 或本地模型间灵活迁移,无需改动业务代码。
cohere-toolkit 通过提供开箱即用的全栈组件和预置连接器,让开发者能将数周的 RAG 应用开发工作压缩到数小时内完成。
运行环境要求
- Linux
- macOS
- Windows (需支持 Docker)
未说明
未说明

快速开始

Cohere Toolkit
Toolkit 是一个可部署的一站式 RAG(检索增强生成)应用程序,使用户能够快速构建基于 LLM(大语言模型)的产品。

立即试用:
快速运行 Toolkit 主要有两种方式:本地运行和云端运行。请参阅下面给出的具体说明。
本地运行
你需要安装 Docker、Docker-compose >= 2.22 和 Poetry。点击此处查看更详细的设置。
注意:要在本地构建时包含社区工具,请将 docker-compose.yml 中的 INSTALL_COMMUNITY_DEPS 构建参数(build arg)设置为 true。
两种方式都将在 http://localhost:4000 提供前端服务。
使用 make
使用提供的 Makefile 可以简化和自动化 Cohere Toolkit 的开发工作流程,包括 Docker Compose 管理、测试、代码检查(linting)和环境设置。
git clone https://github.com/cohere-ai/cohere-toolkit.git
cd cohere-toolkit
make first-run
仅使用 Docker Compose
如果你希望在没有 Makefile 提供的额外自动化的情况下快速启动并管理容器环境,可以直接使用 Docker Compose。
git clone https://github.com/cohere-ai/cohere-toolkit.git
cd cohere-toolkit
docker compose up
docker compose run --build backend alembic -c src/backend/alembic.ini upgrade head
云端运行
GitHub Codespaces
要使用 GitHub Codespaces 运行此项目,请参阅我们的 Codespaces 设置指南。
关于 Toolkit

- Interfaces(界面) - 任何客户端 UI,目前包含两个 Web 应用程序(一个是 Agentic 应用,一个是基础应用)和一个 Slack 机器人实现。
- 默认为 Cohere 的 Web UI,位于
src/interfaces/assistants_web- 一个使用 Next.js 构建的 Web 应用。开箱即用,包含一个简单的 SQL 数据库,用于在应用中存储对话历史。 - 你可以使用 docker compose 文件更改 Web UI。
- 默认为 Cohere 的 Web UI,位于
- Backend API(后端 API) - 位于
src/backend,遵循与 Cohere Chat API 类似的结构,但也包含可自定义的元素:- Model(模型) - 你可以自定义访问 Cohere Command 模型的提供商。Toolkit 默认包含 Cohere Platform、Sagemaker、Azure、Bedrock、HuggingFace 和本地模型。更多详情请点击此处。
- Retrieval(检索) - 你可以自定义应用程序运行时所使用的工具和数据源。
- Service Deployment Guides(服务部署指南) - 我们还提供了如何在生产环境中部署 Toolkit 服务的指南,包括 AWS、GCP 和 Azure。更多详情请点击此处。
贡献
贡献是推动开源社区发展的动力,我们非常感谢任何形式的贡献。如需开始,请查看我们的文档。
贡献者
由 contrib.rocks 制作。
版本历史
v1.1.72025/02/07v1.1.62025/01/24v1.1.52024/12/27v1.1.42024/12/05v1.1.32024/11/18v1.1.22024/11/01v1.1.12024/10/25v1.1.02024/09/27v1.0.62024/07/04v1.0.52024/06/04v1.0.42024/05/17v1.0.32024/05/17v1.0.22024/05/01v1.0.12024/04/29v1.0.02024/04/24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。
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。
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。
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。
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。