chef
Chef 是一个专为开发者打造的 AI 应用构建工具,它不仅了解前端界面,还深入掌握后端逻辑。通过 Chef,开发者可以快速创建包含数据库、用户认证、文件上传、实时交互和后台任务处理的完整 Web 应用,无需复杂的配置。
它解决了传统开发中前后端分离带来的复杂性与时间成本问题,尤其适合希望快速验证创意或构建原型的开发者。Chef 基于开源的 Convex 数据库构建,利用其强大的 API 接口实现自动化代码生成,极大提升了开发效率。
Chef 适合有一定编程基础的开发者使用,特别是那些希望结合 AI 能力加速应用开发流程的人群。对于需要自定义认证系统或部署环境的用户,Chef 也提供了灵活的扩展选项。
其独特之处在于将 AI 与后端开发深度整合,使开发者能够专注于业务逻辑而非基础设施搭建。
使用场景
某初创团队正在开发一款在线协作工具,用于帮助远程团队管理任务和项目进度。团队由三名全栈开发者组成,其中一人具备一定的 AI 技术背景,但整体缺乏专门的 AI 工程师。
没有 chef 时
- 开发者需要手动搭建后端数据库、身份验证系统以及文件存储功能,耗费大量时间在基础设施配置上。
- 实现实时更新和后台工作流需要编写大量重复性代码,开发效率低下。
- 团队没有 AI 工程师,无法有效利用 AI 来生成或优化代码逻辑,导致部分功能实现困难。
- 身份验证和权限管理需要额外集成第三方服务,增加了系统的复杂性和维护成本。
- 测试和部署流程繁琐,难以快速迭代产品功能。
使用 chef 后
- chef 提供了内置数据库、零配置身份验证和文件上传功能,大幅减少了基础设施搭建的时间和复杂度。
- 通过 AI 助手,开发者可以快速生成实时 UI 和后台工作流代码,显著提升了开发效率。
- 即使没有 AI 工程师,团队也能借助 chef 的 AI 功能辅助完成复杂的逻辑编写和代码优化。
- chef 集成了 OAuth 授权机制,简化了用户身份管理和权限控制,降低了系统耦合度。
- 支持本地运行和快速部署,使得团队能够更灵活地进行功能测试和产品迭代。
chef 让非 AI 专业背景的开发团队也能高效构建功能完整的全栈应用,极大缩短了开发周期并降低了技术门槛。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
Chef 是唯一一款懂后端的 AI 应用构建工具。它能够基于内置数据库、零配置身份验证、文件上传、实时 UI 和后台工作流,快速构建全栈 Web 应用。如果你想一探驱动 Chef 的“秘密配方”,可以在此处查看或下载系统提示:这里。
Chef 的强大功能得益于其基于 Convex 构建——这是一款开源的响应式数据库,专为简化 Web 应用开发者的工作而设计。Chef 的“神奇”之处就在于它直接使用了 Convex 的 API,而这些 API 非常适合用于代码生成。
Chef 的开发由 Convex 团队主导。我们欢迎 修复 Bug,也十分乐意听取大家的反馈(加入 Discord 社区)。
本项目是 bolt.diy 的 stable 分支的一个分支。
快速入门
请访问我们的 文档 了解更多关于 Chef 的信息,并查看我们的提示指南:这里。
使用 Chef 进行开发最简单的方式是通过我们的托管 Web 应用,该应用提供慷慨的免费套餐。如果你希望在本地运行 Chef,可以按照以下指南操作。
【重要提示】 Chef 按原样提供,采用的是 Convex 内部控制平面专用的身份验证配置,用于管理用户账户。
如果你计划开发一个用于生产环境或再分发的 Chef 分支,那么你的分支需要将现有的身份验证系统替换为你自己的实现。我们建议使用 OAuth 授权码授予流程 来授权访问 Convex 团队或项目。更多关于可用平台 API 的信息,请参阅 这里。
在不作任何修改的情况下,Chef 非常易于本地开发。接下来将介绍如何在本地使用 Chef。
在本地运行
注意:此处将使用托管的 Convex 控制平面来部署 Convex 项目。不过,在此环境中使用的 Chef 令牌不会计入你的 Convex 账户用量。
1. 克隆项目
通过以下命令克隆 GitHub 仓库并进入目录:
git clone https://github.com/get-convex/chef.git
cd chef
2. 配置本地环境
在终端中执行以下命令:
nvm install
nvm use
npm install -g pnpm
pnpm i
echo 'VITE_CONVEX_URL=placeholder' >> .env.local
npx convex dev --once # 按照步骤在你的团队中创建一个 Convex 项目
注意:nvm 仅适用于 Mac 和 Linux 系统。如果你使用 Windows,可能需要寻找替代方案。
3. 设置 Chef OAuth 应用程序
前往 Convex 的 仪表板,创建一个 OAuth 应用程序。你用来创建该应用程序的团队将是你在本地 Chef 上唯一可登录的团队。重定向 URI 并不重要,但你可以将其设置为 http://127.0.0.1:5173(或你运行 Chef UI 的任意端口),以便表单能够提交。
4. 配置 Convex 部署
使用 npx convex dashboard 打开 Convex 的 仪表板,进入“设置 → 环境变量”。然后设置以下环境变量:
BIG_BRAIN_HOST=https://api.convex.dev
CONVEX_OAUTH_CLIENT_ID=<从 OAuth 设置中获取的值>
CONVEX_OAUTH_CLIENT_SECRET=<从 OAuth 设置中获取的值>
WORKOS_CLIENT_ID=<从 .env.development 中获取的值>
5. 添加模型提供商的 API 密钥
在你的 .env.local 文件中添加以下任一 API 密钥,以启用代码生成:
ANTHROPIC_API_KEY=<你的 API 密钥>
GOOGLE_API_KEY=<你的 API 密钥>
OPENAI_API_KEY=<你的 API 密钥>
XAI_API_KEY=<你的 API 密钥>
注意:你也可以通过 Chef 的设置页面添加自己的 API 密钥。
6. 启动 Chef 后端和前端
在终端中执行以下命令:
pnpm run dev
## 在另一个终端
npx convex dev
恭喜!你现在已经在本地成功运行了 Chef!你可以使用现有的 Convex 账户登录 Chef。
注意:Chef 可通过 http://127.0.0.1:{port}/ 访问,而无法正常运行于 http://localhost:{port}/。
仓库结构
app/包含所有客户端代码以及一些无服务器 API。components/定义 UI 组件lib/包含客户端逻辑,用于同步本地状态与服务器routes/定义部分客户端和服务器路由
chef-agent/负责处理代理循环,包括注入系统提示、定义工具以及调用模型提供商。chefshot/定义了一个用于与 Chef Web 应用交互的 CLI 界面。convex/包含存储聊天记录和用户元数据的数据库。template/包含我们用于启动所有 Chef 项目的模板。test-kitchen/包含用于测试 Chef 代理循环的测试框架。
版本历史
prompts-v0.0.12025/09/11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。