genai-toolbox
mcp-toolbox 是一款由谷歌开源的数据库连接中间件,旨在让 AI 助手、开发工具和企业应用能够安全、直接地访问数据库。它基于模型上下文协议(MCP)构建,有效解决了大语言模型在缺乏专用接口时难以可靠查询企业数据,以及开发者重复编写数据库对接代码的痛点。
这款工具主要面向软件开发者和企业技术团队,同时也适合需要让 AI 代理具备数据操作能力的研究人员。其核心亮点在于“双重模式”设计:一方面提供开箱即用的通用工具,让用户无需编写额外代码即可通过自然语言指令探索表结构或执行 SQL 查询;另一方面提供强大的自定义框架,允许开发者定义受控的语义搜索或 NL2SQL(自然语言转 SQL)逻辑,确保生产环境下的数据安全与逻辑严谨。此外,mcp-toolbox 提供了涵盖 Python、JavaScript、Go 和 Java 的全方位 SDK,便于快速集成到各类现有系统中,是构建数据驱动型 AI 应用的理想基础设施。
使用场景
某电商公司的数据分析师正试图通过 AI 助手快速查询上周的用户订单趋势,以应对突发的运营会议需求。
没有 mcp-toolbox 时
- 流程繁琐低效:分析师无法直接让 AI 访问数据库,必须手动编写 SQL 语句并在数据库客户端执行,再将结果复制给 AI 分析,来回切换耗时耗力。
- 安全风险高企:若直接将数据库账号密码配置给 AI 插件,极易导致敏感数据泄露或缺乏权限控制的误操作(如误删表)。
- 开发重复造轮子:团队若想定制“自然语言查销量”功能,需从头搭建 API 网关、编写鉴权逻辑和参数校验代码,耗费数天开发周期。
- 上下文割裂:AI 无法理解数据库的实时 Schema 结构,生成的 SQL 常因字段名错误或类型不匹配而执行失败。
使用 mcp-toolbox 后
- 直连对话式分析:分析师在 IDE 或 CLI 中直接指令 AI“查询上周订单”,mcp-toolbox 作为安全中间层即时连接数据库并返回结果,实现秒级响应。
- 企业级安全管控:通过预定义的受限访问策略(Restricted Access),仅开放只读权限和特定表范围,彻底杜绝数据泄露与误删风险。
- 零代码定制工具:利用其自定义框架,团队仅需配置文件即可将复杂的“语义搜索”或"NL2SQL"逻辑封装为标准工具,几分钟内上线生产环境。
- 智能感知增强:mcp-toolbox 自动向 AI 暴露准确的数据库元数据,确保生成的 SQL 语法正确且符合当前表结构,大幅提升执行成功率。
mcp-toolbox 通过标准化的协议桥接,将原本割裂、高危的数据库交互转变为安全、即时且可定制的 AI 原生工作流。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
数据库专用 MCP 工具箱是一个开源的模型上下文协议(MCP)服务器,可将您的 AI 代理、集成开发环境和应用程序直接连接到企业数据库。
它具有双重用途:
- 开箱即用的 MCP 服务器(构建时): 使用我们预构建的通用工具,可立即将 Gemini CLI、Google Antigravity、Claude Code、Codex 或其他 MCP 客户端连接到您的数据库。无需编写样板代码,即可与数据对话、探索模式并生成代码。
- 自定义工具框架(运行时): 一个强大的框架,用于为您的生产代理构建专门且高度安全的 AI 工具。您可以安全且轻松地定义结构化查询、语义搜索和 NL2SQL 功能。
本 README 提供简要概述。有关详细信息,请参阅完整文档。
[!IMPORTANT]
仓库名称更新:genai-toolbox仓库已正式更名为mcp-toolbox。为确保本地环境反映新名称,您可能需要更新远程仓库地址:git remote set-url origin https://github.com/googleapis/mcp-toolbox.git
[!NOTE] 此解决方案最初名为“Gen AI 数据库工具箱”(github.com/googleapis/mcp-toolbox),因为其初始开发早于 MCP,但后来更名为与 MCP 兼容。
目录
为什么选择 MCP 工具箱?
- 开箱即用的数据库访问: 预构建的通用工具可让您直接从 IDE 或 CLI 即时探索数据(例如
list_tables、execute_sql)。 - 自定义工具框架: 您可以使用自己的预定义逻辑构建生产就绪的工具,通过限制访问、结构化查询和语义搜索来确保安全性。
- 简化开发: 您只需不到 10 行代码,即可将工具集成到您的 Agent Development Kit (ADK)、LangChain、LlamaIndex 或自定义代理中。
- 更佳性能: 自带连接池管理、集成身份验证(IAM)以及端到端可观ability(OpenTelemetry)等功能。
- 增强的安全性: 集成的身份验证机制使您对数据的访问更加安全。
- 端到端可观ability: 自带指标和跟踪功能,并内置对 OpenTelemetry 的支持。
快速入门:预构建工具
停止频繁切换上下文,让您的 AI 助手真正成为您的联合开发者。通过将您的 IDE 与数据库连接到 MCP 工具箱,您可以使用纯英文查询数据、自动化模式发现与管理,并生成具备数据库感知能力的代码。
您可以通过配置 MCP 服务器,在任何兼容 MCP 的 IDE 或客户端(如 Gemini CLI、Google Antigravity、Claude Code、Codex 等)中使用该工具箱。
预构建工具也可通过Google Antigravity 的 MCP 商店便捷地获取,只需单击即可完成安装。
将以下内容添加到您的客户端 MCP 配置文件中(通常为
mcp.json或claude_desktop_config.json):{ "mcpServers": { "toolbox-postgres": { "command": "npx", "args": [ "-y", "@toolbox-sdk/server", "--prebuilt=postgres" ] } } }设置适当的环境变量以进行连接,请参阅预构建工具参考。
当您使用 --prebuilt=<database> 标志运行 Toolbox 时,您将立即获得用于与该数据库交互的标准工具。
目前支持的数据库包括:
- Google Cloud: AlloyDB、BigQuery、Cloud SQL(PostgreSQL、MySQL、SQL Server)、Spanner、Firestore、Knowledge Catalog(原名 Dataplex)。
- 其他数据库: PostgreSQL、MySQL、SQL Server、Oracle、MongoDB、Redis、Elasticsearch、CockroachDB、ClickHouse、Couchbase、Neo4j、Snowflake、Trino 等。
有关所有支持数据库中可用工具及其功能的完整列表,请参阅预构建工具参考。
有关 Docker 或二进制文件等不同执行方式,请参阅安装并运行工具箱服务器部分。
[!TIP] 对于希望使用托管解决方案的用户,Google Cloud 的 MCP 服务器 提供了带有预构建工具的托管 MCP 体验;您可在此处了解更多差异。
快速入门:自定义工具
Toolbox 也可以用作构建自定义工具的框架。
配置 Toolbox 的主要方式是通过 tools.yaml 文件。如果有多个文件,你可以使用 --config tools.yaml 标志来指定要加载的文件。
你可以在资源中找到所有资源类型的更详细参考文档。
数据源
tools.yaml 文件中的 sources 部分定义了 Toolbox 应该访问哪些数据源。大多数工具至少会有一个需要执行操作的数据源。
kind: source
name: my-pg-source
type: postgres
host: 127.0.0.1
port: 5432
database: toolbox_db
user: toolbox_user
password: my-password
有关配置不同类型数据源的更多详细信息,请参阅数据源。
工具
tools.yaml 文件中的 tools 部分定义了代理可以执行的操作:工具的类型、影响的数据源、使用的参数等。
kind: tool
name: search-hotels-by-name
type: postgres-sql
source: my-pg-source
description: 根据名称搜索酒店。
parameters:
- name: name
type: string
description: 酒店的名称。
statement: SELECT * FROM hotels WHERE name ILIKE '%' || $1 || '%';
有关配置不同类型工具的更多详细信息,请参阅工具。
工具集
tools.yaml 文件中的 toolsets 部分允许你定义一组可以一起加载的工具。这对于根据代理或应用程序定义不同的组非常有用。
kind: toolset
name: my_first_toolset
tools:
- my_first_tool
- my_second_tool
---
kind: toolset
name: my_second_toolset
tools:
- my_second_tool
- my_third_tool
提示词
tools.yaml 文件中的 prompts 部分定义了可用于与 LLM 交互的提示词。
kind: prompt
name: code_review
description: “请求 LLM 分析代码质量并提出改进建议。”
messages:
- content: >
请审查以下代码的质量、正确性以及潜在的改进之处:\n\n{{.code}}
arguments:
- name: "code"
description: "待审查的代码"
有关配置提示词的更多详细信息,请参阅提示词。
安装并运行 Toolbox 服务器
你可以直接使用配置文件来运行 Toolbox:
npx @toolbox-sdk/server --config tools.yaml
这将使用你的配置文件运行最新版本的 Toolbox 服务器。
[!注意] 此方法更注重便捷性而非性能。若需更标准、更可靠的安装方式,请按照安装并运行 Toolbox 服务器中的说明使用二进制文件或容器镜像。
安装 Toolbox
要获取最新版本,请查看发布页面,并根据你的操作系统和 CPU 架构使用以下说明。
二进制文件
以二进制文件形式安装 Toolbox:
Linux (AMD64)
在 Linux (AMD64) 上以二进制文件形式安装 Toolbox:
# 其他版本请参见发布页面 export VERSION=1.0.0 curl -L -o toolbox https://storage.googleapis.com/mcp-toolbox-for-databases/v$VERSION/linux/amd64/toolbox chmod +x toolboxmacOS (Apple Silicon)
在 macOS (Apple Silicon) 上以二进制文件形式安装 Toolbox:
# 其他版本请参见发布页面 export VERSION=1.0.0 curl -L -o toolbox https://storage.googleapis.com/mcp-toolbox-for-databases/v$VERSION/darwin/arm64/toolbox chmod +x toolboxmacOS (Intel)
在 macOS (Intel) 上以二进制文件形式安装 Toolbox:
# 其他版本请参见发布页面 export VERSION=1.0.0 curl -L -o toolbox https://storage.googleapis.com/mcp-toolbox-for-databases/v$VERSION/darwin/amd64/toolbox chmod +x toolboxWindows (命令提示符)
在 Windows (命令提示符) 上以二进制文件形式安装 Toolbox:
:: 其他版本请参见发布页面 set VERSION=1.0.0 curl -o toolbox.exe "https://storage.googleapis.com/mcp-toolbox-for-databases/v%VERSION%/windows/amd64/toolbox.exe"Windows (PowerShell)
在 Windows (PowerShell) 上以二进制文件形式安装 Toolbox:
# 其他版本请参见发布页面 $VERSION = "1.0.0" curl.exe -o toolbox.exe "https://storage.googleapis.com/mcp-toolbox-for-databases/v$VERSION/windows/amd64/toolbox.exe"
容器镜像
你也可以通过容器安装 Toolbox:# 其他版本请参见发布页面
export VERSION=1.0.0
docker pull us-central1-docker.pkg.dev/database-toolbox/toolbox/toolbox:$VERSION
Homebrew
在 macOS 或 Linux 上使用 Homebrew 安装 Toolbox:
brew install mcp-toolbox
Gemini CLI
查看[Gemini CLI 扩展](https://geminicli.com/extensions/),可将针对 AlloyDB、BigQuery 和 Cloud SQL 等特定数据库的预构建工具直接安装到 Gemini CLI 中。# 安装 Gemini CLI
npm install -g @google/gemini-cli
# 安装扩展
gemini extensions install https://github.com/gemini-cli-extensions/cloud-sql-postgres
# 运行 Gemini CLI
gemini
通过 Gemini CLI 使用自然语言与你的自定义工具进行交互。
# 安装扩展
gemini extensions install https://github.com/gemini-cli-extensions/mcp-toolbox
运行 Toolbox
配置 一个 tools.yaml 文件来定义你的工具,然后执行 toolbox 命令启动服务器:
二进制文件
从二进制文件运行 Toolbox:
./toolbox --config "tools.yaml"
ⓘ 注意
Toolbox 默认启用动态重载功能。如需禁用,请使用--disable-reload标志。
容器镜像
拉取 容器镜像 后,运行以下命令启动服务器:
export VERSION=0.24.0 # 使用你拉取的版本
docker run -p 5000:5000 \
-v $(pwd)/tools.yaml:/app/tools.yaml \
us-central1-docker.pkg.dev/database-toolbox/toolbox/toolbox:$VERSION \
--config "/app/tools.yaml"
ⓘ 注意
-v标志会将本地的tools.yaml挂载到容器中,而-p则将容器的端口5000映射到主机的端口5000。
源代码
若要直接从源代码运行服务器,请导航到项目根目录并执行:
go run .
ⓘ 注意
此命令会直接从源代码运行项目,更适合开发和测试。它不会编译出二进制文件并放置到你的$GOPATH中。如果你想编译二进制文件,请参阅 开发者文档。
Homebrew
如果你使用 Homebrew 安装了 Toolbox,toolbox 二进制文件将位于系统的 PATH 中。你可以使用相同的命令启动服务器:
toolbox --config "tools.yaml"
NPM
若想直接运行 Toolbox 而无需手动下载二进制文件(需要 Node.js):
npx @toolbox-sdk/server --config tools.yaml
Gemini CLI
安装 [Gemini CLI 扩展](https://geminicli.com/extensions/) 后,在使用过程中即可访问预构建的工具集。# 运行 Gemini CLI
gemini
# 列出扩展
/exttensions list
# 列出 MCP 服务器
/mcp list
你可以使用 toolbox help 查看完整的标志列表!要停止服务器,只需发送终止信号(在大多数平台上为 ctrl+c)。
有关在不同环境中部署的更详细文档,请参阅 部署 Toolbox 部分中的资源。
连接到 Toolbox
一旦你的 Toolbox 服务器启动并运行,你就可以将工具加载到兼容 MCP 的客户端或应用程序中。
MCP 客户端
在你的 MCP 客户端配置中添加以下内容:
{
"mcpServers": {
"toolbox": {
"type": "http",
"url": "http://127.0.0.1:5000/mcp",
}
}
}
如果你想连接到特定的工具集,可以将 URL 替换为 http://127.0.0.1:5000/mcp/{toolset_name}。
Toolbox SDK:集成到你的应用
Toolbox 客户端 SDK 提供了易于使用的构建模块和高级功能,可帮助你将自定义应用程序连接到 MCP Toolbox 服务器。以下是针对不同框架的客户端 SDK 列表:
Python(Github)
核心 SDK
安装 Toolbox Core SDK:
pip install toolbox-core加载工具:
from toolbox_core import ToolboxClient # 将 URL 更新为指向你的服务器 async with ToolboxClient("http://127.0.0.1:5000") as client: # 这些工具可以传递给你的应用程序! tools = await client.load_toolset("toolset_name")有关使用 Toolbox Core SDK 的更多详细说明,请参阅项目的 README。
LangChain / LangGraph
pip install toolbox-langchain加载工具:
from toolbox_langchain import ToolboxClient # 将 URL 更新为指向你的服务器 async with ToolboxClient("http://127.0.0.1:5000") as client: # 这些工具可以传递给你的应用程序! tools = client.load_toolset()有关使用 Toolbox LangChain SDK 的更多详细说明,请参阅项目的 README。
LlamaIndex
pip install toolbox-llamaindex加载工具:
from toolbox_llamaindex import ToolboxClient # 将 URL 更新为指向你的服务器 async with ToolboxClient("http://127.0.0.1:5000") as client: # 这些工具可以传递给你的应用程序! tools = client.load_toolset()有关使用 Toolbox Llamaindex SDK 的更多详细说明,请参阅项目的 README。
Javascript/Typescript(Github)
核心 SDK
安装 Toolbox Core SDK:
npm install @toolbox-sdk/core加载工具:
import { ToolboxClient } from '@toolbox-sdk/core'; // 将 URL 更新为指向你的服务器 const URL = 'http://127.0.0.1:5000'; let client = new ToolboxClient(URL); // 这些工具可以传递给你的应用程序! const tools = await client.load_toolset('toolsetName');有关使用 Toolbox Core SDK 的更多详细说明,请参阅项目的 README。
LangChain / LangGraph
安装 Toolbox Core SDK:
npm install @toolbox-sdk/core加载工具:
import { ToolboxClient } from '@toolbox-sdk/core'; // 将 URL 更新为指向你的服务器 const URL = 'http://127.0.0.1:5000'; let client = new ToolboxClient(URL);// 这些工具可以传递给您的应用! const toolboxTools = await client.loadToolset('toolsetName');
// 定义工具的基本信息:名称、描述、参数 schema 和核心逻辑 const getTool = (toolboxTool) => tool(currTool, { name: toolboxTool.getName(), description: toolboxTool.getDescription(), schema: toolboxTool.getParamSchema() }); // 在您的 Langchain/Langgraph 应用中使用这些工具 const tools = toolboxTools.map(getTool); ```Genkit
安装 Toolbox Core SDK:
npm install @toolbox-sdk/core加载工具:
import { ToolboxClient } from '@toolbox-sdk/core'; import { genkit } from 'genkit'; // 初始化 genkit const ai = genkit({ plugins: [ googleAI({ apiKey: process.env.GEMINI_API_KEY || process.env.GOOGLE_API_KEY }) ], model: googleAI.model('gemini-2.0-flash'), }); // 将 URL 更新为指向您的服务器 const URL = 'http://127.0.0.1:5000'; let client = new ToolboxClient(URL); // 这些工具可以传递给您的应用! const toolboxTools = await client.loadToolset('toolsetName'); // 定义工具的基本信息:名称、描述、参数 schema 和核心逻辑 const getTool = (toolboxTool) => ai.defineTool({ name: toolboxTool.getName(), description: toolboxTool.getDescription(), schema: toolboxTool.getParamSchema() }, toolboxTool) // 在您的 Genkit 应用中使用这些工具 const tools = toolboxTools.map(getTool);ADK
安装 Toolbox ADK SDK:
npm install @toolbox-sdk/adk加载工具:
import { ToolboxClient } from '@toolbox-sdk/adk'; // 将 URL 更新为指向您的服务器 const URL = 'http://127.0.0.1:5000'; let client = new ToolboxClient(URL); // 这些工具可以传递给您的应用! const tools = await client.loadToolset('toolsetName');有关 Toolbox ADK SDK 的更详细使用说明,请参阅 项目的 README 文件。
Go (Github)
Core
安装 Toolbox Go SDK:
go get github.com/googleapis/mcp-toolbox-sdk-go加载工具:
package main import ( "github.com/googleapis/mcp-toolbox-sdk-go/core" "context" ) func main() { // 务必添加错误检查 // 将 URL 更新为指向您的服务器 URL := "http://127.0.0.1:5000"; ctx := context.Background() client, err := core.NewToolboxClient(URL) // 框架无关的工具 tools, err := client.LoadToolset("toolsetName", ctx) }有关 Toolbox Go SDK 的更详细使用说明,请参阅 项目的 README 文件。
LangChain Go
安装 Toolbox Go SDK:
go get github.com/googleapis/mcp-toolbox-sdk-go加载工具:
package main import ( "context" "encoding/json" "github.com/googleapis/mcp-toolbox-sdk-go/core" "github.com/tmc/langchaingo/llms" ) func main() { // 务必添加错误检查 // 将 URL 更新为指向您的服务器 URL := "http://127.0.0.1:5000" ctx := context.Background() client, err := core.NewToolboxClient(URL) // 框架无关的工具 tool, err := client.LoadTool("toolName", ctx) // 获取工具的输入 schema inputschema, err := tool.InputSchema() var paramsSchema map[string]any _ = json.Unmarshal(inputschema, ¶msSchema) // 在 LangChainGo 中使用此工具 langChainTool := llms.Tool{ Type: "function", Function: &llms.FunctionDefinition{ Name: tool.Name(), Description: tool.Description(), Parameters: paramsSchema, }, } }Genkit
安装 Toolbox Go SDK:
go get github.com/googleapis/mcp-toolbox-sdk-go加载工具:
package main import ( "context" "log" "github.com/firebase/genkit/go/genkit" "github.com/googleapis/mcp-toolbox-sdk-go/core" "github.com/googleapis/mcp-toolbox-sdk-go/tbgenkit" ) func main() { // 务必添加错误检查 // 将 URL 更新为指向您的服务器 URL := "http://127.0.0.1:5000" ctx := context.Background() g := genkit.Init(ctx) client, err := core.NewToolboxClient(URL) // 框架无关的工具 tool, err := client.LoadTool("toolName", ctx) // 使用 tbgenkit 包将工具转换 // 在 Genkit Go 中使用此工具 genkitTool, err := tbgenkit.ToGenkitTool(tool, g) if err != nil { log.Fatalf("工具转换失败:%v\n", err) } log.Printf("工具成功转换: %s", genkitTool.Name()) }Go GenAI
安装 Toolbox Go SDK:
go get github.com/googleapis/mcp-toolbox-sdk-go加载工具:
package main import ( "context" "encoding/json" "github.com/googleapis/mcp-toolbox-sdk-go/core" "google.golang.org/genai" ) func main() { // 务必添加错误检查 // 将 URL 更新为指向您的服务器 URL := "http://127.0.0.1:5000" ctx := context.Background() client, err := core.NewToolboxClient(URL) // 框架无关的工具 tool, err := client.LoadTool("toolName", ctx) // 获取工具的输入 schema inputschema, err := tool.InputSchema() var schema *genai.Schema _ = json.Unmarshal(inputschema, &schema) funcDeclaration := &genai.FunctionDeclaration{ Name: tool.Name(), Description: tool.Description(), Parameters: schema, } }// Use this tool with Go GenAI genAITool := &genai.Tool{ FunctionDeclarations: []*genai.FunctionDeclaration{funcDeclaration}, } } ```
OpenAI Go
Install Toolbox Go SDK:
go get github.com/googleapis/mcp-toolbox-sdk-goLoad tools:
package main import ( "context" "encoding/json" "github.com/googleapis/mcp-toolbox-sdk-go/core" openai "github.com/openai/openai-go" ) func main() { // Make sure to add the error checks // Update the url to point to your server URL := "http://127.0.0.1:5000" ctx := context.Background() client, err := core.NewToolboxClient(URL) // Framework agnostic tool tool, err := client.LoadTool("toolName", ctx) // Fetch the tool's input schema inputschema, err := tool.InputSchema() var paramsSchema openai.FunctionParameters _ = json.Unmarshal(inputschema, ¶msSchema) // Use this tool with OpenAI Go openAITool := openai.ChatCompletionToolParam{ Function: openai.FunctionDefinitionParam{ Name: tool.Name(), Description: openai.String(tool.Description()), Parameters: paramsSchema, }, } }ADK Go
Install Toolbox Go SDK:
go get github.com/googleapis/mcp-toolbox-sdk-goLoad tools:
package main import ( "github.com/googleapis/mcp-toolbox-sdk-go/tbadk" "context" ) func main() { // Make sure to add the error checks // Update the url to point to your server URL := "http://127.0.0.1:5000" ctx := context.Background() client, err := tbadk.NewToolboxClient(URL) if err != nil { return fmt.Sprintln("Could not start Toolbox Client", err) } // Use this tool with ADK Go tool, err := client.LoadTool("toolName", ctx) if err != nil { return fmt.Sprintln("Could not load Toolbox Tool", err) } }For more detailed instructions on using the Toolbox Go SDK, see the project's README.
Additional Features
Test tools with the Toolbox UI
To launch Toolbox's interactive UI, use the --ui flag. This allows you to test
tools and toolsets with features such as authorized parameters. To learn more,
visit Toolbox UI.
./toolbox --ui
Telemetry
Toolbox emits traces and metrics via OpenTelemetry. Use --telemetry-otlp=<endpoint>
to export to any OTLP-compatible backend like Google Cloud Monitoring, Agnost AI, or
others. See the telemetry docs for details.
Generate Agent Skills
The skills-generate command allows you to convert a toolset into an Agent Skill compatible with the Agent Skill specification. This is useful for distributing tools as portable skill packages.
toolbox --config tools.yaml skills-generate \
--name "my-skill" \
--toolset "my_toolset" \
--description "A skill containing multiple tools"
Once generated, you can install the skill into the Gemini CLI:
gemini skills install ./skills/my-skill
For more details, see the Generate Agent Skills guide.
Versioning
MCP Toolbox for Databases follows Semantic Versioning.
The Public API includes the Toolbox Server (CLI, configuration manifests, and pre-built toolsets) and the Client SDKs.
- Major versions are incremented for breaking changes, such as incompatible CLI or manifest changes.
- Minor versions are incremented for new features, including modifications to pre-built toolsets or beta features.
- Patch versions are incremented for backward-compatible bug fixes.
For more details, see our Full Versioning Policy.
Contributing
Contributions are welcome. Please, see the CONTRIBUTING guide to get started.
For technical details on setting up a environment for developing on Toolbox itself, see the DEVELOPER guide.
Please note that this project is released with a Contributor Code of Conduct. By participating in this project you agree to abide by its terms. See Contributor Code of Conduct for more information.
Community
Join our Discord community to connect with our developers!
版本历史
v1.0.02026/04/10v0.32.02026/04/08v0.31.02026/03/27v0.30.02026/03/20v0.29.02026/03/13v0.28.02026/03/02v0.27.02026/02/13v0.26.02026/01/23v0.25.02026/01/08v0.24.02025/12/19v0.23.02025/12/11v0.22.02025/12/05v0.21.02025/11/19v0.20.02025/11/14v0.19.12025/11/07v0.18.02025/10/23v0.17.02025/10/10v0.16.02025/09/26v0.15.02025/09/19v0.14.02025/09/05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。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器


