[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jacoblee93--fully-local-pdf-chatbot":3,"tool-jacoblee93--fully-local-pdf-chatbot":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","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。\n\n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。\n\nOpenClaw 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",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",147882,2,"2026-04-09T11:32:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","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。\n\n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。\n\n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",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-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。\n\n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。\n\nLLMs-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",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":10,"env_os":100,"env_gpu":101,"env_ram":102,"env_deps":103,"category_tags":115,"github_topics":79,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":149},6005,"jacoblee93\u002Ffully-local-pdf-chatbot","fully-local-pdf-chatbot","Yes, it's another chat over documents implementation... but this one is entirely local!","fully-local-pdf-chatbot 是一款专注于隐私保护的开源工具，让你能在完全离线的环境下与 PDF 文档进行智能对话。它解决了传统文档问答应用必须依赖云端服务器、存在数据泄露风险的痛点，确保你的敏感文件始终保留在本地设备中，甚至加载完成后断开网络也能正常使用。\n\n这款工具非常适合注重数据隐私的普通用户、需要在内网环境工作的企业员工，以及对本地大模型技术感兴趣的开发者。其核心亮点在于灵活的运行模式：既可以通过 Ollama 调用本地桌面端的强大模型，也能利用 WebLLM 技术直接在浏览器中运行轻量级模型（如 Phi-3.5），甚至支持体验 Chrome 内置的实验性 Gemini Nano 模型。\n\n在技术架构上，fully-local-pdf-chatbot 基于 Next.js 构建，创新性地集成了 Voy（纯 WASM 向量数据库）和 Transformers.js，实现了从文档解析、分块、向量化存储到检索增强生成（RAG）的全流程客户端化。这意味着所有复杂的 AI 推理和数据处理都在你的浏览器或本地完成，无需上传任何数据至外部服务器，真正做到了“数据不出域”的安","fully-local-pdf-chatbot 是一款专注于隐私保护的开源工具，让你能在完全离线的环境下与 PDF 文档进行智能对话。它解决了传统文档问答应用必须依赖云端服务器、存在数据泄露风险的痛点，确保你的敏感文件始终保留在本地设备中，甚至加载完成后断开网络也能正常使用。\n\n这款工具非常适合注重数据隐私的普通用户、需要在内网环境工作的企业员工，以及对本地大模型技术感兴趣的开发者。其核心亮点在于灵活的运行模式：既可以通过 Ollama 调用本地桌面端的强大模型，也能利用 WebLLM 技术直接在浏览器中运行轻量级模型（如 Phi-3.5），甚至支持体验 Chrome 内置的实验性 Gemini Nano 模型。\n\n在技术架构上，fully-local-pdf-chatbot 基于 Next.js 构建，创新性地集成了 Voy（纯 WASM 向量数据库）和 Transformers.js，实现了从文档解析、分块、向量化存储到检索增强生成（RAG）的全流程客户端化。这意味着所有复杂的 AI 推理和数据处理都在你的浏览器或本地完成，无需上传任何数据至外部服务器，真正做到了“数据不出域”的安全智能交互。","# 🏠 Fully Local Chat Over Documents\n\nYes, it's another chat over documents implementation... but this one is entirely local!\n\nYou can run it in three different ways:\n\n- 🦙 Exposing a port to a local LLM running on your desktop via [Ollama](https:\u002F\u002Follama.ai).\n- 🌐 Downloading weights into your browser and running via [WebLLM](https:\u002F\u002Fwebllm.mlc.ai\u002F).\n- ♊ Joining the early preview program for [Chrome's experimental built-in Gemini Nano model](https:\u002F\u002Fdeveloper.chrome.com\u002Fdocs\u002Fai\u002Fbuilt-in) and using it directly!\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjacoblee93_fully-local-pdf-chatbot_readme_4791f082e78d.gif)\n\nIt's a Next.js app that read the content of an uploaded PDF, chunks it, adds it to a vector store, and\nperforms RAG, all client side. You can even turn off your WiFi after the site loads.\n\nYou can see a live version at https:\u002F\u002Fwebml-demo.vercel.app.\n\nUsers can choose one of the below options to run inference:\n\n## 🦙 Ollama\n\nYou can run more powerful, general models outside the browser using [Ollama's desktop app](https:\u002F\u002Follama.ai). Users will need to download and set up then run the following commands to allow the site access to a locally running Mistral instance:\n\n### Mac\u002FLinux\n\n```bash\n$ OLLAMA_ORIGINS=https:\u002F\u002Fwebml-demo.vercel.app OLLAMA_HOST=127.0.0.1:11435 ollama serve\n```\n\nThen, in another terminal window:\n\n```bash\n$ OLLAMA_HOST=127.0.0.1:11435 ollama pull mistral\n```\n\n### Windows\n\n```cmd\n$ set OLLAMA_ORIGINS=https:\u002F\u002Fwebml-demo.vercel.app\nset OLLAMA_HOST=127.0.0.1:11435\nollama serve\n```\n\nThen, in another terminal window:\n\n```cmd\n$ set OLLAMA_HOST=127.0.0.1:11435\nollama pull mistral\n```\n\n## 🌐 Fully in-browser (WebLLM)\n\nYou can run the entire stack your browser via [WebLLM](https:\u002F\u002Fwebllm.mlc.ai\u002F). The model used is the small, 3.8B parameter [Phi-3.5](https:\u002F\u002Fhuggingface.co\u002Fmicrosoft\u002FPhi-3.5-mini-instruct).\n\nYou don't have to leave the window to set this up - just upload a PDF and go!\n\nNote that the first time you start a chat, the app will download and cache the model weights. This download is several GB in size and may take a little while, so make sure you have a good internet connection!\n\n## ♊ Built-in Gemini Nano\n\nYou can also use the experimental preview of Chrome's built-in Gemini Nano model. You'll need to join the early preview program to use this mode. Install Chrome while following the directions given in the official guide provided, and you should be all set!\n\nNote that the built-in Gemini Nano model is experimental and is not chat tuned, so results may vary!\n\n## ⚡ Stack\n\nIt uses the following:\n\n- [Voy](https:\u002F\u002Fgithub.com\u002Ftantaraio\u002Fvoy) as the vector store, fully WASM in the browser.\n- [Ollama](https:\u002F\u002Follama.ai\u002F), [WebLLM](https:\u002F\u002Fwebllm.mlc.ai\u002F), or [Chrome's built-in Gemini Nano](https:\u002F\u002Fdeveloper.chrome.com\u002Fdocs\u002Fai\u002Fbuilt-in) to run an LLM locally and expose it to the web app.\n- [LangGraph.js](https:\u002F\u002Flangchain-ai.github.io\u002Flanggraphjs\u002F) and [LangChain.js](https:\u002F\u002Fjs.langchain.com) to call the models, perform retrieval, and generally orchestrate all the pieces.\n- [Transformers.js](https:\u002F\u002Fhuggingface.co\u002Fdocs\u002Ftransformers.js\u002Findex) to run open source [Nomic](https:\u002F\u002Fwww.nomic.ai\u002F) embeddings in the browser.\n  - For higher-quality embeddings, switch to `\"nomic-ai\u002Fnomic-embed-text-v1\"` in `app\u002Fworker.ts`.\n\nWhile the goal is to run as much of the app as possible directly in the browser, but you can swap in [Ollama embeddings](https:\u002F\u002Fjs.langchain.com\u002Fdocs\u002Fmodules\u002Fdata_connection\u002Ftext_embedding\u002Fintegrations\u002Follama) in lieu of Transformers.js as well.\n\n## 🔱 Forking\n\nTo run\u002Fdeploy this yourself, simply fork this repo and install the required dependencies with `yarn`.\n\nThere are no required environment variables, but you can optionally set up [LangSmith tracing](https:\u002F\u002Fsmith.langchain.com\u002F) while developing locally to help debug the prompts and the chain. Copy the `.env.example` file into a `.env.local` file:\n\n```ini\n# No environment variables required!\n\n# LangSmith tracing from the web worker.\n# WARNING: FOR DEVELOPMENT ONLY. DO NOT DEPLOY A LIVE VERSION WITH THESE\n# VARIABLES SET AS YOU WILL LEAK YOUR LANGCHAIN API KEY.\nNEXT_PUBLIC_LANGCHAIN_TRACING_V2=\"true\"\nNEXT_PUBLIC_LANGCHAIN_API_KEY=\nNEXT_PUBLIC_LANGCHAIN_PROJECT=\n```\n\nJust make sure you don't set this in production, as your LangChain API key will be public on the frontend!\n\n## 📖 Further reading\n\nFor a bit more on this topic, check out [my blog post on Ollama](https:\u002F\u002Follama.ai\u002Fblog\u002Fbuilding-llm-powered-web-apps) or [my Google Summit talk on building with LLMs in the browser](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=-1sdWLr3TbI).\n\n## 🙏 Thank you!\n\nSpecial thanks to:\n\n- [@dawchihliou](https:\u002F\u002Ftwitter.com\u002Fdawchihliou) for making Voy\n- [@jmorgan](https:\u002F\u002Ftwitter.com\u002Fjmorgan) and [@mchiang0610](https:\u002F\u002Ftwitter.com\u002Fmchiang0610) for making Ollama and for your feedback\n- [@charlie_ruan](https:\u002F\u002Ftwitter.com\u002Fcharlie_ruan) for your incredible work on WebLLM\n- [@xenovacom](https:\u002F\u002Ftwitter.com\u002Fxenovacom) for making Transformers.js\n- And [@jason_mayes](https:\u002F\u002Ftwitter.com\u002Fjason_mayes) and [@nfcampos](https:\u002F\u002Ftwitter.com\u002Fnfcampos) for inspiration and some great conversations.\n\nFor more, follow me on Twitter [@Hacubu](https:\u002F\u002Fx.com\u002Fhacubu)!\n","# 🏠 完全本地化的文档聊天\n\n是的，又是一个基于文档的聊天应用实现……但这一次完全在本地运行！\n\n你可以通过三种不同的方式来运行它：\n\n- 🦙 通过 [Ollama](https:\u002F\u002Follama.ai) 将端口暴露给你在桌面端运行的本地大模型。\n- 🌐 将模型权重下载到浏览器中，并通过 [WebLLM](https:\u002F\u002Fwebllm.mlc.ai\u002F) 运行。\n- ♊ 加入 [Chrome 实验性内置 Gemini Nano 模型](https:\u002F\u002Fdeveloper.chrome.com\u002Fdocs\u002Fai\u002Fbuilt-in) 的早期预览计划，直接使用它！\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjacoblee93_fully-local-pdf-chatbot_readme_4791f082e78d.gif)\n\n这是一个 Next.js 应用，它会读取上传的 PDF 文件内容，将其分块后存入向量数据库，并在客户端完成 RAG 流程。甚至在网站加载完成后，你也可以关闭 WiFi。\n\n你可以在 https:\u002F\u002Fwebml-demo.vercel.app 上查看实时版本。\n\n用户可以选择以下任一选项来进行推理：\n\n## 🦙 Ollama\n\n你可以使用 [Ollama 的桌面应用](https:\u002F\u002Follama.ai)，在浏览器之外运行更强大、更通用的模型。用户需要下载并设置好环境，然后执行以下命令，以允许该站点访问本地运行的 Mistral 实例：\n\n### Mac\u002FLinux\n\n```bash\n$ OLLAMA_ORIGINS=https:\u002F\u002Fwebml-demo.vercel.app OLLAMA_HOST=127.0.0.1:11435 ollama serve\n```\n\n然后，在另一个终端窗口中：\n\n```bash\n$ OLLAMA_HOST=127.0.0.1:11435 ollama pull mistral\n```\n\n### Windows\n\n```cmd\n$ set OLLAMA_ORIGINS=https:\u002F\u002Fwebml-demo.vercel.app\nset OLLAMA_HOST=127.0.0.1:11435\nollama serve\n```\n\n然后，在另一个终端窗口中：\n\n```cmd\n$ set OLLAMA_HOST=127.0.0.1:11435\nollama pull mistral\n```\n\n## 🌐 完全在浏览器中运行（WebLLM）\n\n你可以通过 [WebLLM](https:\u002F\u002Fwebllm.mlc.ai\u002F) 在浏览器中运行整个堆栈。所使用的模型是小型的、具有 38 亿参数的 [Phi-3.5](https:\u002F\u002Fhuggingface.co\u002Fmicrosoft\u002FPhi-3.5-mini-instruct)。\n\n你无需离开当前页面即可完成设置——只需上传一个 PDF 文件即可开始！\n\n请注意，首次开始聊天时，应用会下载并缓存模型权重。这个下载文件大小可能达到几 GB，因此需要一些时间，请确保你的网络连接良好。\n\n## ♊ 内置 Gemini Nano\n\n你也可以使用 Chrome 内置的 Gemini Nano 模型的实验性预览版。你需要加入早期预览计划才能使用此模式。按照官方指南中的说明安装 Chrome 后，你就可以开始使用了。\n\n需要注意的是，内置的 Gemini Nano 模型目前仍处于实验阶段，且未针对对话场景进行优化，因此结果可能会有所不同。\n\n## ⚡ 技术栈\n\n该项目使用了以下技术：\n\n- [Voy](https:\u002F\u002Fgithub.com\u002Ftantaraio\u002Fvoy) 作为向量数据库，完全在浏览器中以 WASM 运行。\n- [Ollama](https:\u002F\u002Follama.ai\u002F)、[WebLLM](https:\u002F\u002Fwebllm.mlc.ai\u002F) 或 [Chrome 内置 Gemini Nano](https:\u002F\u002Fdeveloper.chrome.com\u002Fdocs\u002Fai\u002Fbuilt-in) 来在本地运行大模型，并将其暴露给 Web 应用。\n- [LangGraph.js](https:\u002F\u002Flangchain-ai.github.io\u002Flanggraphjs\u002F) 和 [LangChain.js](https:\u002F\u002Fjs.langchain.com) 用于调用模型、执行检索操作，并协调各个组件的工作。\n- [Transformers.js](https:\u002F\u002Fhuggingface.co\u002Fdocs\u002Ftransformers.js\u002Findex) 用于在浏览器中运行开源的 [Nomic](https:\u002F\u002Fwww.nomic.ai\u002F) 嵌入模型。\n  - 如果需要更高品质的嵌入，可以在 `app\u002Fworker.ts` 中切换到 `\"nomic-ai\u002Fnomic-embed-text-v1\"`。\n\n虽然目标是尽可能多地在浏览器中运行应用，但你也可以用 [Ollama 嵌入](https:\u002F\u002Fjs.langchain.com\u002Fdocs\u002Fmodules\u002Fdata_connection\u002Ftext_embedding\u002Fintegrations\u002Follama) 替代 Transformers.js。\n\n## 🔱 分叉项目\n\n要自行运行或部署该项目，只需分叉本仓库，并使用 `yarn` 安装所需的依赖项。\n\n该项目没有必需的环境变量，但在本地开发时，你可以选择设置 [LangSmith 跟踪](https:\u002F\u002Fsmith.langchain.com)，以帮助调试提示词和链路流程。将 `.env.example` 文件复制为 `.env.local` 文件：\n\n```ini\n# 无需任何环境变量！\n\n# 从 Web Worker 启用 LangSmith 跟踪。\n# 警告：仅用于开发目的。请勿在上线版本中启用这些变量，\n# 因为这会导致你的 LangChain API 密钥泄露。\nNEXT_PUBLIC_LANGCHAIN_TRACING_V2=\"true\"\nNEXT_PUBLIC_LANGCHAIN_API_KEY=\nNEXT_PUBLIC_LANGCHAIN_PROJECT=\n```\n\n请务必不要在生产环境中启用这些设置，否则你的 LangChain API 密钥将会暴露在前端！\n\n## 📖 更多阅读\n\n如果你想深入了解这个主题，可以阅读我的 [关于 Ollama 的博客文章](https:\u002F\u002Follama.ai\u002Fblog\u002Fbuilding-llm-powered-web-apps) 或我在 [Google Summit 上关于在浏览器中构建 LLM 应用的演讲](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=-1sdWLr3TbI)。\n\n## 🙏 感谢\n\n特别感谢以下几位：\n\n- [@dawchihliou](https:\u002F\u002Ftwitter.com\u002Fdawchihliou)，感谢你创造了 Voy。\n- [@jmorgan](https:\u002F\u002Ftwitter.com\u002Fjmorgan) 和 [@mchiang0610](https:\u002F\u002Ftwitter.com\u002Fmchiang0610)，感谢你们创建了 Ollama 并提供了宝贵的反馈。\n- [@charlie_ruan](https:\u002F\u002Ftwitter.com\u002Fcharlie_ruan)，感谢你为 WebLLM 所做的卓越工作。\n- [@xenovacom](https:\u002F\u002Ftwitter.com\u002Fxenovacom)，感谢你开发了 Transformers.js。\n- [@jason_mayes](https:\u002F\u002Ftwitter.com\u002Fjason_mayes) 和 [@nfcampos](https:\u002F\u002Ftwitter.com\u002Fnfcampos)，感谢你们的启发以及精彩的交流。\n\n更多内容，请关注我在 Twitter 上的账号 [@Hacubu](https:\u002F\u002Fx.com\u002Fhacubu)！","# fully-local-pdf-chatbot 快速上手指南\n\n`fully-local-pdf-chatbot` 是一个完全在本地运行的文档问答工具。它基于 Next.js 构建，支持上传 PDF 文件，通过向量化存储和 RAG（检索增强生成）技术，在**无需联网**（加载完成后）的情况下实现与文档的对话。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：macOS, Linux, 或 Windows\n- **浏览器**：现代浏览器（推荐 Chrome 以支持内置模型或 WebLLM）\n- **网络**：首次运行需联网下载模型权重（数 GB），后续可离线使用\n\n### 前置依赖\n- **Node.js** (推荐 v18+)\n- **Yarn** 包管理器\n- **可选后端**：若选择 Ollama 模式，需安装 [Ollama](https:\u002F\u002Follama.ai\u002F) 桌面应用\n\n> **注意**：本项目主要依赖浏览器端计算（WASM），对本地内存和显卡有一定要求。国内用户若遇到模型下载缓慢，建议配置网络加速工具。\n\n---\n\n## 安装步骤\n\n### 1. 克隆项目与安装依赖\n首先 Fork 或克隆仓库，然后安装依赖：\n\n```bash\ngit clone \u003Cyour-forked-repo-url>\ncd fully-local-pdf-chatbot\nyarn install\n```\n\n### 2. 配置环境变量（可选）\n项目无需强制配置环境变量即可运行。若需在开发阶段调试 Prompt 和链路，可启用 LangSmith 追踪：\n\n```bash\ncp .env.example .env.local\n```\n\n编辑 `.env.local` 填入你的 Key（**警告**：仅限本地开发，切勿部署到生产环境，否则会导致 API Key 泄露）：\n\n```ini\nNEXT_PUBLIC_LANGCHAIN_TRACING_V2=\"true\"\nNEXT_PUBLIC_LANGCHAIN_API_KEY=your_key_here\nNEXT_PUBLIC_LANGCHAIN_PROJECT=your_project_name\n```\n\n### 3. 启动开发服务器\n```bash\nyarn dev\n```\n访问 `http:\u002F\u002Flocalhost:3000` 即可使用。\n\n---\n\n## 基本使用\n\n本工具提供三种推理模式，用户可根据需求选择：\n\n### 模式一：完全浏览器运行 (WebLLM) - 最简单\n无需额外配置后端，所有计算在浏览器内完成。\n1. 打开网页，直接上传 PDF 文件。\n2. 首次使用时，浏览器会自动下载并缓存 **Phi-3.5 (3.8B)** 模型权重（约几 GB，请保持网络连接）。\n3. 下载完成后，即可开始对话。此时断开 WiFi 仍可正常使用。\n\n### 模式二：连接本地 Ollama - 性能更强\n适合需要运行更大、更通用模型的场景。\n\n**第一步：启动 Ollama 服务**\n允许网页访问本地 Ollama 实例。\n\n*Mac\u002FLinux:*\n```bash\nOLLAMA_ORIGINS=https:\u002F\u002Fwebml-demo.vercel.app OLLAMA_HOST=127.0.0.1:11435 ollama serve\n```\n*(注：若在本地运行，请将 `https:\u002F\u002Fwebml-demo.vercel.app` 替换为你的本地地址 `http:\u002F\u002Flocalhost:3000`)*\n\n*Windows (CMD):*\n```cmd\nset OLLAMA_ORIGINS=http:\u002F\u002Flocalhost:3000\nset OLLAMA_HOST=127.0.0.1:11435\nollama serve\n```\n\n**第二步：拉取模型**\n新开一个终端窗口，下载 Mistral 模型：\n\n*Mac\u002FLinux:*\n```bash\nOLLAMA_HOST=127.0.0.1:11435 ollama pull mistral\n```\n\n*Windows (CMD):*\n```cmd\nset OLLAMA_HOST=127.0.0.1:11435\nollama pull mistral\n```\n\n**第三步：使用**\n刷新网页，选择 Ollama 模式，上传 PDF 即可调用本地强大的模型进行问答。\n\n### 模式三：Chrome 内置 Gemini Nano (实验性)\n1. 确保你已加入 [Chrome 内置 AI 早期预览计划](https:\u002F\u002Fdeveloper.chrome.com\u002Fdocs\u002Fai\u002Fbuilt-in)。\n2. 按照官方指南安装特定版本的 Chrome。\n3. 在网页中选择该模式即可直接使用（注意：该模型未经过专门的聊天微调，效果可能波动）。\n\n---\n\n## 技术栈概览\n- **向量数据库**: [Voy](https:\u002F\u002Fgithub.com\u002Ftantaraio\u002Fvoy) (浏览器端 WASM)\n- **大模型推理**: Ollama \u002F WebLLM \u002F Chrome Gemini Nano\n- **编排框架**: LangGraph.js & LangChain.js\n- **嵌入模型**: Transformers.js (默认运行 Nomic 开源嵌入模型)","某金融合规分析师需要在无外网连接的保密会议室中，快速从数百页的英文监管草案 PDF 里提取关键条款并生成中文摘要。\n\n### 没有 fully-local-pdf-chatbot 时\n- **数据泄露风险高**：必须将敏感文档上传至云端 AI 服务，违反公司“数据不出域”的安全红线。\n- **网络依赖性强**：一旦进入屏蔽外部网络的保密室，所有基于云端的文档分析工具立即瘫痪，工作被迫中断。\n- **响应延迟严重**：上传大文件及等待云端排队处理耗时漫长，无法在紧急会议中实时回答高管提问。\n- **成本不可控**：频繁调用商业 API 处理大量长文档会产生高昂的费用，且难以预估单次任务成本。\n\n### 使用 fully-local-pdf-chatbot 后\n- **极致数据安全**：利用 Ollama 或浏览器内置模型（如 Gemini Nano），所有 PDF 解析、向量化存储及推理过程均在本地完成，断网也能跑，彻底杜绝泄密。\n- **零网络依赖部署**：支持通过 WebLLM 直接在浏览器加载模型权重，或在本地运行 Mistral 模型，无需配置复杂服务器，打开网页即可离线工作。\n- **即时交互体验**：文档分块与检索增强生成（RAG）全在客户端毫秒级响应，分析师可连续追问细节，像与专家面对面交流般流畅。\n- **零边际成本**：完全开源免费，复用本地算力资源，无需为每次查询支付 Token 费用，适合高频次内部使用。\n\nfully-local-pdf-chatbot 通过将完整的 RAG 链路搬至本地，在确保绝对数据隐私的前提下，让离线环境下的深度文档洞察变得像本地记事本一样简单高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjacoblee93_fully-local-pdf-chatbot_4791f082.gif","jacoblee93","Jacob Lee","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjacoblee93_2315c56c.jpg","All the Langs","@langchain-ai","San Francisco",null,"hacubu","https:\u002F\u002Fjacobscript.dev","https:\u002F\u002Fgithub.com\u002Fjacoblee93",[84,88,92],{"name":85,"color":86,"percentage":87},"TypeScript","#3178c6",92.6,{"name":89,"color":90,"percentage":91},"JavaScript","#f1e05a",4,{"name":93,"color":94,"percentage":95},"CSS","#663399",3.5,1812,329,"2026-04-09T10:28:58","MIT","macOS, Linux, Windows","非必需。若使用浏览器内运行 (WebLLM\u002FGemini Nano)，依赖设备支持的 WebGPU；若使用 Ollama 桌面版，取决于所选模型（如 Mistral）的本地硬件要求，README 未指定具体显卡型号或显存大小。","未说明（注：浏览器模式首次需下载数 GB 模型权重，建议内存充足以承载 3.8B+ 参数模型推理）",{"notes":104,"python":105,"dependencies":106},"该项目是一个完全在客户端（浏览器或本地 Ollama）运行的 Next.js 应用，无需后端服务器。支持三种运行模式：1. 通过 Ollama 连接本地大模型（需配置环境变量允许跨域）；2. 纯浏览器模式（使用 WebLLM 加载 Phi-3.5 模型，首次启动需下载数 GB 权重，建议保持网络连接）；3. Chrome 内置的实验性 Gemini Nano 模型（需加入早期预览计划）。若使用浏览器内嵌模式，加载后可断开 WiFi 使用。开发时需安装 yarn 依赖，无强制环境变量要求。","未说明（项目基于 Next.js，主要运行时为 Node.js 和浏览器环境）",[107,108,109,110,111,112,113,114],"Next.js","Voy","Ollama","WebLLM","LangGraph.js","LangChain.js","Transformers.js","Yarn",[35,14,16],"2026-03-27T02:49:30.150509","2026-04-10T06:36:29.338220",[119,124,129,134,139,144],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},27223,"如何在本地运行该项目？","首先克隆仓库，然后运行 `yarn` 安装依赖，最后执行 `yarn dev` 以开发模式启动应用。如果遇到构建错误，可能需要手动安装 `@langchain\u002Fcore`（运行 `yarn add @langchain\u002Fcore`）。","https:\u002F\u002Fgithub.com\u002Fjacoblee93\u002Ffully-local-pdf-chatbot\u002Fissues\u002F3",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},27224,"上传 PDF 文件时出现 'OrtRun(). error code = 6' 或 'out of Bounds' 错误怎么办？","该错误通常由 onnxruntime-web 的内存不足问题引起。临时解决方法包括：(1) 减小批处理大小 (batch size)；(2) 减小序列长度 (sequence length)。该问题预计将在 transformers.js v3 (onnxruntime-web v1.17.0) 中修复，届时将支持 WebGPU 并解决大于 2GB 的 WASM 内存访问 bug。","https:\u002F\u002Fgithub.com\u002Fjacoblee93\u002Ffully-local-pdf-chatbot\u002Fissues\u002F6",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},27225,"遇到 'Failed to fetch' 错误且确认 Ollama 正在运行，如何解决？","这通常是 CORS（跨域资源共享）配置问题。如果使用 Docker 运行 Ollama，启动时需设置环境变量允许来源，例如：`docker run -d -v .\u002Follama -p 11434:11434 -e OLLAMA_ORIGINS=\"*\" --name ollama ollama\u002Follama`。如果在 Linux\u002FWSL 上直接运行，需先停止现有服务 (`sudo service ollama stop` 或杀死进程)，然后使用指定参数重启：`OLLAMA_ORIGINS=http:\u002F\u002Flocalhost:3000 OLLAMA_HOST=127.0.0.1:11434 ollama serve`。","https:\u002F\u002Fgithub.com\u002Fjacoblee93\u002Ffully-local-pdf-chatbot\u002Fissues\u002F8",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},27226,"在 Linux 系统上无法拉取模型或连接 Ollama 怎么办？","尝试在拉取模型时显式指定 host 地址。运行命令：`OLLAMA_HOST=127.0.0.1:11435 ollama pull mistral`（将 mistral 替换为你需要的模型名）。这能确保模型被正确拉取到指定的监听地址。","https:\u002F\u002Fgithub.com\u002Fjacoblee93\u002Ffully-local-pdf-chatbot\u002Fissues\u002F2",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},27227,"是否可以使用 Web-LLM 代替 Ollama 服务器？","可以。项目支持通过 Web-LLM 在浏览器中直接通过 WASM\u002FWebGPU 运行模型，无需后端 Ollama 服务。开发者可以实现类似 LangServe 的端点，使 Web 开发者能够使用标准的 `invoke\u002Fbatch\u002Fstream` API 在本地构建链式调用。","https:\u002F\u002Fgithub.com\u002Fjacoblee93\u002Ffully-local-pdf-chatbot\u002Fissues\u002F10",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},27228,"嵌入 PDF 时一直报错 'Error: failed to call OrtRun(). error code = 6' 如何解决？","这是浏览器端模型执行的内存限制问题。如果不想等待官方修复内存 bug，最直接的解决方案是切换使用 Ollama 进行嵌入（embeddings），而不是使用默认的浏览器端 Transformers.js 模型。","https:\u002F\u002Fgithub.com\u002Fjacoblee93\u002Ffully-local-pdf-chatbot\u002Fissues\u002F13",[]]