chatgpt-telegram
chatgpt-telegram 是一款能让你通过一条命令,就在 Telegram 上拥有专属 ChatGPT 机器人的开源工具。它本质上是一个基于 Go 语言开发的命令行程序,旨在打通即时通讯软件与 OpenAI 大模型之间的连接,让你无需频繁切换网页或应用,直接在熟悉的聊天界面中即可与 AI 进行流畅对话。
这款工具主要解决了用户希望将 AI 能力无缝集成到日常沟通场景中的需求,特别适合那些习惯使用 Telegram 的普通用户、技术爱好者以及希望快速搭建私人 AI 助手的开发者。无论是想随时查询信息、辅助写作,还是仅仅体验与 AI 聊天的乐趣,它都能提供便捷的入口。
其技术亮点在于极简的部署方式和灵活的认证机制。用户只需下载对应系统的可执行文件,简单配置 Telegram 令牌即可完成设置。更贴心的是,针对服务器等无图形界面环境,它支持手动提取浏览器会话令牌(Session Token)进行认证,无需启动浏览器即可稳定运行。此外,项目还提供了 Docker 镜像支持,方便具备容器化经验的用户在服务器上快速部署。整体而言,这是一个轻量、高效且隐私可控的 AI 交互方案。
使用场景
一位远程运维工程师需要在服务器故障时,随时随地通过手机获取 ChatGPT 的技术支持以快速排查问题。
没有 chatgpt-telegram 时
- 响应延迟严重:遇到紧急报错时,工程师必须打开电脑浏览器登录网页版 ChatGPT,无法在移动端即时获得解答。
- 操作环境受限:在无图形界面(Headless)的 Linux 服务器上,无法直接运行需要浏览器交互的认证流程,导致 AI 助手“失联”。
- 信息割裂低效:需要将服务器日志手动复制粘贴到网页对话框,再将生成的方案复制回终端执行,流程繁琐且易出错。
- 权限管理缺失:若将账号借给团队成员使用,缺乏简单的白名单机制来限制访问者,存在账号安全风险。
使用 chatgpt-telegram 后
- 即时移动响应:工程师只需在 Telegram 中发送错误日志,chatgpt-telegram 即刻调用 ChatGPT 返回修复建议,实现秒级响应。
- 无缝服务端部署:通过 Docker 或提取 Session Cookie 的方式,chatgpt-telegram 可轻松部署在无屏幕的后台服务器上,确保持续在线。
- 流式交互体验:直接在聊天窗口中完成“提问 - 分析 - 执行”闭环,chatgpt-telegram 支持流式输出,阅读长代码方案更流畅。
- 精准访问控制:配置
TELEGRAM_ID后,chatgpt-telegram 仅允许指定管理员账号交互,既保障了团队协作又杜绝了未授权访问。
chatgpt-telegram 将强大的 ChatGPT 能力无缝嵌入日常通讯工具,让技术支援突破设备与环境限制,真正实现随时随地的智能运维。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
ChatGPT-机器人
与 ChatGPT 互动
Go CLI 驱动的 Telegram 机器人,允许你与 OpenAI 训练的大型语言模型 ChatGPT 进行交互。
安装
在 发布页面 下载适用于你操作系统的文件。
chatgpt-telegram-Darwin-amd64: macOS (Intel)chatgpt-telegram-Darwin-arm64: macOS (M1)chatgpt-telegram-Linux-amd64: Linuxchatgpt-telegram-Linux-arm64: Linux (ARM)chatgpt-telegram-Win-amd64: Windows
下载文件后,将其解压到一个文件夹中,并用文本编辑器打开 env.example 文件,填写你的凭据。
TELEGRAM_TOKEN: 你的 Telegram Bot 令牌- 按照这篇指南创建一个机器人并获取令牌。
TELEGRAM_ID(可选): 你的 Telegram 用户 ID- 如果设置此项,只有你可以与机器人互动。
- 要获取你的 ID,在 Telegram 中发送消息给
@userinfobot。 - 可以提供多个 ID,用逗号分隔。
EDIT_WAIT_SECONDS(可选): 编辑之间等待的秒数- 默认值为
1秒,但如果你开始收到大量Too Many Requests错误,可以增加此值。
- 默认值为
- 保存文件,并将其重命名为
.env。
注意 请确保将文件重命名为 完全
.env!否则程序将无法运行。
最后,在你的计算机上打开终端(如果是 Windows,请查找 PowerShell),导航到你解压上述文件的路径(你可以使用 cd dirname 来切换目录,如果需要更多帮助,可以问问 ChatGPT 😉),然后运行 ./chatgpt-telegram。
使用 Docker 运行
如果你打算在已安装 Docker 的服务器上运行此程序,建议使用我们的 Docker 镜像。
docker pull ghcr.io/m1guelpf/chatgpt-telegram
以下是使用 docker-compose 设置的方法:
services:
chatgpt-telegram:
image: ghcr.io/m1guelpf/chatgpt-telegram
container_name: chatgpt-telegram
volumes:
# 你的本地 ".config" 文件夹必须包含 "chatgpt.json" 文件
- .config/:/root/.config
environment:
- TELEGRAM_ID=
- TELEGRAM_TOKEN=
注意 Docker 设置针对下方描述的无浏览器认证机制进行了优化。请务必在运行前更新此仓库中的
.config/chatgpt.json文件,填入你的会话令牌。
认证
默认情况下,程序会启动一个浏览器供你登录账户,并在登录完成后自动关闭。如果这种设置对你不起作用(例如浏览器无法启动、你想在无屏幕的计算机上运行等),你可以手动从浏览器中提取会话信息。
具体操作如下:首先在浏览器中登录 ChatGPT,然后打开开发者工具(右键点击页面任意位置,选择“检查”),切换到“Application”选项卡,再进入“Cookies”部分,复制 __Secure-next-auth.session-token cookie 的值。
接下来,根据你的操作系统,在以下路径创建配置文件(将 YOUR_USERNAME_HERE 替换为你的用户名):
~/.config/chatgpt.json: LinuxC:\Users\YOUR_USERNAME_HERE\AppData\Roaming\chatgpt.json: Windows/Users/YOUR_USERNAME_HERE/Library/Application Support/chatgpt.json: macOS
注意 如果你已经运行过该程序,文件应该已经存在但为空。如果文件尚未存在,你可以先运行程序,或者手动创建它。
最后,将你的 cookie 添加到文件中并保存。文件内容应如下所示:{ "openaisession": "YOUR_COOKIE_HERE" }。
许可证
本仓库采用 MIT 许可证 许可。
版本历史
v0.2.52022/12/12v0.2.42022/12/11v0.2.32022/12/10v0.2.22022/12/10v0.2.12022/12/09v0.22022/12/06v0.12022/12/04常见问题
相似工具推荐
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
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
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。
funNLP
funNLP 是一个专为中文自然语言处理(NLP)打造的超级资源库,被誉为"NLP 民工的乐园”。它并非单一的软件工具,而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点,funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具,还独特地收录了丰富的垂直领域资源,如法律、医疗、金融行业的专用词库与数据集,甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性,从基础的字典词典到前沿的 BERT、GPT-2 模型代码,再到高质量的标注数据和竞赛方案,应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师,还是从事人工智能研究的学者,都能在这里找到急需的“武器弹药”。对于开发者而言,它能大幅减少寻找数据和复现模型的时间;对于研究者,它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神,极大地降低了中文自然语言处理的开发与研究成本,是中文 AI 社区不可或缺的宝藏仓库。
gpt4all
GPT4All 是一款让普通电脑也能轻松运行大型语言模型(LLM)的开源工具。它的核心目标是打破算力壁垒,让用户无需依赖昂贵的显卡(GPU)或云端 API,即可在普通的笔记本电脑和台式机上私密、离线地部署和使用大模型。 对于担心数据隐私、希望完全掌控本地数据的企业用户、研究人员以及技术爱好者来说,GPT4All 提供了理想的解决方案。它解决了传统大模型必须联网调用或需要高端硬件才能运行的痛点,让日常设备也能成为强大的 AI 助手。无论是希望构建本地知识库的开发者,还是单纯想体验私有化 AI 聊天的普通用户,都能从中受益。 技术上,GPT4All 基于高效的 `llama.cpp` 后端,支持多种主流模型架构(包括最新的 DeepSeek R1 蒸馏模型),并采用 GGUF 格式优化推理速度。它不仅提供界面友好的桌面客户端,支持 Windows、macOS 和 Linux 等多平台一键安装,还为开发者提供了便捷的 Python 库,可轻松集成到 LangChain 等生态中。通过简单的下载和配置,用户即可立即开始探索本地大模型的无限可能。