kotlin-sdk

GitHub
1.3k 205 简单 1 次阅读 3天前NOASSERTION语言模型开发框架
AI 解读 由 AI 自动生成,仅供参考

kotlin-sdk 是 Model Context Protocol (MCP) 的官方 Kotlin 开发工具包,由社区与 JetBrains 共同维护。它旨在帮助开发者轻松构建符合 MCP 标准的客户端与服务端应用,让大语言模型(LLM)能够以统一、标准化的方式获取外部上下文信息,从而将“提供上下文”与“模型交互”这两个环节解耦。

通过 kotlin-sdk,开发者只需编写一套代码,即可同时面向 JVM、Native、JavaScript 以及 WebAssembly 等多种平台发布应用,极大地提升了开发效率与代码复用率。该工具包内置了对 stdio、SSE、Streamable HTTP 和 WebSocket 等多种标准传输协议的支持,并提供了一套对协程友好的 API,方便处理复杂的消息流转与生命周期事件。无论是需要暴露资源、提示词和工具的服务端开发者,还是希望连接各类 MCP 服务的客户端构建者,都能从中获益。

这款工具特别适合熟悉 Kotlin 生态的后端工程师、全栈开发者以及多平台应用架构师使用。如果你正在寻求一种规范化的方式来增强 AI 应用的数据交互能力,或者希望在不同的运行环境中无缝集成 MCP 协议,kotlin-sdk 都将是一个专业且高效的选择。

使用场景

某金融科技公司后端团队正致力于将现有的 Kotlin 微服务架构与大模型集成,希望让 AI 助手能直接查询内部合规文档并执行数据脱敏工具。

没有 kotlin-sdk 时

  • 协议实现繁琐:开发者需手动解析 MCP 标准的 JSON-RPC 消息格式,处理复杂的生命周期状态机,极易因字段遗漏导致连接中断。
  • 多端适配困难:若需同时支持 JVM 服务端和 Wasm 前端插件,必须维护两套独立的通信逻辑代码,重复工作量大且难以同步更新。
  • 异步处理复杂:原生协程与 HTTP/SSE 传输层的对接需要大量样板代码来处理背压和流式响应,调试耗时且容易引发内存泄漏。
  • 功能扩展受限:想要暴露新的“资源”或“工具”给大模型,往往需要重写底层传输逻辑,导致业务迭代周期从几天延长至数周。

使用 kotlin-sdk 后

  • 开箱即用:kotlin-sdk 封装了完整的 MCP 协议细节,只需定义简单的数据类即可自动处理消息序列化与状态管理,连接稳定性显著提升。
  • 一次编写多端运行:依托 Kotlin Multiplatform 特性,同一套客户端或服务端代码可无缝编译运行在 JVM、Native 及 Wasm 环境,大幅降低维护成本。
  • 协程原生支持:利用 kotlinx.coroutines 深度集成的 API,开发者可用自然的挂起函数处理流式数据传输,代码简洁且天然避免阻塞问题。
  • 快速能力暴露:通过声明式接口即可快速注册 Prompts、Resources 和 Tools,业务团队能在几小时内完成新智能功能的上线与测试。

kotlin-sdk 通过标准化的协议封装与跨平台能力,让 Kotlin 开发者能以最低成本将传统应用平滑升级为具备上下文感知能力的 AI 原生应用。

运行环境要求

GPU

未说明

内存

未说明

依赖
notes该工具是基于 Kotlin 的多平台 SDK(支持 JVM、Native、JS、Wasm),并非 Python 项目,因此无需 Python 环境。它依赖 Ktor 框架进行网络通信,但需要用户在项目中手动声明具体的 Ktor 引擎依赖(如 ktor-client-cio 或 ktor-server-netty)。运行环境需安装 JDK 11 及以上版本。
python不适用
Kotlin 2.2+
JVM 11+
Ktor (Client/Server)
kotlinx.coroutines
kotlinx.serialization
kotlin-sdk hero image

快速开始

MCP Kotlin SDK

Maven Central Build

Kotlin Kotlin Multiplatform JVM License

适用于 Model Context Protocol 的 Kotlin 多平台 SDK。 它使面向 JVM、Native、JS 和 Wasm 的 Kotlin 应用程序能够使用标准化的协议接口实现 MCP 客户端和服务器。

目录

概述

Model Context Protocol 允许应用程序以标准化的方式为 LLM 提供上下文, 将提供上下文的关注点与实际的 LLM 交互分离。 该 Kotlin SDK 实现了 MCP 规范,使其易于:

  • 构建可以连接到任何 MCP 服务器的 MCP 客户端
  • 创建公开资源、提示和工具的 MCP 服务器
  • 从单个代码库针对 JVM、Native、JS 和 Wasm 进行开发
  • 使用标准传输层,如 stdioSSE可流式 HTTPWebSocket
  • 使用协程友好的 API 处理 MCP 协议消息和生命周期事件

安装

构件

  • io.modelcontextprotocol:kotlin-sdk – 总体 SDK(客户端 + 服务器 API)
  • io.modelcontextprotocol:kotlin-sdk-client – 仅客户端 API
  • io.modelcontextprotocol:kotlin-sdk-server – 仅服务器 API

Gradle 配置 (JVM)

添加 Maven Central 仓库和 SDK 依赖项:

repositories {
    mavenCentral()
}

dependencies {
    // 请参阅上方徽章以获取最新版本
    implementation("io.modelcontextprotocol:kotlin-sdk:$mcpVersion")
}

如果您只需要其中一方的 API,请使用 kotlin-sdk-clientkotlin-sdk-server

dependencies {
    implementation("io.modelcontextprotocol:kotlin-sdk-client:$mcpVersion")
    implementation("io.modelcontextprotocol:kotlin-sdk-server:$mcpVersion")
}

多平台

在 Kotlin 多平台项目中,您可以将 SDK 添加到 commonMain:

commonMain {
    dependencies {
        // 既可用作公共依赖,也可用作平台特定依赖
        implementation("io.modelcontextprotocol:kotlin-sdk:$mcpVersion")
    }
}

Ktor 依赖项

Kotlin MCP SDK 使用 Ktor,但不会传递性地添加 Ktor 引擎依赖。 您需要自行声明 Ktor 客户端/服务器 依赖项(或复用项目中已有的依赖项),例如:

dependencies {
    // 带有 Ktor 的 MCP 客户端
    implementation("io.ktor:ktor-client-cio:$ktorVersion")
    implementation("io.modelcontextprotocol:kotlin-sdk-client:$mcpVersion")

    // 带有 Ktor 的 MCP 服务器
    implementation("io.ktor:ktor-server-netty:$ktorVersion")
    implementation("io.modelcontextprotocol:kotlin-sdk-server:$mcpVersion")
}

快速入门

让我们创建一个简单的 MCP 客户端和服务器,以演示 Kotlin SDK 的基本用法。

创建客户端

创建一个通过可流式 HTTP 传输连接到服务器并列出可用工具的 MCP 客户端:

import io.ktor.client.HttpClient
import io.ktor.client.plugins.sse.SSE
import io.modelcontextprotocol.kotlin.sdk.client.Client
import io.modelcontextprotocol.kotlin.sdk.client.StreamableHttpClientTransport
import io.modelcontextprotocol.kotlin.sdk.types.Implementation
import kotlinx.coroutines.runBlocking

fun main(args: Array<String>) = runBlocking {
    val url = args.firstOrNull() ?: "http://localhost:3000/mcp"

    val httpClient = HttpClient { install(SSE) }

    val client = Client(
        clientInfo = Implementation(
            name = "example-client",
            version = "1.0.0"
        )
    )

    val transport = StreamableHttpClientTransport(
        client = httpClient,
        url = url
    )

    // 连接到服务器
    client.connect(transport)

    // 列出可用工具
    val tools = client.listTools().tools

    println(tools)
}

创建服务器

创建一个 MCP 服务器,该服务器公开一个简单工具,并在嵌入式 Ktor 服务器上运行,使用 Streamable HTTP 传输协议。 有关包含所有必需依赖项的完整工作项目,请参阅 simple-streamable-server 示例。

import io.ktor.server.cio.CIO
import io.ktor.server.engine.embeddedServer
import io.modelcontextprotocol.kotlin.sdk.server.Server
import io.modelcontextprotocol.kotlin.sdk.server.ServerOptions
import io.modelcontextprotocol.kotlin.sdk.server.mcpStreamableHttp
import io.modelcontextprotocol.kotlin.sdk.types.CallToolResult
import io.modelcontextprotocol.kotlin.sdk.types.Implementation
import io.modelcontextprotocol.kotlin.sdk.types.ServerCapabilities
import io.modelcontextprotocol.kotlin.sdk.types.TextContent
import io.modelcontextprotocol.kotlin.sdk.types.ToolSchema
import kotlinx.serialization.json.buildJsonObject
import kotlinx.serialization.json.put

fun main(args: Array<String>) {
    val port = args.firstOrNull()?.toIntOrNull() ?: 3000
    val mcpServer = Server(
        serverInfo = Implementation(
            name = "example-server",
            version = "1.0.0"
        ),
        options = ServerOptions(
            capabilities = ServerCapabilities(
                tools = ServerCapabilities.Tools(listChanged = true),
            ),
        )
    )

    mcpServer.addTool(
        name = "example-tool",
        description = "一个示例工具",
        inputSchema = ToolSchema(
            properties = buildJsonObject {
                put("input", buildJsonObject { put("type", "string") })
            }
        )
    ) { request ->
        CallToolResult(content = listOf(TextContent("你好,世界!")))
    }
    
    embeddedServer(CIO, host = "127.0.0.1", port = port) {
        mcpStreamableHttp {
            mcpServer
        }
    }.start(wait = true)
}

你可以运行该服务器,然后使用客户端连接到它,或者使用 MCP Inspector 进行测试:

npx -y @modelcontextprotocol/inspector

在 Inspector 的 UI 中,连接到 http://localhost:3000/mcp

核心概念

MCP 原语

MCP 协议定义了用于实现服务器与客户端之间通信的核心原语:

原语 服务器角色 客户端角色 描述
提示 提供带有可选参数的提示模板 请求并使用提示 用于 LLM 交互的交互式模板
资源 公开数据源(文件、API 响应等) 读取并订阅资源 用于增强 LLM 上下文的上下文数据
工具 定义可执行函数 调用工具以执行操作 LLM 可以调用以执行动作的函数
采样 向客户端请求 LLM 补全 执行 LLM 调用并返回结果 由服务器发起的 LLM 请求(反向方向)

功能

功能定义了服务器或客户端支持哪些特性。它们在初始化时声明,并决定可用的操作。

服务器功能

服务器会声明其功能,以告知客户端它们提供的特性:

功能 特性标志 描述
prompts listChanged 提示模板管理和通知
resources subscribe
listChanged
资源暴露、订阅及更新通知
tools listChanged 工具发现、执行及列表变更通知
logging - 服务器日志记录到客户端控制台
completions - 参数自动补全建议
experimental 自定义属性 非标准实验性功能

客户端功能

客户端会声明其功能,以告知服务器它们支持的特性:

功能 特性标志 描述
sampling - 客户端可以从 LLM 中采样(执行模型请求)
roots listChanged 客户端暴露根目录并能通知更改
elicitation - 客户端可以显示模式/表单对话框以获取结构化输入
experimental 自定义属性 非标准实验性功能

服务器功能

Server API 使你只需几行 Kotlin 代码即可将提示、资源和工具连接起来。每个功能都在一开始就注册好,然后在客户端请求时才被延迟解析,因此你的处理程序可以保持简洁且可挂起。

提示

提示是用户可控的模板,客户端可以通过 prompts/list 发现它们,并在用户选择其中一个时通过 prompts/get 获取(类似于斜杠命令或保存的工作流)。它们最适合重复性的、结构化的起点,而不是临时的模型调用。

val server = Server(
    serverInfo = Implementation(
        name = "example-server",
        version = "1.0.0"
    ),
    options = ServerOptions(
        capabilities = ServerCapabilities(
            prompts = ServerCapabilities.Prompts(listChanged = true),
        ),
    )
)

server.addPrompt(
    name = "code-review",
    description = "请求模型审查一个差异文件",
    arguments = listOf(
        PromptArgument(name = "diff", description = "统一格式的差异文件", required = true),
    ),
) { request ->
    GetPromptResult(
        description = "快速代码审查助手",
        messages = listOf(
            PromptMessage(
                role = Role.User,
                content = TextContent(text = "请审查以下更改:\n${request.arguments?.get("diff")}"),
            ),
        ),
    )
}

将任何需要模板化的内容都使用提示词来处理:例如错误分类问题、入职检查清单或保存的搜索。仅当您的提示词目录可以在运行时发生变化,并且服务器会在发生变更时发出 notifications/prompts/list_changed 通知时,才设置 listChanged = true

资源

资源是由应用程序驱动的上下文,客户端可以通过 resources/listresources/templates/list 发现它们,然后使用 resources/read 获取。为每个资源注册一个稳定的 URI,并在被请求时返回 ReadResourceResult——内容可以是文本或二进制数据块。

val server = Server(
    serverInfo = Implementation(
        name = "example-server",
        version = "1.0.0"
    ),
    options = ServerOptions(
        capabilities = ServerCapabilities(
            resources = ServerCapabilities.Resources(subscribe = true, listChanged = true),
        ),
    )
)

server.addResource(
    uri = "note://release/latest",
    name = "发布说明",
    description = "最近一次部署摘要",
    mimeType = "text/markdown",
) { request ->
    ReadResourceResult(
        contents = listOf(
            TextResourceContents(
                text = "版本42已成功部署到生产环境。",
                uri = request.uri,
                mimeType = "text/markdown",
            ),
        ),
    )
}

资源可以是静态文本、生成的 JSON 数据或二进制数据——任何客户端可以呈现给用户或注入到模型上下文中去的内容。如果您会针对特定 URI 的变化发出 notifications/resources/updated 通知,则设置 subscribe = true;如果资源目录本身会发生变化,则设置 listChanged = true,以便在目录变更时发送 notifications/resources/list_changed 通知。

工具

工具是客户端向模型暴露的由模型控制的功能。客户端通过 tools/list 发现这些工具,使用 tools/call 调用它们,而您的处理器会接收 JSON 格式的参数,可以输出流式日志或进度信息,并返回 CallToolResult。对于敏感操作,请务必保留人工干预环节。

val server = Server(
    serverInfo = Implementation(
        name = "example-server",
        version = "1.0.0"
    ),
    options = ServerOptions(
        capabilities = ServerCapabilities(
            tools = ServerCapabilities.Tools(listChanged = true),
        ),
    )
)

server.addTool(
    name = "echo",
    description = "将用户发送的内容原样返回给他们",
) { request ->
    val text = request.arguments?.get("text")?.jsonPrimitive?.content ?: "(空)"
    CallToolResult(content = listOf(TextContent(text = "回声:$text")))
}

根据需要注册任意数量的工具——长时间运行的任务可以通过请求上下文报告进度,而工具也可以在需要客户端的 LLM 时触发采样(见下文)。仅当您的工具目录可以在运行时发生变化,并且服务器会在发生变更时发出 notifications/tools/list_changed 通知时,才设置 listChanged = true

补全功能

补全功能为提示词或资源模板提供参数建议。声明 completions 功能,并处理 completion/complete 请求,以返回最多 100 个排序后的值(如果分页显示,则应包含 totalhasMore)。

val server = Server(
    serverInfo = Implementation(
        name = "example-server",
        version = "1.0.0"
    ),
    options = ServerOptions(
        capabilities = ServerCapabilities(
            completions = ServerCapabilities.Completions,
        ),
    )
)

val session = server.createSession(
    StdioServerTransport(
        inputStream = System.`in`.asSource().buffered(),
        outputStream = System.out.asSink().buffered()
    )
)

session.setRequestHandler<CompleteRequest>(Method.Defined.CompletionComplete) { request, _ ->
    val options = listOf("kotlin", "compose", "coroutine")
    val matches = options.filter { it.startsWith(request.argument.value.lowercase()) }

    CompleteResult(
        completion = CompleteResult.Completion(
            values = matches.take(3),
            total = matches.size,
            hasMore = matches.size > 3,
        ),
    )
}

使用 context.arguments 来优化依赖字段的建议(例如,根据所选语言筛选框架列表)。

日志记录

日志记录允许服务器使用 RFC 5424 级别(从 debugemergency)向客户端流式传输结构化日志通知。声明 logging 功能;客户端可以通过 logging/setLevel 提升最低日志级别,而服务器则会发出带有严重性、可选的日志记录器名称和 JSON 数据的 notifications/message 通知。

val server = Server(
    serverInfo = Implementation("example-server", "1.0.0"),
    options = ServerOptions(
        capabilities = ServerCapabilities(
            logging = ServerCapabilities.Logging,
        ),
    )
)

val session = server.createSession(
    StdioServerTransport(
        inputStream = System.`in`.asSource().buffered(),
        outputStream = System.out.asSink().buffered()
    )
)

session.sendLoggingMessage(
    LoggingMessageNotification(
        LoggingMessageNotificationParams(
            level = LoggingLevel.Info,
            logger = "startup",
            data = buildJsonObject { put("message", "Server started") },
        ),
    ),
)

日志中应避免包含敏感数据,客户端应在自己的用户界面中展示这些日志。

分页

列表操作会返回分页结果,并附带一个不透明的 nextCursor。客户端需要将该游标传递回去以获取下一页内容。支持的列表调用包括:resources/listresources/templates/listprompts/listtools/list。请将游标视为不透明对象——不要解析或在不同会话之间持久化它们。

val server = Server(
    serverInfo = Implementation("example-server", "1.0.0"),
    options = ServerOptions(
        capabilities = ServerCapabilities(
            resources = ServerCapabilities.Resources(),
        ),
    )
)

val session = server.createSession(
    StdioServerTransport(
        inputStream = System.`in`.asSource().buffered(),
        outputStream = System.out.asSink().buffered()
    )
)

val resources = listOf(
    Resource(uri = "note://1", name = "Note 1", description = "First"),
    Resource(uri = "note://2", name = "Note 2", description = "Second"),
    Resource(uri = "note://3", name = "Note 3", description = "Third"),
)
val pageSize = 2

session.setRequestHandler<ListResourcesRequest>(Method.Defined.ResourcesList) { request, _ ->
    val start = request.params?.cursor?.toIntOrNull() ?: 0
    val page = resources.drop(start).take(pageSize)
    val next = if (start + page.size < resources.size) (start + page.size).toString() else null

    ListResourcesResult(
        resources = page,
        nextCursor = next,
    )
}

仅当还有更多项目时才包含 nextCursor;如果游标为空,则表示分页结束。

客户端功能

客户端在初始化时会公布其能力(如根目录、采样、诱导等)。此后,它们可以在响应来自服务器的请求的同时,继续发起诸如 listToolscallTool 之类的调用。

根目录

根目录允许客户端声明服务器被允许操作的范围。声明 roots 能力,响应 roots/list 请求,并在设置 listChanged = true 时发出 notifications/roots/list_changed 通知。URI 必须file:// 路径。

val client = Client(
    clientInfo = Implementation("demo-client", "1.0.0"),
    options = ClientOptions(
        capabilities = ClientCapabilities(roots = ClientCapabilities.Roots(listChanged = true)),
    ),
)

client.addRoot(
    uri = "file:///Users/demo/projects",
    name = "Projects",
)
client.sendRootsListChanged()

每当文件系统视图发生变化时,调用 addRoot/removeRoot,并使用 sendRootsListChanged() 通知服务器。确保根目录列表由用户控制,并撤销不再授权的条目。

择样

择样功能使服务器能够请求客户端调用其首选的大型语言模型。声明 sampling 能力(如果支持工具启用的择样,则还需声明 sampling.tools),并处理 sampling/createMessage 请求。审批流程中应始终有人工参与。

val client = Client(
    clientInfo = Implementation("demo-client", "1.0.0"),
    options = ClientOptions(
        capabilities = ClientCapabilities(
            sampling = buildJsonObject { putJsonObject("tools") { } }, // 如果不支持工具使用,则省略 tools
        ),
    ),
)

client.setRequestHandler<CreateMessageRequest>(Method.Defined.SamplingCreateMessage) { request, _ ->
    val content = request.messages.lastOrNull()?.content
    val prompt = if (content is TextContent) content.text else "your topic"
    CreateMessageResult(
        model = "gpt-4o-mini",
        role = Role.Assistant,
        content = TextContent(text = "Here is a short note about $prompt"),
    )
}

在处理器中,您可以选择任何模型或提供商,要求审批,或拒绝请求。如果不支持工具使用,请在能力声明中省略 sampling.tools

传输协议

所有传输协议共享相同的 API 接口,因此您无需修改业务逻辑即可更改部署方式。请选择最适合服务器运行环境的传输协议。

STDIO 传输协议

StdioClientTransportStdioServerTransport 通过标准输入/输出隧道传输 MCP 消息,非常适合需要启动辅助进程的编辑器插件或 CLI 工具。无需任何网络配置。

可流式 HTTP 传输协议

StreamableHttpClientTransport 以及 Ktor 的 mcpStreamableHttp()mcpStatelessStreamableHttp() 辅助函数,可通过单个 HTTP 端点暴露 MCP,支持可选的仅 JSON 或 SSE 流式响应。这是远程部署的推荐选择,并能很好地与代理或服务网格集成。

这些辅助函数会自动安装带有 McpJsonContentNegotiation 插件——请勿自行安装,否则会记录警告信息。两者都接受 path 参数(默认为 "/mcp"),以便将端点挂载到任意 URL:

embeddedServer(CIO, port = 3000) {
    mcpStreamableHttp(path = "/api/mcp") {
        MyServer()
    }
}.start(wait = true)

针对基于浏览器的客户端(例如 MCP Inspector)的 CORS 设置: 如果您从基于浏览器的客户端连接,需要安装 Ktor 的 CORS 插件,以允许并暴露 MCP 特定的头部信息:

install(CORS) {
    anyHost() // 在生产环境中限制为特定来源
    allowMethod(HttpMethod.Options)
    allowMethod(HttpMethod.Get)
    allowMethod(HttpMethod.Post)
    allowMethod(HttpMethod.Delete)
    allowNonSimpleContentTypes = true
    allowHeader("Mcp-Session-Id")
    allowHeader("Mcp-Protocol-Version")
    exposeHeader("Mcp-Session-Id")
    exposeHeader("Mcp-Protocol-Version")
}

SSE 传输

服务器发送事件仍可用于与旧版 MCP 客户端的向后兼容。提供了两个 Ktor 辅助函数:

  • Application.mcp { } — 自动安装 SSE 和带有 McpJsonContentNegotiation,然后在 / 路径下注册 MCP 端点。请勿自行安装 ContentNegotiation——SDK 已经处理好了。
  • Route.mcp { } — 在当前路由路径下注册 MCP 端点;需要先在应用中调用 install(SSE)。使用此方法可以在其他路由旁边或特定路径前缀下托管 MCP:
embeddedServer(CIO, port = 3000) {
    install(SSE)
    routing {
        route("/api/mcp") {
            mcp { MyServer() }
        }
    }
}.start(wait = true)

对于新项目,建议使用可流式 HTTP。

WebSocket 传输

WebSocketClientTransport 结合相应的服务器工具,可以提供全双工、低延迟的连接——这在您预计会有大量通知或长时间会话,并且反向代理已经终止 WebSocket 连接的情况下非常有用。

ChannelTransport(测试)

ChannelTransport 提供了一种简单、无需网络的传输方式,适用于测试和本地开发。它使用 Kotlin 协程通道在客户端和服务器之间建立全双工连接,从而无需设置网络即可轻松测试 MCP 功能。

连接您的服务器

  1. 在端口 3000 上启动一个示例 HTTP 服务器:

    ./gradlew :samples:kotlin-mcp-server:run
    
  2. 使用 MCP Inspector 或 Claude Desktop/Code 进行连接:

    npx -y @modelcontextprotocol/inspector --connect http://localhost:3000
    # 或
    claude mcp add --transport http kotlin-mcp http://localhost:3000
    
  3. 在 Inspector 中,确认提示、工具、资源、补全和日志是否正常显示。在本地反复迭代,直到您准备好将服务器部署到任何您希望的位置。

示例

samples 目录包含可运行的项目,展示了使用各种传输方式实现的 MCP 服务器和客户端。请参阅 samples 概览,其中提供了对比表格和详细说明。

文档

Ask DeepWiki

贡献

在贡献之前,请阅读 贡献指南行为准则

许可证

本项目对新贡献采用 Apache 2.0 许可证,现有代码则采用 MIT 许可证——详情请参阅 LICENSE 文件。

版本历史

0.11.02026/04/02
0.10.02026/03/26
0.9.02026/03/05
0.8.42026/02/17
0.8.32026/01/21
0.8.12025/12/04
0.8.02025/11/20
0.7.72025/11/10
0.7.62025/11/07
0.7.52025/11/06
0.7.42025/10/24
0.7.32025/10/21
0.6.12025/10/06
0.7.22025/09/19
0.7.2-alpha32025/09/19
0.7.2-alpha22025/09/19
0.7.2-alpha12025/09/18
0.7.12025/09/15
0.7.02025/09/11
0.6.02025/07/16

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。

162.1k|★★★☆☆|今天
开发框架图像Agent

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

139k|★★☆☆☆|今天
开发框架Agent语言模型

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。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

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。

87.6k|★★☆☆☆|今天
开发框架语言模型

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。

85k|★★☆☆☆|今天
图像数据工具视频

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。

77.1k|★★★☆☆|2天前
Agent图像开发框架