langchain4j-aideepin
langchain4j-aideepin(得应 AI)是一款开源的 AI 工作效率提升平台,旨在为团队提供全方位的智能辅助。它不仅支持多角色对话和文生图创作,还具备强大的知识库检索、AI 工作流编排及语音输入输出能力。
面对企业在技术研发、产品设计、人事财务咨询及客服支撑等场景中信息处理繁琐的痛点,langchain4j-aideepin 通过集成多种大模型能力,帮助用户实现知识的高效利用与自动化流转。无论是构建私有知识库还是管理复杂业务流程,都能轻松应对。
它非常适合开发者、技术团队以及希望搭建私有化 AI 应用的企业用户。后端基于 Java Spring Boot 与 LangChain4j,前端采用 Vue3,支持 PostgreSQL 与 Neo4j 混合存储。特别值得一提的是,它兼容灵积、DeepSeek、OpenAI 等多种模型平台,并创新性地引入了 MCP 服务市场与长期记忆功能,让 AI 不仅能“听懂”还能“记住”,真正赋能业务场景落地。
使用场景
某电商公司技术运维工程师小李,日常需处理复杂的支付接口故障,并负责将解决方案沉淀为团队知识库。
没有 langchain4j-aideepin 时
- 排查故障时需人工在多个 Wiki 系统和旧工单中搜索,跨平台切换导致效率低下且易出错。
- 面对复杂逻辑错误,无法快速生成可视化图表向非技术人员解释问题根源,沟通成本高。
- 记录排查步骤依赖键盘输入,在紧急维护场景下操作繁琐,容易遗漏关键日志细节。
- 系统缺乏记忆能力,相同类型的历史故障每次都需要重新分析,团队知识复用率极低。
使用 langchain4j-aideepin 后
- 利用内置 RAG 知识库直接检索最新技术文档,结合向量搜索秒级定位故障根因,减少查找时间。
- 调用文生图功能即时生成架构图或数据流向图,直观展示修复方案供团队参考,提升沟通效率。
- 开启语音输入输出模式,工程师可边操作服务器边口述日志,自动转为文字记录,解放双手。
- 长期记忆模块自动关联过往相似案例,结合工作流编排,一键生成标准化修复报告,实现知识沉淀。
核心价值总结:通过整合知识库、绘图与语音交互,实现了从故障排查到知识沉淀的闭环自动化。
运行环境要求
- 未说明
未说明
未说明

快速开始
快速开始
LangChain4j-AIDeepin(得应 AI) 是基于 AI 的工作效率提升工具。
可用于辅助企业/团队进行技术研发、产品设计、人事/财务/IT 信息咨询、系统/商品咨询、客服话术支撑等工作
🌟该项目如对您有帮助,欢迎点赞🌟
系统组成及文档
AIDEEPIN
|__ 服务端(langchain4j-aideepin)
|__ 用户端 WEB(langchain4j-aideepin-web)
|__ 管理端 WEB(langchain4j-aideepin-admin)
👉详细文档
前端项目:
体验网址
功能点
- 多会话(多角色)
- 图片生成(文生图、修图、图生图)
- 基于大模型的知识库(RAG,检索增强生成)
- 向量搜索
- 图搜索
- 基于大模型的网络搜索(RAG)
- AI 工作流
- MCP 服务市场
- ASR(自动语音识别)& TTS(语音合成)
- 提问及回复的格式可选
- 文字提问 - 文字回复
- 文字提问 - 语音回复
- 语音提问 - 文字回复
- 语音提问 - 语音回复
- AI 的音色可选
- 提问及回复的格式可选
- 长期记忆
- 存储
- 本地存储
- OSS(对象存储服务,阿里云)
已集成的模型平台的功能
| 模型平台 | 对话 | 文生图 | 修图 | 图生图 | 背景生成 | 图像识别 | 语音合成 TTS | 语音识别 ASR |
|---|---|---|---|---|---|---|---|---|
| 灵积 | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| OpenAI | ✓ | ✓ | ✓ | ✓ | ||||
| 硅基流动 | ✓ | ✓ | ✓ | ✓ | ✓ | |||
| Ollama | ✓ | |||||||
| DeepSeek | ✓ | |||||||
| 千帆 | ✓ |
技术栈
该仓库为后端服务
技术栈:
- JDK 17
- Spring Boot 3.0.5
- langchain4j(LangChain 的 Java 版本)
- langgraph4j
- Postgresql
- pgvector 扩展:https://github.com/pgvector/pgvector
- Apache AGE 扩展:https://github.com/apache/age
- neo4j 5.26.4+
注:neo4j 与 pgvector + apache age 二选一即可
前端技术栈:
- vue3
- vite
- typescript
- pnpm
- pinia
- naiveui
如何部署
初始化
a. 初始化数据库
创建数据库 aideepin
执行 docs/create.sql
配置并启用
模型平台(有些项目也称为模型提供商) 或者 使用 管理端 在界面上配置配置模型平台(至少启用一个,可参考
已集成的模型平台的功能表格进行选择)-- DeepSeek update adi_model_platform set api_key = 'my_deepseek_secret_key' where name = 'deepseek'; -- openai 的 SecretKey update adi_model_platform set api_key = 'my_openai_secret_key' where name = 'openai'; -- 灵积大模型平台的 ApiKey update adi_model_platform set api_key = 'my_dashcope_api_key' where name = 'dashscope'; -- 硅基流动的配置 update adi_model_platform set api_key = 'my_siliconflow_api_key' where name = 'siliconflow_setting'; -- 千帆大模型平台的配置 update adi_model_platform set api_key = 'my_qianfan_api_key',secret_key='my_qianfan_secret_key' where name = 'qianfan'; -- ollama 的配置 update adi_model_platform set base_url = 'my_ollama_base_url' where name = 'ollama';启用模型平台下的模型或新增模型
-- Enable model update adi_ai_model set is_enable = true where name = 'deepseek-chat'; update adi_ai_model set is_enable = true where name = 'gpt-3.5-turbo'; update adi_ai_model set is_enable = true where name = 'dall-e-2'; update adi_ai_model set is_enable = true where name = 'qwen-turbo'; update adi_ai_model set is_enable = true where name = 'THUDM/GLM-Z1-9B-0414'; update adi_ai_model set is_enable = true where name = 'ernie_speed'; update adi_ai_model set is_enable = true where name = 'tinydolphin'; -- Add new model INSERT INTO adi_ai_model (name, type, platform, is_enable) VALUES ('vicuna', 'text', 'ollama', true);
填充搜索引擎的配置
Google 的配置
update adi_sys_config set value = '{"url":"https://www.googleapis.com/customsearch/v1","key":"my key from cloud.google.com","cx":"my cx from programmablesearchengine.google.com"}' where name = 'google_setting';
b. 修改配置文件
- postgresql: application-[dev|prod].xml 中的 spring.datasource
- redis: application-[dev|prod].xml 中的 spring.data.redis
- 邮箱:application.xml 中的 spring.mail
- 向量数据库,默认为 pgvector
- application-[dev|prod].xml 中的 adi.vector-database=[pgvector|neo4j]
- 图数据库,默认为 Apache age
- application-[dev|prod].xml 中的 adi.graph-database=[apache-age|neo4j]
编译及运行
进入项目
cd langchain4j-aideepin打包:
mvn clean package -Dmaven.test.skip=true运行
- jar 包启动:
cd adi-bootstrap/target nohup java -jar -Xms768m -Xmx1024m -XX:+HeapDumpOnOutOfMemoryError adi-bootstrap-0.0.1-SNAPSHOT.jar --spring.profiles.active=[dev|prod] dev/null 2>&1 &- docker 启动
cd adi-bootstrap docker build . -t aideepin:0.0.1 docker run -d \ --name=aideepin \ -p 8888:9999 \ -e APP_PROFILE=[dev|prod] \ -v="/data/aideepin/logs:/data/logs" \ aideepin:0.0.1
贡献指南
欢迎任何形式的贡献,包括但不限于:
- 提交 Bug 报告
- 提出功能建议
- 改进文档
- 提交代码(PR)
代码提交流程:
- Fork 本仓库
- 创建特性分支 (git checkout -b feature/xxx)
- 提交更改 (git commit -m 'feat: xxx')
- 推送分支 (git push origin feature/xxx)
- 提交 Pull Request
截图
AI 聊天:

AI 画图:

知识库:

向量化:

知识图谱:

工作流:

技术交流
- 先点赞🌟再加群,谢谢
- 有问题尽量在 issue 提,容易描述及跟踪处理
- 业余时间维护本项目,时间有限,所以群里提问不保证即时回复,请见谅

推荐项目
Mango Desk 是一款使用自然语言搜索本地文档的桌面应用。
帮助您根据记忆中的内容查找信息,而不需要记住文件名或文件夹结构。
版本历史
v3.21.02026/03/06v3.20.02026/01/23v3.19.02025/11/18v3.18.02025/10/28v3.17.02025/10/21v3.16.02025/09/28v3.15.02025/09/10v3.14.02025/08/27v3.13.02025/07/28v3.12.02025/07/04v3.11.12025/06/17v3.11.02025/06/16v3.10.22025/05/14v3.10.12025/05/12v3.10.02025/05/09v3.9.02025/04/29v3.8.02025/04/10v3.7.02025/03/31v3.6.02025/02/14v3.5.12025/01/15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。