GenossGPT

GitHub
752 63 较难 1 次阅读 4天前语言模型插件图像Agent数据工具开发框架
AI 解读 由 AI 自动生成,仅供参考

GenossGPT 是一款专为开发者设计的开源工具,旨在让应用程序能够轻松接入各类大语言模型(LLM),无论是公开的 GPT-3.5/4、Anthropic,还是私有的 Llama V2、GPT4ALL 等。它核心解决了开发者在切换不同模型时面临的高成本适配难题:只需修改一行代码,即可将原本依赖 OpenAI 接口的应用无缝迁移至其他开源或私有模型,同时保持原有的参数结构和响应格式不变。

这一特性极大地降低了试错成本和部署门槛,特别适合希望摆脱单一供应商锁定、追求数据隐私安全或需要本地化部署的软件开发者和技术研究人员。通过 GenossGPT,用户可以灵活调用如 GPT4ALL 等开源模型进行聊天补全和向量嵌入任务,而无需重构现有业务逻辑。其独特的“一行替换”机制兼容 OpenAI API 标准,并提供了清晰的本地文档界面,方便快速调试与集成。虽然目前主要支持 GPT4ALL 模型,但项目规划了更广泛的模型兼容性。对于想要构建灵活、可控且低成本 AI 应用的技术团队而言,GenossGPT 提供了一个高效且友好的基础设施选择。

使用场景

某初创团队正在开发一款内部知识库问答助手,需要在大语言模型选型上兼顾数据隐私与开发效率。

没有 GenossGPT 时

  • 代码耦合度高:团队最初基于 OpenAI API 开发,若要切换为本地部署的 GPT4ALL 以保护敏感数据,需重构大量网络请求和响应解析代码。
  • 多模型适配繁琐:尝试接入 Llama V2 或 HuggingFace 等其他开源模型时,必须为每个模型编写独立的适配层,维护成本极高。
  • 私有化部署困难:由于缺乏统一接口标准,将服务从云端迁移至内网服务器时,面临复杂的依赖配置和环境兼容性问题。
  • 开发迭代缓慢:每次更换模型都需要重新测试整个链路,导致功能上线周期被大幅拉长。

使用 GenossGPT 后

  • 一行代码替换:只需将 API 端点指向 GenossGPT 服务,即可无缝将后端从 GPT-4 切换为本地运行的 GPT4ALL,无需修改业务逻辑。
  • 统一模型接口:无论是 Anthropic、Llama V2 还是 Vertex AI,GenossGPT 均提供标准化的 One API,消除了多模型适配的重复工作。
  • 轻松实现私有化:通过启动本地 genoss-server,团队迅速在内网构建了完全可控的推理服务,确保数据不出域。
  • 敏捷迭代升级:新增模型支持仅需更新服务端配置,前端应用无感知,显著缩短了从模型验证到生产部署的时间。

GenossGPT 通过“一行代码替换”的统一接口策略,让开发者在享受开源模型自由度的同时,保留了商业级 API 的开发体验。

运行环境要求

操作系统
  • 未说明
GPU

未说明 (基于 GPT4ALL,通常支持 CPU 运行,具体 GPU 加速需求取决于底层 llmodel 构建)

内存

未说明

依赖
notes1. 该项目目前主要支持 GPT4ALL 模型。2. 若需从源码安装 GPT4ALL 后端,需要安装 cmake 并进行编译。3. 需手动下载模型文件 (ggml-gpt4all-j-v1.3-groovy.bin) 并放置于 local_models 目录。4. 开发环境推荐使用 poetry 管理依赖。5. 服务默认运行在 4321 端口。
python3.11+
genoss
gpt4all
uvicorn
poetry
streamlit
cmake
GenossGPT hero image

快速开始

Genoss GPT

一款由开源模型驱动、可替代 OpenAI ChatGPT 及 Embeddings 的单行代码解决方案

Genoss

Genoss 是一项开创性的开源项目,旨在利用 GPT4ALL 等开源模型,为 OpenAI 的 GPT 3.5 和 4 等模型提供无缝替代方案。

该项目基于 Sicarator 自主开发。

功能特性

  • 开源:Genoss 基于 GPT4ALL 等开源模型构建。
  • 单行替换:Genoss 可以作为 OpenAI ChatGPT API 的单行替换方案。

演示

使用 GPT4ALL 进行聊天补全与嵌入

https://github.com/OpenGenenerativeAI/GenossGPT/assets/19614572/9cfd4f69-6396-4883-b94d-e94dd76663dc

支持的模型

  • GPT4ALL 模型及嵌入
  • 更多模型即将推出!

快速入门

在开始之前,请确保您的机器上已安装 Python 3.11 或更高版本。

安装服务器

使用 pip(推荐)

:warning: 目前我们正处于预发布阶段。

pip install genoss

从本仓库安装最新版本

pip install git+https://github.com/OpenGenerativeAI/GenossGPT.git@main\#egg\=genoss

启动服务器

genoss-server
# 查看更多帮助信息
genoss-server --help

可通过 http://localhost:4321/docs 访问 API 文档。

模型安装

安装 GPT4ALL 模型 第一步是安装 GPT4ALL,这是目前唯一支持的模型。您可以按照以下步骤进行操作:
  1. 克隆仓库:
git clone --recurse-submodules git@github.com:nomic-ai/gpt4all.git
  1. 进入 backend 目录:
cd gpt4all/gpt4all-backend/
  1. 创建一个新的构建目录并进入:
mkdir build && cd build
  1. 使用 cmake 配置并构建项目:
cmake ..
cmake --build . --parallel
  1. 确认 gpt4all-backend/build 中存在 libllmodel.* 文件。

  2. 返回根目录并安装 Python 包:

cd ../../gpt4all-bindings/python
pip3 install -e .
  1. 这里 下载模型文件,并将其放置到 local_models 目录下,命名为 local_models/ggml-gpt4all-j-v1.3-groovy.bin

运行应用

您需要安装 poetry 和有效的 Python 版本(3.11*)。

poetry install

如需完整的开发环境安装说明,请参阅 CONTRIBUTING.md。 如果您只想启动服务器,可以使用相应的 poetry 组进行安装:

poetry install --only main,llms

Python 包安装完成后,即可运行应用。您可以使用 Uvicorn ASGI 服务器来运行应用程序:

uvicorn main:app --host 0.0.0.0 --port 4321

此命令将在您机器的 4321 端口上启动 Genoss 应用程序。

运行 Web 应用演示

demo/ 目录下:

cp .env.example .env

替换其中的值后,执行:

PYTHONPATH=. streamlit run demo/main.py

Genoss API 使用

Genoss API 是 OpenAI ChatGPT API 的单行替换方案。它支持相同的参数,并返回与 OpenAI API 相同的响应格式。

只需将 OpenAI API 的端点替换为 Genoss API 的端点,即可开始使用!

同时,请将模型配置调整为支持的模型列表,即可顺利运行!

API 文档可在 /docs/redoc 页面查看。

API 文档截图

未来规划

尽管目前仅支持 GPT4ALL 模型,但我们计划在未来添加更多模型。敬请期待更多精彩更新!

愿景目标:

  • 支持本地运行 LLM 模型
  • 支持通过 HuggingFace 在本地运行 LLM
  • 支持在 HuggingFace 上运行 LLM,并仅作为推理 API 的封装层
  • 实现 LLM 模型的便捷本地安装
  • 允许用户使用 GCP、AWS、Azure 等云服务提供商的解决方案
  • 提供 API 密钥管理功能
  • 提供各类模型供使用(文本到文本、文本到图像、文本到音频、音频到文本等)
  • 对兼容 OpenAI API 的模型实现与 OpenAI API 的兼容性

愿景示意图

历史沿革

Genoss 的灵感来源于 Stan Girard,当时他在开发 Quivr 的某个功能时,发现该功能过于庞大且复杂,难以维护。

于是他萌生了创建一个简单 API 的想法,使任何模型都能使用与 OpenAI ChatGPT API 相同的接口。

随后,@mattzcarey、@MaximeThoonsen、@Wirg 和 @StanGirard 共同参与开发,最终使这一设想成为现实。

贡献

我们非常欢迎您的贡献!欢迎提交任何问题或拉取请求。

特别感谢以下各位:

赞助商 ❤️

没有赞助商的支持,本项目将无法实现。感谢您的支持!

Theodo Aleios Sicara

许可证

Genoss 采用 Apache2 许可证授权。更多详情请参阅 LICENSE 文件。

版本历史

v0.0.12023/08/01

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|★★★☆☆|昨天
Agent图像开发框架