chatgpt-plugin-ts
chatgpt-plugin-ts 是一个专为开发者打造的开源工具包，旨在帮助用户使用 TypeScript 快速构建 ChatGPT 插件。它提供了核心的 NPM 包、完整的类型定义以及实用的辅助函数，极大地简化了插件开发的配置与编码流程。
在 ChatGPT 插件生态兴起之初，开发者往往需要从零开始处理复杂的 API 规范和配置文件。chatgpt-plugin-ts 有效解决了这一痛点，不仅规范了开发标准，还内置了多个高质量示例项目。例如，它可以演示如何构建检索型插件以搜索 Lex Fridman 播客内容，或制作简单的文本转 ASCII 艺术工具。这些示例主要基于 Cloudflare Workers 部署，为开发者提供了即拿即用的最佳实践模板。
该工具特别适合熟悉 JavaScript 或 TypeScript 的前端及全栈工程师使用。无论是希望将现有服务接入 ChatGPT 的独立开发者，还是想要探索 AI 应用落地的技术团队，都能从中受益。其技术亮点在于完善的类型支持和开箱即用的示例代码，让开发者能专注于业务逻辑而非底层架构。此外，项目社区活跃，文档清晰，并明确标注了插件名称、描述及响应长度的限制规范，帮助开发者规避常见错误，高效完成从构思到上线的全过程。
使用场景
一家初创团队希望快速构建一个能检索内部技术文档的 ChatGPT 插件，让非技术人员通过自然对话即可获取精准答案。
没有 chatgpt-plugin-ts 时
- 开发者需手动编写繁琐的 TypeScript 类型定义，极易因字段错误导致插件无法被 ChatGPT 识别。
- 缺乏标准化的项目模板，每次新建插件都要重复配置 OpenAPI 规范和
ai-plugin.json文件，耗时且易出错。 - 调试过程痛苦，难以快速验证插件逻辑是否符合 ChatGPT 的调用协议，往往要反复修改部署才能发现细微问题。
- 社区资源分散，找不到高质量的参考代码，团队只能从零摸索，严重拖慢产品上线进度。
使用 chatgpt-plugin-ts 后
- 直接复用官方提供的强类型工具包，自动校验插件配置字段，确保名称、描述等元数据严格符合官方限制。
- 基于成熟的示例插件（如 Dexa 检索插件）快速修改，几分钟内即可搭建起符合规范的后端服务架构。
- 利用内置的实用函数简化开发流程，本地即可模拟测试插件交互，大幅减少部署试错成本。
- 依托活跃的社区和清晰的文档，团队能迅速解决集成难题，将原本数周的开发周期压缩至几天。
chatgpt-plugin-ts 通过提供标准化的类型系统与高质量模板，让开发者从繁琐的配置泥潭中解脱，专注于核心业务逻辑的实现。
运行环境要求
- 未说明
未说明
未说明
快速开始
ChatGPT Plugin TS
使用 TypeScript 创建 ChatGPT 插件的示例和资源。
简介
此仓库包含 chatgpt-plugin NPM 包，提供用于使用 TypeScript 构建 ChatGPT 插件的 TS 类型和工具。此外，还提供了多个高质量示例插件，可供您作为模板来构建自己的插件。我们的目标是随着时间推移，添加更多使用不同 OpenAPI 框架和托管服务提供商的示例。目前，所有示例均使用 Cloudflare Workers，这里还有一个使用 Vercel 边缘函数 的示例。
如果您希望看到某些缺失的内容，请提交一个问题或加入我们在 Discord 上的ChatGPT Hackers 社区，该社区拥有超过 8000 名正在利用 AI 打造酷炫应用的开发者！
安装
npm install chatgpt-plugin
# 或
yarn add chatgpt-plugin
# 或
pnpm install chatgpt-plugin
示例插件
所有示例插件的 TS 代码均可在 examples 目录中找到。
Dexa Lex Fridman 插件
这是一个 ChatGPT 检索插件示例，可在 Lex Fridman Podcast 的所有节目中进行搜索——由 Dexa AI 提供支持。
ASCII 艺术插件
这是一个非常简单的示例插件，可以将文本转换为 ASCII 艺术。它是一个开始构建您自己的插件的绝佳模板。
注意事项
name_for_human- 最多 30 个字符
name_for_model- 最多 50 个字符
description_for_human- 最多 120 个字符
description_for_model- 最多 8000 个字符
- 随着时间推移会减少
- API 响应体长度
- 限制为 10 万个字符
- 随着时间推移会降低
- 受限于各种条件
- 待办事项：是否需要
defineConfig函数来帮助验证ai-plugin.json配置？
许可证
MIT © Travis Fischer
如果您觉得这个项目很有趣，请考虑赞助我或在 Twitter 上关注我 
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
markitdown
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。 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。 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
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。
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。