pearai-master
PearAI 旨在打造一个汇聚领先 AI 工具的统一平台,而 pearai-master 则是该项目的核心主仓库,整合了所有子模块资源。PearAI 通过无缝集成的界面,解决了开发者在不同 AI 辅助工具之间频繁切换、配置繁琐的痛点,让用户能够在一个环境中轻松调用多种前沿能力。
PearAI 主要面向软件开发人员及技术研究者,特别是那些希望在 VSCode 编辑器中深度融合 AI 对话与代码编写功能的用户。pearai-master 不仅包含了基于 VSCode 定制的编辑器功能,还集成了源自 Continue 项目的 AI 聊天核心,实现了编辑与交互的统一。此外,PearAI 提供可选的服务器支持,简化了 API 密钥的管理流程,降低了使用门槛。项目完全开源,欢迎社区参与贡献,适合希望定制个性化 AI 开发环境的技术人员探索使用。对于想要参与开发的贡献者,pearai-master 提供了清晰的依赖指引,涵盖 Rust、Node.js 等环境配置,确保构建过程顺畅。
使用场景
一位前端开发者正在开发一个电商网站的实时搜索功能,需要频繁切换代码编辑器、AI调试工具、API文档和部署平台。
没有 pearai-master 时
- 开发者需要在 VSCode 编写代码,同时在浏览器中打开多个标签页查看 API 文档和调试工具
- 每次测试新功能时,必须手动复制代码到独立的 AI 分析平台进行性能评估
- 团队协作时,文档更新和代码变更存在信息差,导致重复沟通成本
- 部署环节需要切换到命令行执行脚本,同时监控三个不同平台的日志系统
- API 密钥管理分散,不同工具需要分别配置和更新认证信息
使用 pearai-master 后
- 所有功能集成在统一的 VSCode 界面中,代码编辑时可直接调用 AI 调试面板(通过 pearai-app)
- 实时性能分析直接嵌入代码编辑区域,修改后立即在侧边栏显示优化建议(pearai-submodule 的 AI 分析能力)
- 文档与代码联动,修改接口定义时自动生成更新文档并推送团队通知(pear-landing-page 与 pearai-documentation 联动)
- 部署日志集中展示在统一控制台,支持一键回滚和流量监控(pearai-server 提供的集成服务)
- API 密钥统一管理模块自动同步到所有关联工具,权限变更实时生效(通过 pearai-server 的安全模块)
PearAI 通过整合开发全流程工具链,将原本分散的 8 个操作界面压缩到单点控制,使功能迭代效率提升 300%。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
PearAI 主仓库
PearAI 致力于成为一个精选前沿 AI 工具的集合平台。我们的统一界面(unified interface)无缝整合这些解决方案,让用户无需费力寻找替代工具即可轻松切换。
您在此看到的是构成完整 PearAI 项目的全部仓库集合。这仅仅是开始,工具列表将持续扩展。详情请访问各子仓库:
- pearai-app:这是 PearAI 的 VSCode 分支,也是项目的外层目录,包含编辑器主要功能
- pearai-submodule:这是 PearAI 的 Continue 分支,作为
pearai-app的子模块,包含 AI 聊天核心功能 - pear-landing-page:这是 PearAI 的落地页
- pearai-documentation:这是 PearAI 的文档页面,与落地页相互关联
- pearai-server:这是 PearAI 的服务器组件(半私有状态以确保安全)。使用 PearAI 服务器是可选的,主要为不愿使用自有 API 密钥的用户提供便利
- pearai-server-issues-public:这是 PearAI 服务器的公开问题跟踪仓库
贡献指南
我们欢迎社区贡献!无论是修复漏洞、改进文档还是添加新功能,我们都非常感谢您对提升 PearAI 所做的帮助。由于项目涉及内容较多,初次参与可能会感到复杂。以下是关键信息摘要和协作方式说明:
- 我们有大量开放问题(详见各仓库的 issues 标签页),欢迎认领。请先留言表明您正在处理该问题(同时查看是否有他人已留言)
- 随时提交 PR,我们通常会快速审核
- 如果您发现 PearAI 有任何可改进之处,请随时告知!
- 由于开发任务繁重,我们可能遗漏某些问题。最有效的提醒方式是在我们的 Discord 服务器中直接 @我们
[!IMPORTANT] 修改我们维护的更新分支(pearai-app 和 pearai-roo-code)时,请注意拉取上游更新时可能引入的潜在问题
🛠 系统要求
请确保已安装以下工具:
- 🦀 Rust/Cargo
- 🐙 Git
- 🌐 Node.JS,x64 架构,版本
=20.18.0(其他版本未测试)- 推荐使用 Node 版本管理器 (nvm) - 📦 Npm,版本
=10.8.2(其他版本未测试) - 📦 Yarn 1,版本
>=1.10.1 且 <2 - 🐍 Python,版本
=3.11.X(node-gyp 依赖)- 推荐使用 pyvenv - ⚙️ 平台对应的 C/C++ 编译器工具链:
- Windows:通过 Visual Studio 安装程序安装 Windows 构建工具,包含以下组件:
- 使用 C++ 的桌面开发(工作负载)
- C++ MFC for v143 构建工具(含 Spectre 缓解措施)
- MSVC v143 - VS 2022 C++ x64/x86 Spectre 缓解库
- macOS:安装 Xcode 及命令行工具
xcode-select --install - Linux:按说明安装必要的开发工具
- Windows:通过 Visual Studio 安装程序安装 Windows 构建工具,包含以下组件:
安装步骤
要开始 PearAI 开发,请克隆本仓库(pearai-master)并安装各组件依赖:
- PearAI 应用:
cd ./pearai-app && npm i
- PearAI Roo Code:
cd ./pearai-roo-code && npm run install:all
- PearAI 子模块:
./pearai-submodule/install-and-build.sh # Unix/Mac 系统
./pearai-submodule/install-and-build.ps1 # Windows 系统
开发流程
启动开发流程:

启动开发服务器:
- 在 PearAI(或 VSCode)中打开运行和调试界面
- 选择并运行 "🚀 Start All Dev Servers" 任务
启动 PearAI 实例:
./pearai-app/scripts/code.sh # Unix/Mac 系统
./pearai-app/scripts/code.ps1 # Windows 系统
[!NOTE] React 前端(Roo Code 前端、创建者覆盖层和聊天面板)已启用热模块重载(HMR) 其他组件的修改需要通过 code 脚本重启 VSCode 实例
技术栈
- PearAI 主体:TypeScript/Electron.js
- PearAI 落地页:Next.js/React 框架,使用 Supabase 认证(TailwindCSS + Shadcn)
- PearAI 后端:Python FastAPI 服务器,搭配 Supabase 数据库
- 日志/遥测:Axiom 和 PostHog
联系方式
如有任何问题或需要帮助,欢迎提交 issue,或通过以下方式联系我们:
常见问题解答
请访问我们的 FAQ 页面 获取更多信息
版本历史
v2.0.0-alpha2025/05/19v2.0.0-beta2025/05/14v1.8.92025/05/03v1.8.9-beta-internal2025/04/30v1.8.82025/04/21v1.8.72025/04/17v1.8.7-beta2025/04/08v1.8.62025/04/02v1.8.52025/03/19v1.8.42025/03/11v1.8.32025/03/06v1.8.22025/03/04v1.8.1-beta2025/02/28v1.8.02025/02/12v1.7.02025/01/23v1.5.52024/12/07v1.5.22024/11/24v1.5.02024/11/12v1.4.42024/11/05v1.4.32024/11/04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。