1. 项目概述一个开箱即用的智能体对话平台最近在折腾AI应用开发的朋友估计都绕不开一个核心需求如何快速搭建一个功能全面、又能灵活对接各种大语言模型的对话界面无论是想复现类似Kimi Chat那种“文件拖进来、网址发出来”的流畅体验还是想集成联网搜索、代码执行等智能体Agent能力自己从头开发一套Web UI光是前后端联调、工具链整合就够喝一壶的。今天要聊的ChatPilot就是这么一个能让你“开箱即用”的解决方案。它本质上是一个基于Web的智能体对话平台你可以把它理解为一个高度可定制化的“AI对话中台”。它的核心价值在于把构建一个功能完备的AI对话应用所需的各种复杂组件——前端界面、后端API、工具调用、多模型接入、知识库RAG——都给你打包好了并且提供了清晰的配置入口。你不需要从零开始写前后端也不用自己琢磨怎么让大模型调用Python解释器只需要关注最核心的部分配置你的API密钥选择你想要的模型然后启动服务。它适合谁呢我觉得有三类朋友会特别需要它AI应用开发者/创业者你想快速验证一个基于大模型的对话产品创意比如一个能联网查资料、能分析文档的智能客服或研究助手。ChatPilot提供了一个现成的、功能齐全的“壳子”你只需要注入自己的业务逻辑或模型即可。技术研究者/学生你在研究智能体Agent的工作流、工具调用或RAG技术。ChatPilot基于Agentica框架实现本身就是一个很好的研究案例和实验平台你可以基于它进行二次开发或测试不同模型在复杂任务上的表现。企业内部的效率工具搭建者你们公司可能已经采购了某些云服务商的模型API如Azure OpenAI或者在内网部署了开源模型通过Ollama。你想搭建一个安全、可控的内部问答或数据分析工具集成公司内部的知识库。ChatPilot支持多模型、多租户和权限管理是一个不错的起点。简单来说如果你厌倦了在Jupyter Notebook里和API调试作斗争或者觉得一些闭源的在线平台不够灵活、无法私有化部署那么ChatPilot这类开源项目就是你将AI能力“产品化”、“服务化”的得力助手。2. 核心功能与架构设计解析ChatPilot的目标很明确打造一个功能强大且易于部署的智能体对话Web UI。它的功能清单读起来就像一份现代AI对话应用的“标配”清单我们逐一拆解其设计思路。2.1 智能体能力核心工具调用与工作流这是ChatPilot区别于简单聊天框的核心。它基于Agentica框架让大模型具备了“动手能力”。联网搜索工具集成了Google Search API通过Serper或DuckDuckGo。当用户问“今天北京天气如何”时模型不再依赖其训练数据中的陈旧信息而是可以自主调用搜索工具获取实时结果并总结给你。这背后的设计考量是信息时效性。对于新闻、股价、天气等动态信息这是刚需。URL自动解析工具这就是复现“Kimi Chat”体验的关键。你丢给它一个知乎文章链接或GitHub项目地址它能自动抓取网页内容提炼核心信息并基于此内容与你对话。技术上这通常结合了网络爬虫或专用API和文本提取、摘要技术再喂给大模型。这个功能的设计重点是降低用户信息获取成本用户无需复制粘贴大段文字。Python代码解释器这是一个非常强大的功能。模型可以生成Python代码并在一个安全的沙箱环境如E2B或你指定的本地环境中执行然后将结果返回。想象一下你问“帮我画一个最近30天比特币价格波动图”它就能生成数据获取和绘图的代码并执行。这里的关键设计是安全性与灵活性的平衡E2B这类云沙箱隔离性好但可能有网络延迟和成本本地执行性能好、可控但需要严格防范恶意代码。ChatPilot提供了两种选项。实操心得工具调用的可靠性在实际使用中工具调用的成功率高度依赖模型本身的“工具使用”能力。GPT-4、Claude 3等顶级模型在这方面的指令遵循和规划能力很强。而一些较小的开源模型可能会在“何时调用工具”、“如何解析工具结果”上出现偏差。因此选择支持Function Calling或Tool Calling能力强的模型是保证体验的基础。ChatPilot通过Agentica框架抽象了工具调用接口使得更换底层模型时工具定义本身不需要大改这是架构上的一个优点。2.2 模型接入的“万能插座”灵活支持多种LLMChatPilot没有把自己绑定在某个特定的模型服务商上而是设计了多层次的接入方案像一个“万能插座”。原生OpenAI/Azure API这是最直接的方式。配置好OPENAI_API_KEY和OPENAI_BASE_URL或Azure的相关参数就能直接对接GPT系列模型。如果你的应用场景主要使用GPT这是最稳定、性能最好的路径。通过Ollama接入本地模型这是开源模型爱好者的福音。你在本地用Ollama拉取了Llama 3、Qwen或Mistral等模型然后让ChatPilot的后端连接到Ollama的服务端口默认11434。这样你就能在漂亮的Web UI里使用自己本地运行的模型了所有数据完全不出内网对于数据安全要求高的场景至关重要。通过litellm接入“一切”模型这是最具扩展性的方案。litellm是一个开源库它统一了众多云服务商如Anthropic的Claude、Google的Gemini、DeepSeek、月之暗面等的API接口。ChatPilot利用这一点允许你通过一个YAML配置文件定义多个模型终点。这意味着你可以在同一个UI里轻松切换使用DeepSeek、KimiMoonshot或者O1-mini等模型只需修改配置无需改动代码。这种设计体现了“配置优于编码”的思想。作为部署者你不需要关心后端每种API的调用差异只需要在配置文件里填写api_base、api_key和model名。这种灵活性对于需要做模型对比测试或根据成本、性能动态切换模型的后台管理场景非常有用。2.3 知识增强与系统管理RAG文件问答这是处理长文档、私有知识库的核心。你可以上传PDF、Word、TXT等文件ChatPilot会使用配置的嵌入模型如OpenAI的text-embedding-ada-002也支持开源嵌入模型将文档切片并向量化存储。当用户提问时系统会先从向量库中检索最相关的文档片段连同问题一起交给大模型生成答案。这解决了大模型“不知道”私有、非公开信息的问题。前后端分离与现代化技术栈前端使用Svelte框架这是一个以高性能和简洁语法著称的现代前端框架能带来流畅的用户体验。后端使用FastAPI一个高性能的Python Web框架特别适合构建API自动生成交互式文档异步支持好。前后端分离的架构让项目更易于维护和扩展比如未来可以独立开发移动端App来调用同一套后端API。用户管理与语音图像支持多用户、权限控制、聊天记录导入导出这让它具备了作为团队协作工具或SaaS服务的基础。语音输入输出可能集成类似Whisper的ASR和TTS服务和图像生成可能集成Stable Diffusion等的加入则让这个对话界面朝着“多模态”交互迈进适用场景更广。3. 从零到一的完整部署与配置指南理论说得再多不如亲手跑起来。下面我将以最常用的“本地部署OpenAI API”模式为例带你走一遍完整的流程并穿插关键配置的解读。3.1 基础环境准备与项目启动首先确保你的开发环境符合要求。ChatPilot要求Python 3.9这是比较现代的Python版本能保证大多数依赖库的兼容性。# 1. 克隆项目代码 git clone https://github.com/shibing624/ChatPilot.git cd ChatPilot # 2. 创建并激活虚拟环境强烈推荐避免包冲突 python -m venv venv # 在Windows上: venv\Scripts\activate # 在Mac/Linux上: source venv/bin/activate # 3. 安装依赖 pip install -r requirements.txt安装过程可能会持续几分钟因为它需要安装FastAPI、LangChain、Agentica、向量数据库客户端等一堆依赖。如果遇到某个包安装失败通常是网络问题可以尝试使用国内镜像源例如pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple。接下来是关键一步配置环境变量。项目提供了一个模板文件。# 4. 复制环境变量模板 cp .env.example .env现在用文本编辑器打开新生成的.env文件。你会看到类似下面的结构# OpenAI Configuration OPENAI_API_KEYsk-your-openai-api-key-here OPENAI_BASE_URLhttps://api.openai.com/v1 MODEL_TYPEopenai # Embedding model for RAG (if using OpenAIs embedding) RAG_EMBEDDING_MODELtext-embedding-ada-002 # Database and other settings...你需要将OPENAI_API_KEY替换成你自己的OpenAI API密钥。如果你使用的是其他兼容OpenAI API格式的服务比如一些国内镜像站或自己部署的模型那么还需要修改OPENAI_BASE_URL。MODEL_TYPE保持openai即可。重要注意事项API密钥安全.env文件包含了你的核心机密绝对不要将它提交到Git等版本控制系统。项目根目录下的.gitignore文件通常已经包含了.env但请务必再次确认。在生产环境中这些环境变量应该通过服务器管理界面如Docker的-e参数、K8s的Secret来注入而不是写在代码里。配置完成后启动服务就非常简单了# 5. 启动服务 bash start.sh这个start.sh脚本通常会做两件事启动FastAPI后端服务并可能启动一个静态文件服务器来托管前端构建好的文件。如果一切顺利你会在终端看到服务启动成功的日志最后一行通常会提示应用运行在http://0.0.0.0:8080。打开浏览器访问这个地址你应该就能看到ChatPilot的登录/注册界面了。第一次使用你需要注册一个管理员账户。3.2 前端构建的两种路径解析你可能会注意到直接克隆项目后web目录下可能没有build文件夹。这是因为前端代码Svelte需要编译成HTML、JS、CSS等静态资源后端才能提供服务。ChatPilot提供了两种方式方法一使用预编译包推荐给只想快速使用的用户这是最快捷的方式。项目在web/build.zip提供了已经编译好的前端资源。你只需要解压它。cd ChatPilot # 确保你在项目根目录然后解压build.zip到web目录下 unzip web/build.zip -d web/解压后web目录下会出现一个build文件夹里面就是编译好的静态文件。此时再运行bash start.sh后端就会自动服务这个build目录下的内容。方法二从源码构建适合需要定制前端界面的开发者如果你想修改UI比如调整布局、颜色、添加新组件就需要自己构建。# 确保已安装Node.js ( 20.10) 和 npm cd ChatPilot/web npm install # 安装前端依赖这步可能耗时较长 npm run build # 构建生产版本npm run build命令会调用Svelte的构建工具将源码打包、压缩、优化最终在web目录下生成build文件夹。构建过程中如果遇到问题通常是Node.js版本过低或网络问题可以尝试升级Node.js或使用淘宝npm镜像。实操心得前后端分离的联调在开发模式下你可能会想同时运行前端开发服务器和后端API服务器。通常的做法是后端FastAPI运行在http://localhost:8000前端Svelte开发服务器运行在http://localhost:5173(或其他端口) 前端需要配置代理将发送到/api的请求转发到后端的8000端口。具体的代理配置通常在web/vite.config.js或svelte.config.js中。对于只想使用ChatPilot功能的用户直接使用预编译包或生产构建即可无需关心此过程。3.3 核心配置详解对接不同的模型服务模型接入是ChatPilot的灵魂。我们来详细看看如何配置除了OpenAI以外的模型。使用Ollama接入本地模型假设你已经在本地安装了Ollama并拉取了一个模型比如llama3.2:1b。# 启动Ollama服务如果还没启动的话 ollama serve # 在另一个终端拉取模型 ollama pull llama3.2:1bOllama服务默认运行在http://localhost:11434。为了让ChatPilot使用它你只需要设置一个环境变量export OLLAMA_API_URLhttp://localhost:11434 # 同时确保 .env 文件中的 MODEL_TYPE 不是 openai或者后端逻辑能识别Ollama的配置。 # 根据ChatPilot的代码逻辑你可能需要将 MODEL_TYPE 设置为 ollama 或类似值具体需查看其配置加载方式。更常见的做法是直接使用litellm来统一管理因为litellm也支持Ollama后端。使用litellm接入多云模型以DeepSeek为例这是最灵活的方案。首先确保安装了litellmpip install litellm -U。ChatPilot的litellm配置文件默认路径是~/.cache/chatpilot/data/litellm/config.yaml。你需要创建这个文件并编辑它。# ~/.cache/chatpilot/data/litellm/config.yaml model_list: - model_name: deepseek-coder # 这是在ChatPilot UI下拉菜单中显示的名字 litellm_params: model: deepseek-chat # litellm内部使用的模型标识符。对于DeepSeek可能是 deepseek/deepseek-chat 或 deepseek-chat需查阅litellm文档 api_base: https://api.deepseek.com api_key: sk-your-deepseek-api-key-here rpm: 60 # 限速每分钟60次请求按需调整 - model_name: qwen-max # 接入阿里通义千问 litellm_params: model: qwen-max api_base: https://dashscope.aliyuncs.com/compatible-mode/v1 api_key: sk-your-dashscope-api-key-here rpm: 100 litellm_settings: drop_params: True set_verbose: False配置好后重启ChatPilot后端服务。在Web UI的模型选择处你应该就能看到deepseek-coder和qwen-max的选项了。配置陷阱与排查技巧api_base格式问题不同服务商的API地址格式不同。OpenAI风格通常是https://xxx.com/v1而有些服务商可能只是https://xxx.com。一定要查阅对应服务商的官方文档或litellm的 模型提供者列表 。model参数混淆model_name是你在UI里看到的可以自定义。model是litellm内部用于识别服务商和模型类型的必须准确。例如对于Azure OpenAImodel可能是azure/gpt-4。环境变量优先级ChatPilot的配置加载顺序需要留意。有时环境变量如OPENAI_API_KEY会覆盖配置文件中的设置。如果你配置了litellm但UI里不显示首先检查后端启动日志看litellm配置文件是否被正确加载其次检查是否有更高优先级的OpenAI环境变量导致系统默认使用了OpenAI模式。网络连通性确保你的服务器能访问你配置的api_base。对于国内用户访问某些国际服务可能需要特殊网络配置而国内服务则需确保服务器在国内网络环境下。4. 深度使用RAG、工具调用与高级功能实战服务跑起来只是第一步真正发挥威力在于如何使用它的高级功能。我们模拟几个真实场景。4.1 构建一个私有知识库问答系统RAG实战假设你是一个团队的技术负责人想把公司的产品手册、技术规范PDF文档变成一个可问答的知识库。第一步配置嵌入模型RAG的核心是将文本转换为向量嵌入。ChatPilot默认可能使用OpenAI的text-embedding-ada-002性价比高且效果好。你需要在.env文件中确认或设置RAG_EMBEDDING_MODELtext-embedding-ada-002如果你希望完全私有化也可以使用开源的嵌入模型比如BAAI/bge-small-zh-v1.5。这通常需要修改后端的相关代码将嵌入客户端从OpenAI切换到HuggingFaceEmbeddings或SentenceTransformerEmbeddings并加载对应的模型。这涉及到代码改动属于高级定制。第二步上传与处理文档在ChatPilot的Web UI中找到文件上传或知识库管理界面不同版本UI可能位置不同。上传你的PDF文件。后台会发生以下过程文档加载与分割使用PyPDF2、docx等库提取文本然后通过RecursiveCharacterTextSplitter等分割器将长文本切成语义连贯的小片段如500字符一段重叠50字符。向量化对每个文本片段调用你配置的嵌入模型生成一个高维向量如1536维。存储将这个向量和对应的文本片段、元数据来源文件、页码等一起存入向量数据库ChatPilot可能默认使用ChromaDB或FAISS这些是轻量级本地向量库。第三步进行问答当你提问“我们产品A的最大并发数是多少”时检索系统将你的问题也转换成向量然后在向量数据库中搜索最相似的文本片段通常使用余弦相似度。构建上下文将搜索到的Top K个相关文本片段连同你的问题一起构造成一个提示词Prompt发送给大模型。生成答案大模型基于提供的上下文片段生成一个准确、连贯的答案。RAG效果优化心得分割策略是关键不合理的分割会破坏语义导致检索到不相关的片段。对于中文文档可以尝试按句号、换行符分割并适当调整块大小和重叠区。“提示词工程”微调系统如何将“问题”和“检索到的上下文”组合成最终给模型的Prompt极大影响答案质量。好的Prompt会明确指令“请严格根据以下上下文回答问题如果上下文不包含相关信息请说‘根据已知信息无法回答’。”这能减少模型胡编乱造幻觉。元数据过滤如果你的知识库文档很多可以给文档添加标签如“产品手册V2.0”、“运维规范”。提问时可以指定在某个标签下搜索提高精度和速度。4.2 工具调用场景模拟数据分析与报告生成现在我们测试一下“代码解释器”这个强大工具。场景你想让AI助手分析一下CSV格式的销售数据并生成一个总结报告。准备数据你可以直接上传一个sales.csv文件或者在对话中说明“我有一个CSV文件内容是...”。提出复杂请求在对话框中输入“请分析我上传的sales.csv文件计算每个季度的总销售额和环比增长率并用matplotlib绘制季度销售额的柱状图。最后用中文写一段分析总结。”观察Agent工作流规划模型如GPT-4会理解这个复杂任务需要多个步骤读取文件、数据处理、计算、绘图、撰写报告。调用工具模型会生成Python代码并调用“代码解释器”工具来执行。代码可能包括pandas读取CSV、groupby聚合计算、matplotlib绘图等。执行与反馈代码在沙箱中执行。如果执行成功沙箱会返回计算结果如数据摘要和生成的图片可能以Base64或文件路径形式。如果代码有错误模型可能会尝试分析错误信息并修正代码再次执行。总结输出模型将代码执行的结果数据和图表整合生成最终的中文分析报告呈现给你。整个过程中你无需自己写一行代码。这充分展示了智能体Agent将自然语言指令转化为复杂工作流的能力。代码解释器安全警告如果你选择的是本地Python环境执行代码务必极其谨慎。这意味着AI生成的代码将在你的服务器上拥有与ChatPilot进程相同的权限。恶意或错误的代码可能删除或修改服务器文件。执行危险系统命令。耗尽系统资源如陷入死循环。强烈建议仅在完全可信的内网环境或对用户有严格权限控制的情况下使用本地执行模式。考虑使用Docker容器进行隔离限制其资源CPU、内存和文件系统访问。对于公开服务优先使用E2B这类云沙箱它们提供了内核级别的隔离安全性高得多。虽然可能有小额费用和网络延迟但换来了安全保证。4.3 用户管理与系统扩展对于团队使用用户管理功能很重要。ChatPilot支持基本的用户注册、登录。管理员可能可以管理用户权限、查看聊天记录等。数据持久化聊天记录、用户信息、上传的文件向量等都需要存储。项目可能使用了SQLite轻量适合起步或PostgreSQL更适合生产环境作为关系型数据库用ChromaDB/FAISS存储向量。部署时需确保数据库文件有正确的读写权限并定期备份。扩展思路自定义工具Agentica框架允许你定义自己的工具。比如你可以写一个工具函数让它能查询公司内部的数据库或API然后将这个工具注册到ChatPilot中这样AI助手就能回答关于公司内部数据的问题了。集成外部系统通过Webhook或消息队列将ChatPilot与你的CRM、OA系统连接。例如当用户询问“张三上个月的报销进度”AI可以自动调用内部审批系统的查询接口并返回结果。界面定制基于Svelte前端你可以修改UI组件改变主题增加新的功能按钮使其更符合你的品牌或业务需求。5. 常见问题与故障排查手册在实际部署和使用中你肯定会遇到各种问题。这里我整理了一份从入门到进阶的常见问题清单附上排查思路和解决方法。5.1 部署启动问题问题1执行bash start.sh后报错提示端口被占用。排查start.sh脚本默认使用8080端口。可能是你之前启动的服务没有正确关闭或者其他程序占用了该端口。解决查找占用端口的进程lsof -i :8080(Mac/Linux) 或netstat -ano | findstr :8080(Windows)。终止该进程kill -9 PID或 在Windows任务管理器中结束对应PID的进程。或者修改启动脚本或环境变量让ChatPilot使用另一个端口例如8090。问题2前端页面能打开但登录/发送消息后一直转圈或报“Internal Server Error”。排查这是典型的前后端通信或后端服务错误。首先打开浏览器的开发者工具F12切换到“网络(Network)”标签页查看失败的请求通常是红色状态码。点击该请求查看“响应(Response)”内容里面常有具体的错误信息。可能原因及解决API密钥错误后端连接OpenAI等服务失败。检查.env文件中的OPENAI_API_KEY是否正确是否有余额网络是否能访问api.openai.com或你配置的Base URL。查看后端日志启动服务的终端获取更详细的错误。依赖包缺失或版本冲突虽然安装了requirements.txt但某些系统依赖可能缺失。确保你的Python版本是3.9。尝试创建一个全新的虚拟环境重新安装依赖。数据库初始化问题首次启动时需要初始化数据库。确保运行后端服务的用户对项目目录下的数据库文件如data/目录有读写权限。问题3使用Docker启动失败。排查Docker命令可能因环境变量、镜像拉取、端口映射等问题失败。解决确保Docker服务正在运行。检查docker run命令中的环境变量值是否正确传递。特别是OPENAI_API_KEY确保在运行export命令后变量已正确设置。尝试先拉取镜像docker pull shibing624/chatpilot:0.0.1。查看Docker容器日志docker logs container_name。5.2 功能使用问题问题4上传文件后RAG问答功能不起作用AI回答“我不知道”。排查RAG流程涉及多个环节文档解析、文本分割、向量化、存储、检索。任何一个环节出错都会导致失败。解决步骤检查文件格式确认上传的文件格式PDF, DOCX, TXT是否被支持。复杂的PDF扫描版、带密码可能解析失败。检查嵌入模型确认.env中RAG_EMBEDDING_MODEL设置正确并且对应的API密钥有效如果使用OpenAI嵌入模型。查看后端日志上传和处理文件时后端会有详细日志。查看是否有解析错误、API调用失败等信息。测试检索如果项目提供了管理界面查看向量库中是否确实存入了你上传文档的片段。或者尝试问一个非常具体、且答案肯定在文档中的问题。问题5工具调用如联网搜索不生效AI直接回答而不调用工具。排查工具调用需要模型支持“函数调用Function Calling”或“工具调用Tool Calling”能力并且后端正确配置了工具描述。解决确认模型能力确保你当前在UI中选择的模型支持工具调用。GPT-4、Claude 3、DeepSeek最新版本通常支持。一些较小的开源模型可能不支持或支持不好。检查工具配置对于联网搜索需要配置SERPER_API_KEY或DUCKDUCKGO_*等环境变量。检查这些变量是否已在.env文件中正确设置。查看请求详情在浏览器开发者工具的“网络”中查看发送给/chat/completions或类似的请求体。看看其中是否包含了tools参数以及模型返回的响应中是否有tool_calls字段。问题6通过litellm配置的模型在UI下拉列表中不显示。排查litellm配置未正确加载或格式有误。解决确认配置文件路径和权限确保~/.cache/chatpilot/data/litellm/config.yaml文件存在且格式为YAML注意缩进。检查YAML语法使用在线YAML校验器检查配置文件是否有语法错误。重启后端服务修改litellm配置后需要重启ChatPilot后端才能生效。查看后端启动日志启动时后端应该会打印出加载的litellm模型列表。确认你的模型出现在日志中。5.3 性能与优化问题问题7回答速度很慢尤其是涉及RAG或代码执行时。排查延迟可能来自多个环节网络访问外部API、模型生成速度、本地计算向量检索、代码执行。优化建议网络如果使用海外API考虑使用网络加速或选择地理位置上更近的服务节点。对于国内用户优先考虑支持国内访问的模型服务商。模型选择对于需要快速响应的场景可以尝试更小、更快的模型如GPT-3.5-Turbo DeepSeek-V2-Lite。在litellm配置中设置合理的rpm每分钟请求数限流避免意外高频请求。RAG优化索引优化控制文本分割的块大小太小则碎片化太大会拖慢检索和模型处理。通常256-512 tokens是一个平衡点。检索优化尝试使用更快的向量数据库如FAISS特别适合本地部署。减少每次检索返回的片段数量Top K。硬件如果本地运行Ollama模型确保服务器有足够的内存和GPU资源。问题8对话历史很长后模型似乎“失忆”了或者响应变得奇怪。排查大模型有上下文长度限制Context Window。当对话轮次太多累计的tokens数超过限制时最早的历史信息会被“挤掉”。解决选择长上下文模型优先使用支持128K甚至更长上下文的模型如Claude 3、GPT-4 Turbo、DeepSeek-V2。摘要历史在工程上实现“历史摘要”功能。当对话达到一定长度时让模型自动对之前的对话内容进行总结然后用这个总结来代替冗长的原始历史作为新的上下文开头。这需要额外的开发工作。主动管理在UI上提供“清空上下文”或“开始新对话”的按钮提醒用户适时开启新会话。踩过这些坑之后我的体会是像ChatPilot这样的开源项目最大的价值在于它提供了一个高度可用的起点和清晰的学习范本。它把智能体应用的核心模块都实现了让你可以快速上手体验并基于此进行深度定制。部署过程中遇到问题除了查看项目本身的Issue多关注后端日志和网络请求大部分问题都能定位。对于想要深入AI应用开发的朋友去阅读它的源码尤其是Agentica框架如何集成工具、litellm如何做模型路由会是极好的学习材料。