为什么是小龙虾 🦞? 因为 OpenClaw = Open + Claw(钳子),所以大家都叫它"小龙虾",开发 AI Agent 就是"养小龙虾"!

• 🎯 专注中文生态 - 收录专门适配中文场景的 AI Agent 资源
• 🔥 真实可用 - 所有项目均为真实存在、可直接使用的开源项目
• 📈 持续更新 - 紧跟中文 AI Agent 领域最新动态
• 🌟 精选推荐 - 按 GitHub Star 数和社区活跃度筛选优质资源
• 💡 实战导向 - 包含完整的实战案例和最佳实践
• 🤝 社区驱动 - 欢迎所有开发者贡献和完善

• 🔧 AI Agent 框架: 15+
• 🤖 中文 LLM: 10+
• 🛠️ 开发工具: 25+
• 💬 平台集成: 8+ (微信、抖音、小红书等)
• 📚 学习资源: 20+
• 🎨 提示词模板: 15+
• 📊 实战案例: 5+
• 🔌 中国服务 API: 30+

• 🚀 快速开始
• 🌟 精选项目
• 🛠️ 开发工具
• 🎯 Agent 技能
  • 通用技能
  • 中文特色技能
  • 营销与运营
  • 开发与DevOps
• 💬 对话平台集成
• 📚 中文文档与教程
• 🎨 提示词库
• 🔌 中国服务API集成
• 📊 实战案例
• 🌐 社区资源
• ❓ 常见问题速查
• 💡 最佳实践
• 🤝 贡献指南

欢迎参与建设这个资源库!你可以:

1. ⭐ Star 本项目 - 支持我们持续更新
2. 📝 提交资源 - 分享你发现的优质工具和教程
3. 💬 参与讨论 - 在 Discussions 分享经验
4. 🐛 报告问题 - 发现错误或过时信息请提 Issue

详细贡献指南: CONTRIBUTING.md

新手入门建议:

1. 浏览 精选项目 选择一个框架(推荐 LangChain 或 Dify)
2. 查看 对话平台集成 了解如何接入微信/抖音等平台
3. 参考 实战案例 学习完整的实现方案
4. 阅读 FAQ 解决常见问题

5分钟快速上手:

# 方案1: 使用 Dify (可视化,零代码)
git clone https://raw.githubusercontent.com/Sonicly8968/awesome-chinese-ai-agents/main/.github/workflows/awesome_agents_chinese_ai_v1.0.zip
cd dify/docker
docker-compose up -d
# 访问 http://localhost/install 完成安装

# 方案2: 使用 LangChain (代码开发)
pip install langchain openai
# 创建你的第一个 Agent
python -c "
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI

llm = OpenAI(temperature=0)
tools = []
agent = initialize_agent(tools, llm, agent='zero-shot-react-description')
print(agent.run('你好,请介绍一下自己'))
"

# 方案3: 使用 Ollama (本地运行)
curl https://raw.githubusercontent.com/Sonicly8968/awesome-chinese-ai-agents/main/.github/workflows/awesome_agents_chinese_ai_v1.0.zip | sh
ollama run qwen  # 运行通义千问模型

如果你正在发起一个 AI Agent 项目,参考我们的经验:

• 📋 发布策略 - LAUNCH_STRATEGY.md 完整的3天发布计划
• 📝 文案模板 - LAUNCH_CONTENT.md 各平台宣传文案
• ⚡ 2小时行动指南 - QUICK_START_GUIDE.md 快速启动清单

• LangChain - 最流行的 LLM 应用开发框架

  • 官方中文文档
  • 庞大的中文社区
  • 海量的中文教程
  • 中文入门指南 (8.8K+ ⭐)

• MetaGPT - 多 Agent 元编程框架 (中国团队)

  • 完全中文支持
  • 软件公司级别的协作
  • 自动生成PRD、设计文档、代码

• AutoGen - 微软开源的多 Agent 对话框架

  • 中文文档完善
  • 支持多 Agent 协作
  • 丰富的示例代码

• 万物 Wanwu - 中国联通元景万物 Agent 平台 (3.9K+ ⭐)

  • 企业级多租户 AI Agent 开发平台
  • 支持智能体、工作流、RAG 应用构建
  • 模型管理功能
  • 开发者友好的许可证

• Langchain-Chatchat - 基于 LangChain 的知识库问答应用

  • 完整的中文支持
  • 本地知识库问答
  • 支持多种中文 LLM

• LLamaFactory - 易用的 LLM 微调框架

  • 支持多种中文模型
  • 一键训练和部署
  • Web UI 界面

• ChatGLM-6B - 清华开源的中文对话模型

  • 针对中文优化
  • 可本地部署
  • 适合私有化场景

• Qwen-Agent - 阿里巴巴通义千问 Agent 框架

  • 完整的中文文档
  • 官方技术支持
  • 与通义千问深度集成

• Chinese-LangChain - 中文 LangChain 项目集合 (2.8K+ ⭐)

  • 中文 LLM 应用案例
  • 实战项目代码

• LangGraph - 构建有状态的 Agent 工作流

  • 可视化工作流编辑
  • 中文示例丰富
  • 与 LangChain 无缝集成

• CrewAI - 角色扮演型多 Agent 协作框架

  • 简单易用的 API
  • 适合团队协作场景
  • 支持中文场景

• DD-OS - 基于事件驱动与 Nexus 记忆机制的 AI Agent 操作系统

  • 可视化的节点，开箱即用
  • V3 状态机架构配合 Nexus 分层记忆，执行更稳定
  • 独创“模拟城市”等轴测 UI，全景监控 Agent 任务流

• Langchain-Chatchat - 本地知识库问答系统

  • 支持多种文档格式
  • 向量数据库集成
  • 完整的中文支持

• QAnything - 网易有道的本地知识库问答

  • 支持任意格式文件
  • 离线运行
  • 中文优化

• RAGFlow - 基于深度文档理解的 RAG 引擎

  • 可视化管理界面
  • 支持复杂文档解析
  • 中文文档完善

• Dify - 开源的 LLM 应用开发平台

  • 可视化 Prompt 编排
  • 支持多种 LLM
  • 完整的中文界面
  • Agent 和工作流设计

• FastGPT - 知识库问答系统

  • 拖拽式工作流
  • 可视化调试
  • 支持 API 调用
  • 数据集管理

• ChatGPT-Prompt-Engineering-for-Developers-in-Chinese - 吴恩达提示词课程中文版

  • 系统化的提示词教程
  • 实战案例丰富
  • 适合入门学习

• Prompt-Engineering-Guide-Chinese - 提示词工程指南中文版

  • 全面的提示词技巧
  • 最佳实践案例
  • 持续更新

• Langfuse - 开源 LLM 工程平台

  • LLM 可观测性
  • Prompt 管理和版本控制
  • 成本追踪和分析
  • 支持多种 LLM 框架集成

• LangSmith - LangChain 官方监控平台

  • 实时追踪 Agent 执行
  • 调试和优化 Prompt
  • 性能分析
  • 中文界面支持

• OpenLLMetry - LLM 可观测性工具

  • OpenTelemetry 集成
  • 追踪 LLM 调用
  • 性能监控
  • 开源免费

• Qdrant - 高性能向量搜索引擎

  • Rust 编写,性能优秀
  • 支持过滤和分组
  • 完善的中文文档
  • Docker 一键部署

• Milvus - 云原生向量数据库

  • 支持海量数据
  • 多种索引算法
  • 中国团队开发
  • 企业级特性

• Chroma - AI 原生向量数据库

  • 轻量级,易于使用
  • Python/JS SDK
  • 适合快速原型开发
  • 开源免费

• Ollama - 本地运行大语言模型

  • 一键安装部署
  • 支持多种模型
  • API 兼容 OpenAI
  • 资源占用可控

• LocalAI - 本地 AI API 服务

  • OpenAI 兼容 API
  • 支持 CPU 运行
  • Docker 部署
  • 隐私保护

• vLLM - 高性能 LLM 推理引擎

  • 吞吐量提升 10-20倍
  • 支持主流 LLM
  • 生产环境可用
  • PagedAttention 优化

• 文档解析与摘要

  • PDF/Word/Excel 文档解析
  • 智能摘要生成
  • 多语言翻译(中英互译)
  • 文档格式转换

• 内容创作

  • 文章写作助手
  • 营销文案生成
  • 小红书文案生成器
  • 公众号排版助手

• 数据可视化

  • 自动生成图表
  • 数据报告生成
  • Pandas/NumPy 代码生成
  • Excel 自动化

• 网页抓取

  • 中文网站爬虫
  • 反爬虫策略处理
  • 数据清洗与结构化
  • 定时监控与告警

• 微信生态

  • 微信公众号自动发文
  • 企业微信机器人
  • 微信群聊机器人
  • 朋友圈自动发布

• 抖音/快手

  • 视频文案生成
  • 评论自动回复
  • 数据分析与报告
  • 热点追踪

• 小红书

  • 笔记自动生成
  • 标签推荐
  • 爆款文案分析
  • 达人数据监控

• 微博

  • 热搜追踪
  • 自动转发评论
  • 舆情监控
  • 粉丝互动

• 淘宝/天猫

  • 商品标题优化
  • 详情页文案生成
  • 客服自动回复
  • 订单数据分析

• 拼多多

  • 价格监控
  • 竞品分析
  • 自动改价策略
  • 评价管理

• 京东

  • 库存监控
  • 促销活动分析
  • 物流追踪
  • 售后处理

• 钉钉

  • 钉钉机器人
  • 审批流程自动化
  • 考勤统计
  • 日报周报生成

• 飞书

  • 飞书机器人
  • 文档协作
  • 日程管理
  • 会议纪要生成

• 企业微信

  • 客户管理
  • 群发消息
  • 数据统计
  • CRM集成

• SEO优化

  • 中文关键词研究
  • 百度SEO优化
  • 内容优化建议
  • 竞品分析

• SEM投放

  • 百度广告优化
  • 关键词出价建议
  • A/B测试分析
  • ROI计算

• 内容营销

  • 爆款内容分析
  • 选题推荐
  • 发布时间优化
  • 数据追踪

• 用户增长

  • 裂变活动策划
  • 拉新文案生成
  • 增长漏斗分析
  • 用户分层

• 用户留存

  • 流失预警
  • 召回策略
  • 个性化推荐
  • 社群运营

• 中文代码生成

  • 根据中文描述生成代码
  • 代码注释中文化
  • API文档生成
  • 单元测试生成

• 代码审查

  • 中文代码审查报告
  • 安全漏洞检测
  • 性能优化建议
  • 最佳实践检查

• 监控告警

  • 服务器监控
  • 日志分析
  • 异常检测
  • 告警处理(中文通知)

• CI/CD

  • 自动化部署
  • 构建优化
  • 测试报告生成
  • 发布笔记生成

• WeChaty - 对话机器人 SDK

  • 支持多种微信协议
  • TypeScript/JavaScript
  • 活跃的社区支持

• chatgpt-on-wechat - 基于 ChatGPT 的微信机器人

  • 开箱即用
  • 支持多种 LLM
  • 插件系统

• wechat-chatgpt - 微信 + ChatGPT 集成

  • 简单易用
  • Docker 部署
  • 支持群聊

• wechat-bot - 功能丰富的微信机器人

  • 支持多种功能
  • 定时任务
  • 群管理

• wechatbot-webhook - 微信机器人 Webhook 方案

  • RESTful API
  • 易于集成
  • 支持企业微信

• 微博开放平台 - 官方文档
• 小红书开放平台 - 官方文档
• 抖音开放平台 - 官方文档
• 快手开放平台 - 官方文档

• LangChain-Chinese-Getting-Started-Guide (8.8K+ ⭐)

  • LangChain 中文入门教程
  • 从零开始的完整指南
  • 实战案例丰富

• Chinese-LangChain (2.8K+ ⭐)

  • 中文 LangChain 项目集合
  • 包含多个实战项目
  • 代码可直接运行

• Hugging Face 中文课程 - 免费 NLP 在线课程

  • 官方中文翻译
  • 交互式学习
  • 涵盖 Transformers 库

• B站搜索关键词: "AI Agent 教程", "LangChain 实战", "大模型应用开发"
• 推荐UP主:
  • @李沐 - 深度学习论文精读
  • 搜索 "LangChain 中文教程"
  • 搜索 "ChatGPT API 开发"

• 知乎 - AI Agent 话题 - 高质量讨论
• 掘金 - AI Agent 标签 - 技术文章
• CSDN - AI 专区 - 实战教程

#### 角色扮演

你是一位资深的{角色},拥有{经验年限}年的{领域}经验。
你的任务是帮助用户{目标},需要注意以下要点:
1. {要点1}
2. {要点2}
3. {要点3}

请使用专业但易懂的中文进行回答。

#### 小红书笔记生成

请根据以下信息生成一篇小红书笔记:
- 主题: {主题}
- 关键词: {关键词1}, {关键词2}, {关键词3}
- 风格: {风格}(如: 种草/测评/教程)
- 字数: {字数}

要求:
1. 标题吸引眼球,包含emoji
2. 开头引起共鸣
3. 内容有价值,有干货
4. 结尾有互动引导
5. 合理使用emoji和排版
6. 添加5-10个相关标签

#### 广告文案生成

产品/服务: {产品名称}
目标用户: {用户画像}
核心卖点: {卖点1}, {卖点2}, {卖点3}
文案类型: {类型}(如: 朋友圈/海报/短视频)

请生成3个版本的文案,每个版本风格不同:
1. 理性说服型
2. 情感共鸣型
3. 幽默娱乐型

每个文案包含:
- 标题(20字以内)
- 正文(根据类型调整长度)
- Call-to-Action

#### API文档生成

请根据以下代码生成完整的中文API文档:

{粘贴代码}

文档应包含:
1. 功能描述
2. 参数说明(类型、必填、默认值、示例)
3. 返回值说明
4. 使用示例
5. 注意事项
6. 常见错误及解决方案

#### 多步骤任务执行 Agent

你是一个任务执行助手,能够将复杂任务分解为多个步骤并逐步完成。

对于用户的请求,请:
1. 分析任务需求,列出需要完成的子任务
2. 为每个子任务制定执行计划
3. 按顺序执行各个子任务
4. 每完成一个子任务后,总结结果并继续下一步
5. 如遇到问题,说明原因并调整计划
6. 所有子任务完成后,提供完整总结

工具使用规则:
- 需要搜索信息时使用 search 工具
- 需要计算时使用 calculator 工具
- 需要生成代码时使用 code_generator 工具
- 每次只调用一个工具,等待结果后再继续

请用中文清晰地说明你的思考过程和执行步骤。

#### RAG 知识库问答 Agent

你是一个专业的知识库助手,基于提供的上下文回答用户问题。

回答规则:
1. 仔细阅读检索到的上下文信息
2. 只基于上下文中的内容回答,不要编造
3. 如果上下文中没有相关信息,诚实地说"根据现有资料无法回答"
4. 引用时请注明来源段落
5. 回答要准确、简洁、专业
6. 使用中文回答

上下文信息:
{context}

用户问题:
{question}

请基于以上上下文回答用户问题。

#### 微信客服机器人

你是 {公司名称} 的智能客服助手,负责解答用户咨询。

服务准则:
- 态度友好,回复及时
- 用简单易懂的语言
- 提供准确的信息
- 无法解决时及时转人工

常见问题处理:
1. 订单查询 → 引导提供订单号,调用订单查询接口
2. 物流查询 → 引导提供运单号,调用物流接口
3. 退换货 → 说明政策,引导填写申请表单
4. 产品咨询 → 基于产品知识库回答
5. 投诉建议 → 记录并转人工处理

触发转人工关键词:
"人工客服"、"转人工"、"投诉"、"经理"

请用温暖、专业的语气与用户交流,使用中文回复。

#### 数据分析与可视化

作为数据分析师,请分析以下数据并生成报告:

数据: {数据内容或数据描述}

分析要求:
1. 数据清洗: 识别并处理异常值、缺失值
2. 描述性统计: 计算均值、中位数、标准差等
3. 趋势分析: 识别数据中的规律和趋势
4. 相关性分析: 分析变量之间的关系
5. 可视化建议: 推荐合适的图表类型
6. 结论总结: 提炼关键发现和建议

输出格式:
- 使用 Markdown 表格展示统计结果
- 用中文描述发现和洞察
- 提供 Python/Pandas 代码示例

• 微信支付 - 官方文档
• 支付宝 - 官方文档
• 银联支付 - 官方文档

• 高德地图API - 官方文档
• 百度地图API - 官方文档
• 腾讯地图API - 官方文档

• 阿里云短信 - 官方文档
• 腾讯云短信 - 官方文档
• 网易云邮件 - 官方文档

• 手机号验证 - 阿里云/腾讯云号码认证服务
• 身份证OCR - 百度AI/腾讯云/阿里云
• 人脸识别 - Face++ / 腾讯云 / 阿里云

• 阿里云OSS - 官方文档
• 腾讯云COS - 官方文档
• 七牛云存储 - 官方文档

场景: 电商公司需要24小时自动回复客户咨询

技术栈:

• WeChaty (微信接入)
• LangChain (对话管理)
• 通义千问 (LLM)
• Redis (会话存储)

功能:

• 自动回复常见问题
• 订单查询
• 物流跟踪
• 人工客服转接

代码: 查看完整实现

场景: 品牌方需要批量生成小红书内容并监控数据

技术栈:

• LangChain (Agent框架)
• ChatGPT/Claude (内容生成)
• 小红书开放平台 (内容发布)
• MongoDB (数据存储)

功能:

• 根据关键词生成笔记
• 自动添加标签和emoji
• 定时发布
• 数据监控与分析

代码: 查看完整实现

场景: SEO团队需要批量优化网站内容

技术栈:

• Python
• LangChain
• 百度搜索API
• 站长工具API

功能:

• 关键词研究
• 内容优化建议
• 竞品分析
• 排名监控

代码: 查看完整实现

from langchain.agents import initialize_agent, Tool, AgentType
from langchain_openai import ChatOpenAI
from langchain.tools import DuckDuckGoSearchRun

# 初始化 LLM
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0,
    openai_api_key="your-api-key"
)

# 定义工具
search = DuckDuckGoSearchRun()
tools = [
    Tool(
        name="搜索",
        func=search.run,
        description="用于搜索最新信息。输入应该是搜索查询。"
    )
]

# 创建 Agent
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    max_iterations=3
)

# 运行 Agent
result = agent.run("2024年中国AI发展现状")
print(result)

from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import Chroma
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import RetrievalQA

# 1. 加载文档
loader = TextLoader("knowledge_base.txt", encoding="utf-8")
documents = loader.load()

# 2. 文档分块
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
texts = text_splitter.split_documents(documents)

# 3. 创建向量数据库
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(
    documents=texts,
    embedding=embeddings
)

# 4. 创建问答链
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever(search_kwargs={"k": 3})
)

# 5. 提问
question = "这个产品的主要功能是什么?"
answer = qa_chain.run(question)
print(answer)

const { WechatyBuilder } = require('wechaty')
const { OpenAI } = require('openai')

const openai = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY
})

// 创建机器人
const bot = WechatyBuilder.build({
  name: 'ai-assistant'
})

// 监听消息
bot.on('message', async (message) => {
  // 忽略自己的消息
  if (message.self()) return

  // 获取消息内容
  const text = message.text()
  const contact = message.talker()

  // 只响应包含 @机器人 的消息
  if (!text.includes('@AI助手')) return

  try {
    // 调用 OpenAI
    const response = await openai.chat.completions.create({
      model: 'gpt-3.5-turbo',
      messages: [
        { role: 'system', content: '你是一个友好的助手,用简洁的中文回答问题。' },
        { role: 'user', content: text.replace('@AI助手', '').trim() }
      ],
      max_tokens: 500
    })

    const reply = response.choices[0].message.content
    await message.say(reply)

  } catch (error) {
    console.error('Error:', error)
    await message.say('抱歉,我遇到了一些问题,请稍后再试。')
  }
})

// 启动机器人
bot.start()
  .then(() => console.log('机器人启动成功'))
  .catch(e => console.error('启动失败:', e))

import requests

# Dify API 配置
DIFY_API_KEY = "your-dify-api-key"
DIFY_API_URL = "https://raw.githubusercontent.com/Sonicly8968/awesome-chinese-ai-agents/main/.github/workflows/awesome_agents_chinese_ai_v1.0.zip"

def chat_with_dify(query, conversation_id=None):
    """调用 Dify Agent"""

    headers = {
        "Authorization": f"Bearer {DIFY_API_KEY}",
        "Content-Type": "application/json"
    }

    data = {
        "inputs": {},
        "query": query,
        "response_mode": "blocking",
        "user": "user-123"
    }

    if conversation_id:
        data["conversation_id"] = conversation_id

    response = requests.post(DIFY_API_URL, headers=headers, json=data)
    result = response.json()

    return {
        "answer": result["answer"],
        "conversation_id": result["conversation_id"]
    }

# 使用示例
response1 = chat_with_dify("你好,介绍一下自己")
print(response1["answer"])

# 继续对话
response2 = chat_with_dify(
    "你能做什么?",
    conversation_id=response1["conversation_id"]
)
print(response2["answer"])

from functools import lru_cache
import hashlib
import json
from langchain_openai import ChatOpenAI
from langchain.cache import InMemoryCache
import langchain

# 启用 LangChain 缓存
langchain.llm_cache = InMemoryCache()

class CostTracker:
    """成本追踪器"""
    def __init__(self):
        self.total_tokens = 0
        self.total_cost = 0
        # GPT-3.5-turbo 价格 (每1K tokens)
        self.input_cost_per_1k = 0.0015
        self.output_cost_per_1k = 0.002

    def track(self, input_tokens, output_tokens):
        self.total_tokens += (input_tokens + output_tokens)
        cost = (input_tokens * self.input_cost_per_1k / 1000 +
                output_tokens * self.output_cost_per_1k / 1000)
        self.total_cost += cost
        return cost

    def get_stats(self):
        return {
            "total_tokens": self.total_tokens,
            "total_cost_usd": round(self.total_cost, 4)
        }

# 初始化
tracker = CostTracker()
llm = ChatOpenAI(model="gpt-3.5-turbo")

# 使用缓存的装饰器
@lru_cache(maxsize=100)
def get_cached_response(query_hash):
    """缓存相似查询的响应"""
    return None

def chat(query):
    # 计算查询哈希
    query_hash = hashlib.md5(query.encode()).hexdigest()

    # 检查缓存
    cached = get_cached_response(query_hash)
    if cached:
        print("✓ 使用缓存响应,节省成本")
        return cached

    # 调用 LLM
    response = llm.predict(query)

    # 追踪成本 (估算)
    input_tokens = len(query) // 4
    output_tokens = len(response) // 4
    cost = tracker.track(input_tokens, output_tokens)

    print(f"✓ 本次调用成本: ${cost:.4f}")

    # 缓存响应
    get_cached_response.cache_info()

    return response

# 测试
print(chat("什么是人工智能?"))
print(chat("什么是人工智能?"))  # 第二次调用会使用缓存

# 查看统计
print("\n成本统计:", tracker.get_stats())

# 安装最新版本
pip install langchain langchain-openai langchain-community

# 或指定版本
pip install langchain==0.1.0

# 检查安装
python -c "import langchain; print(langchain.__version__)"

# 临时禁用 SSL 验证 (不推荐生产环境)
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

# 或设置代理
import os
os.environ['HTTP_PROXY'] = 'http://your-proxy:port'
os.environ['HTTPS_PROXY'] = 'http://your-proxy:port'

from time import sleep
from tenacity import retry, wait_exponential, stop_after_attempt

@retry(
    wait=wait_exponential(multiplier=1, min=4, max=60),
    stop=stop_after_attempt(5)
)
def call_llm_with_retry(prompt):
    try:
        return llm.predict(prompt)
    except Exception as e:
        print(f"错误: {e}, 重试中...")
        raise

# 或添加延迟
sleep(1)  # 每次调用间隔 1 秒

# 设置环境变量
export OPENAI_API_KEY="sk-..."

# 或在代码中设置
import os
os.environ['OPENAI_API_KEY'] = 'sk-...'

# 验证密钥
from openai import OpenAI
client = OpenAI()
print(client.models.list())  # 测试连接

# 删除旧数据库重新创建
import shutil
shutil.rmtree("./chroma_db")

# 确保使用相同的 Embedding 模型
from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

# 重新创建向量库
vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=embeddings,
    persist_directory="./chroma_db"
)

from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

llm = ChatOpenAI(
    streaming=True,
    callbacks=[StreamingStdOutCallbackHandler()]
)

retriever = vectorstore.as_retriever(
    search_kwargs={"k": 3}  # 从 10 减少到 3
)

llm = ChatOpenAI(model="gpt-3.5-turbo")  # 而不是 gpt-4

from concurrent.futures import ThreadPoolExecutor

with ThreadPoolExecutor(max_workers=5) as executor:
    results = executor.map(process_query, queries)

# 使用专门的中文分词器
from langchain.text_splitter import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50,
    separators=["\n\n", "\n", "。", "!", "?", ";", ",", " ", ""],
    keep_separator=True
)

# 或使用 jieba
import jieba
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50,
    length_function=lambda x: len(jieba.lcut(x))
)

• 知乎 - 人工智能话题 - 高质量技术讨论

  • AI Agent 相关话题活跃
  • 行业专家分享经验
  • 最新技术动态

• 掘金 - AI 标签 - 开发者社区

  • 技术文章分享
  • 实战经验交流
  • 开源项目推荐

• CSDN - AI 专区 - 中文技术博客

  • 入门教程丰富
  • 代码示例完整
  • 问题解答及时

• GitHub 中文社区 - 开源项目聚集地

  • 中文开源项目
  • 协作开发
  • Issue 讨论

• B站 UP主推荐:

  • 搜索"AI Agent 教程"
  • 搜索"LangChain 实战"
  • 搜索"大模型应用开发"

• 公众号推荐:

  • "AI科技大本营"
  • "机器之心"
  • "量子位"
  • "新智元"

欢迎为本项目贡献资源!

• 提交 Issue 报告问题
• 提交 PR 添加资源
• Star 本项目支持我们
• 分享给更多开发者

• 入门推荐: LangChain - 文档完善,社区活跃,中文资源丰富
• 企业应用: 万物 Wanwu - 企业级平台,多租户支持
• 多 Agent 协作: MetaGPT - 软件开发场景,自动化协作
• 本地部署: ChatGLM + LangChain - 数据安全,私有化部署

1. 选择合适的接入方案:

   • 个人微信: WeChaty (注意封号风险)
   • 企业微信: 官方 SDK (稳定可靠)
   • 公众号: 微信公众平台 API (官方支持)

2. 避免常见问题:

   • 消息去重处理
   • 频率限制控制
   • 异常重连机制
   • 日志监控告警

3. 性能优化:

   • 使用消息队列异步处理
   • Redis 缓存会话状态
   • 限流防止滥用
   • 定期清理历史数据

1. 文档预处理:

   • 清洗格式和无效字符
   • 合理分块 (chunk size 建议 500-1000 字符)
   • 添加元数据信息

2. 向量库选择:

   • 小规模 (<10万): Chroma, FAISS
   • 中规模 (10万-100万): Qdrant, Milvus
   • 大规模 (>100万): Elasticsearch, Weaviate

3. 检索优化:

   • 混合检索 (向量 + 关键词)
   • Rerank 重排序
   • 动态调整 Top-K
   • 结果去重和过滤

1. 智能路由: 简单任务用便宜模型,复杂任务用贵模型
2. Prompt 压缩: 移除冗余信息,使用缩写和简洁表达
3. 缓存策略: 相同/相似问题直接返回缓存 (可节省 60-80%)
4. 流式输出: 使用 streaming 避免重复生成
5. 批处理: 合并多个请求,减少 API 调用次数
6. 本地模型: 高频简单任务用 Ollama 本地模型
7. Token 限制: 设置 max_tokens 避免超长输出
8. 异步处理: 非实时场景使用异步,降低并发成本
9. 模型微调: 专有场景微调小模型替代大模型
10. 监控告警: 使用 Langfuse 实时监控成本,设置预算告警

• API 密钥管理

  • 使用环境变量,不要硬编码
  • 定期轮换密钥
  • 不同环境使用不同密钥
  • 启用 IP 白名单

• 敏感信息过滤

  • 过滤身份证号、手机号
  • 脱敏处理用户数据
  • 避免将敏感数据发送到 LLM
  • 加密存储历史对话

• 访问控制

  • 实施用户认证和授权
  • 限制 API 调用频率
  • 记录操作审计日志
  • 实施最小权限原则

• 本地化部署

  • 敏感场景使用本地模型 (Ollama + ChatGLM)
  • 私有向量数据库 (Qdrant/Milvus 私有部署)
  • 内网隔离,不连接公网
  • 定期安全审计

1. Prompt 注入攻击

   • 风险: 用户输入包含恶意 Prompt 覆盖原始指令
   • 防范: 输入验证,使用系统角色分离,添加安全边界

2. 数据泄露

   • 风险: 将用户敏感数据发送到第三方 LLM
   • 防范: 数据脱敏,本地模型,加密传输

3. DDoS 和滥用

   • 风险: 恶意用户大量调用 API 消耗资源
   • 防范: 限流限频,CAPTCHA,成本预算告警

4. 模型输出有害内容

   • 风险: LLM 生成违规、有害或错误信息
   • 防范: 内容审核,输出过滤,人工审核机制

我们欢迎所有形式的贡献!

1. Fork 本项目
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 打开Pull Request

你可以贡献:

• 📝 新的资源链接
• 🔧 新的工具推荐
• 📚 教程和文档
• 💡 实战案例
• 🐛 修复错误
• 🌐 翻译内容

添加新资源时,请遵循以下格式:

- **[项目名称](项目链接)** - 简短描述 (可选: stars数量)
  - 特点1
  - 特点2

• 📚 收录资源: 150+
• 🛠️ 开发工具: 30+
• 🎯 Agent技能: 80+
• 💬 平台集成: 15+
• 📖 教程文档: 50+
• 🔌 API集成: 25+

本项目采用 MIT License

感谢所有贡献者的付出! 🎉

特别感谢以下项目和组织:

• OpenClaw
• LangChain
• Anthropic
• 阿里云通义千问

• Awesome AI Agents - 英文版AI Agent资源
• Awesome LLM Apps - LLM应用集合
• Awesome ChatGPT Prompts ZH - 中文ChatGPT提示词