AingDesk 免费

-
开发公司 AingDesk 开源社区
地区 中国
官网 https://www.aingdesk.com/

AingDesk 是开源的桌面 AI 客户端，帮助用户一键将上百款 AI 模型（DeepSeek、Llama 等）部署到个人电脑。支持联网搜索、模型分享21 种语言界面。GitHub 开源免费。

AingDesk 产品界面

AingDesk

核心参数与统计

AingDesk 在开源 AI 桌面客户端市场中走了一条"轻量包装 + 全功能覆盖"的路线——它不是另一个 Ollama，而是把 Ollama 及数十种模型 API 的统一管理、知识库构建MCP 智能体串联和网络搜索打包进一个 Electron 桌面应用，让非技术用户也能获得接近专业部署的 AI 使用体验。

参数 规格
产品定位 开源 AI 桌面客户端，本地模型部署 + 知识库 + 智能体
技术栈 Electron + TypeScript + Vue（前端），Node.js（后端）
最新版本 v1.2.4（2025-05-27）
开源许可 MIT
支持平台 Windows（x64）、macOS（arm64 + x64）
部署形态 桌面客户端 + Docker 服务端（自托管）
模型来源 Ollama 本地模型 + 第三方 API（OpenAI、DeepSeek 等）
社区规模 GitHub 2.5k Stars，284 Forks
语言界面 21 种语言（含简中、英语、日语等）

一句话简评：AingDesk 是把 Ollama 的模型管理能力、知识库的 RAG 能力MCP 的工具调用能力和联网搜索整合到一个桌面 UI 里，让非技术用户也能一键跑 AI 模型。

与同类工具的差异：相比 ChatBox、LobeChat 等纯 API 聚合客户端，AingDesk 的核心差异在于对本地模型的全生命周期管理——不仅是切换模型，还包括模型下载、存储目录配置、根据硬件推荐模型以及嵌入知识库的本地向量化。而相比 Ollama 原生命令行工具，AingDesk 提供了图形化的知识库构建和智能体编排能力，这是它区别于绝大多数 AI 桌面客户端的关键特征。

AingDesk 的用户与市场认可

AingDesk 的市场声量目前仍集中在开发者社区和开源圈层，尚未进入大众 C 端视野，但其增长轨迹呈现明确的"技术社区口碑驱动"特征。

GitHub 社区数据：截至 2026 年中，AingDesk 仓库获得 2.5k Stars 和 284 Forks，对于一款起步于 2024 年下半年的个人/小团队开源项目，这一增速表明其解决了特定人群的真实痛点——即"想用本地模型但不想折腾命令行"。Issues 区 67 个已关闭/进行中的问题以功能请求和兼容性反馈为主，社区互动活跃但尚未形成大规模贡献者生态（仅 2 名核心贡献者）。

典型用户画像：从社区反馈和中文互联网的讨论来看，AingDesk 的主要用户集中在以下几类：一是对数据隐私敏感、希望将 AI 能力完全本地化的技术爱好者；二是刚接触 AI 模型的新手用户，他们在 Ollama 的命令行门槛前望而却步；三是需要一个统一界面同时管理本地模型和云端 API 的小团队。这些用户的价值诉求不是"最强模型"，而是"最省心的部署体验"。

市场认可度的阶段：AingDesk 目前处于"技术验证 -> 小范围采用"的早期阶段。尚未有公开的企业级客户或商业化案例，也未获得任何外部融资。其品牌认知度远低于 ChatBox、Jan 等同赛道竞品，但在中文开源社区中因其对中文场景的天然适配（内置百度/搜狗搜索、中文知识库分块优化）而具备一定差异化优势。阿里巴巴旗下的 Qwen3 模型发布后，AingDesk 迅速在 v1.2.4 中提供支持，显示了其迭代响应速度。

AingDesk 的成本优势

AingDesk 的成本结构由"开源零授权费 + 本地算力自担 + 可选云端 API 按量"三层构成，核心逻辑是将 AI 使用成本从"按 token 付费"转向"按硬件投入付费"。

C 端/个人：完全免费，硬件即成本。AingDesk 本体和模型均免费（MIT 许可）。用户只需一台普通电脑即可运行 7B-14B 参数级别的模型。以 Ollama 生态中的 Qwen2.5-7B 为例，16GB 内存的 M 芯片 Mac 即可流畅运行，显性成本为零。如要运行 70B+ 的大型模型，则需要 64GB+ 内存或 NVIDIA 显卡，硬件成本从数千元到数万元不等——这是"免费"背后的真实转移：AI 计算的算力账单从 API 提供商转到了用户自己的硬件上。

API/开发者：零平台锁定，按需选择后端。AingDesk 兼容 OpenAI 标准 API 格式，开发者可在客户端内自由切换 DeepSeek、GPT、Claude 等云端模型，或通过 Ollama 调用本地模型。这意味着不存在"平台税"——用户可以根据任务复杂度选择成本最优的后端。例如：日常翻译用本地小模型（零成本），代码生成切到 DeepSeek API（0.02-2 元/百万 token），创意写作用 GPT（按量计费）。这种"混合路由"的隐性成本优势往往被低估——它让用户不必为所有任务支付同等算力溢价。

企业/私有化：开源自托管，运维成本需评估。企业可在内网通过 Docker 部署 AingDesk 服务端，满足数据不出域的安全要求。但需要明确：MIT 许可并未附带企业级 SLA、技术支持或合规认证。企业在私有化部署时需自行承担的隐性成本包括：GPU 服务器采购/租赁（以 4×A100 为基准，月租赁约 3-5 万元）、运维人力（模型版本更新、知识库重建、存储扩容）、以及持续集成的模型兼容性测试。相比 SaaS 方案的"按月付费"，私有化部署更适合已有 GPU 基础设施的团队，而非为"省 API 费"而从头搭建。

AingDesk 的主要功能

AingDesk 的功能设计围绕"本地优先 + 知识增强 + 工具扩展"三条线展开，它不是把多个功能简单堆在一个 UI 里，而是让知识库、智能体MCP 工具和搜索引擎之间形成可组合的调用链路。

  • 一键本地模型部署：基于 Ollama 引擎，在桌面 UI 中直接完成模型的搜索、下载、配置和启动。用户不需要接触任何命令行操作，软件会根据硬件配置推荐可流畅运行的模型列表。实际使用中需要注意：模型下载依赖 GitHub 和 Ollama 仓库的源站，国内网络下可能较慢或失败，需要配置镜像源或使用第三方 API 替代。

  • 本地知识库（RAG）：支持构建基于本地文档的知识库，上传 PDF、Word、TXT、图片等格式后自动完成文档分块（chunking）和向量化嵌入。用户可配置分块策略和召回精度。v1.1.8 起优化了上下文嵌入流程以减少幻觉，v1.2.0 改善了全文搜索准确率。专家视点：知识库的真正瓶颈不在 AingDesk 本身，而在底层 embedding 模型的选择——使用默认的小模型可能在高精度场景下召回率不足，建议在设置中手动切换为更高质量的 embedding 模型。

  • MCP 客户端 & 智能体：这是 AingDesk 最被低估的能力。v1.2.1 起支持 MCP（Model Context Protocol）客户端，用户可在设置中配置 MCP Server，然后在对话中直接调用工具（如代码执行、数据查询、文件操作等）。同时内置智能体（Agent）模块，支持创建自定义角色的智能体并绑定知识库和工具。协同效应：智能体 + 知识库 + MCP 工具的联动是 AingDesk 最大的高阶价值——例如创建一个"客服助手"智能体，让它同时访问产品手册知识库和订单查询 MCP 工具，用户提问时自动判别是需要查知识还是查数据，整个过程在一个界面中完成。

  • 联网搜索：内置百度、搜狗等搜索引擎的 API 接入，在对话中实时获取最新信息。搜索结果作为上下文注入模型推理，而非独立返回搜索结果列表。v1.2.4 优化了搜索引擎结果解析，减少了搜索结果格式混乱的问题。需要注意：联网搜索仅在主动开启时生效，且依赖搜索引擎的可用性和反爬策略。

  • 模型共享与协作：生成专属分享链接，将本地部署的模型通过互联网共享给他人使用。这一能力在团队场景中具有实际价值——一名成员部署好模型后，团队其他成员无需重复部署即可直接调用。但对于生产有境，需要考虑内网穿透带来的安全风险和带宽瓶颈。

AingDesk 的模型与版本演进

AingDesk 的版本迭代节奏在 2025 年 3-5 月间明显加速，从 v1.1.5 到 v1.2.4 仅用两个多月，几乎每周一个版本，反映出项目在早期快速试错、快速验证的阶段。

早期奠基（2024 年 Q3-Q4）

项目于 2024 年下半年在 GitHub 开源，初始版本聚焦于基础的模型部署和对话能力，技术架构和功能边界尚在探索中。此阶段没有规范的版本发布记录，主要通过源码直接分发。

功能冲刺期（2025 年 3 月 - 5 月）

  • v1.1.5（2025-03-15）：引入智能体功能模块，解决非 VL 模型处理图片附件的报错问题。这是 AingDesk 从"纯聊天客户端"转向"Agent 平台"的关键节点。
  • v1.1.6（2025-03-20）：修复知识库文档嵌入无限等待问题，改进 PDF 解析器，增加 embedding 模型可用性检测。
  • v1.1.7（2025-03-21）：支持 Mermaid 标准语法渲染、自定义 Ollama 服务地址、同步最新模型库列表。
  • v1.1.8（2025-04-02）：知识库精度和性能大幅改进，支持文档分块和召回策略配置，新增修改数据存储目录功能，修复 .doc 文件解析问题。
  • v1.1.9（2025-04-03）：知识库精度配置改为自动模式，修复线上模型调用错误，增加 macOS x64 支持。
  • v1.2.0（2025-04-08）：优化默认文档分块效果，提升全文搜索准确率。
  • v1.2.1（2025-04-14）：里程碑版本——正式加入 MCP 客户端功能，这是 AingDesk 从"本地模型管理工具"跃升为"AI 工具链平台"的关键一步。
  • v1.2.2（2025-04-16）：新增 Windows 自动更新机制，修复知识库/智能体/工具联动调用的协同问题。
  • v1.2.3（2025-04-18）：修复 OpenAI GPT-O3 兼容性，修复第三方 embedding 模型创建知识库报错。
  • v1.2.4（2025-05-27）：支持 Qwen3 模型，优化搜索引擎结果解析，为纯图像 PDF 增加 OCR 支持，改进 MCP 工具调用结果解析。

当前状态

最新稳定版为 v1.2.4（2025-05-27）。此后项目虽有近一年未发布大版本更新，但 GitHub 仓库的 Issues 区仍在活跃维护。用户在选择版本时需注意：v1.2.1 之前的版本缺少 MCP 能力，如果对工具调用和智能体有需求，务必使用 v1.2.1 及以上版本。

AingDesk 的技术优势

AingDesk 的技术优势不在于底层模型的创新（它不训练模型），而在于"如何把多种 AI 基础设施无缝集成到一个桌面应用中，且保持非技术用户的可操作性"。

Electron 跨平台 + 本地优先架构：选择 Electron 作为桌面框架意味着 Windows 和 macOS 用户开箱即用，但也带来了约 140-180MB 的安装包体积和相对较高的内存占用。后端基于 Node.js，模型管理通过调用 Ollama 的 REST API 实现，知识库向量化存储在本地文件系统中。这一架构的优势：数据完全由用户掌控，不需要任何云服务端即可完成全功能使用；代价：所有计算（推理、向量化、检索）都在本地进行，对电脑配置有一定要求，尤其是知识库文档较多时 embedding 过程会消耗大量 CPU/内存。

MCP 协议集成：通过实现 MCP 客户端，AingDesk 让大模型可以调用外部工具——这本质上是将"模型对话"扩展为"模型 + 工具 + 知识"的三元组合。MCP 的 Tool 行为包括：list_tools（列出可用工具）、call_tool（调用指定工具并返回结果）。模型在对话中根据用户意图自主决定是否需要调用工具以及调用哪个工具，形成"意图识别 -> 工具选择 -> 参数生成 -> 结果解析 -> 回复生成"的闭有。这一机制的落地难度在于：模型可能错误地选择不相关的工具、生成无效参数、或在工具返回异常时陷入反复重试的循有。AingDesk 通过 MCP 调用结果的优化解析（v1.2.4）缓解了部分问题，但在复杂多工具编排场景下仍有改进空间。

知识库的 RAG 管线：AingDesk 的知识库实现了一套完整的 RAG 流程——文档解析 -> 文本分块 -> 向量嵌入 -> 相似度检索 -> 上下文注入。支持可配置的分块策略（大小、重叠、分隔符）和检索精度选项（自动/手动）。从实际表现来看：对于几百页的中文 PDF 文档，AingDesk 的知识库可以做到分钟级完成嵌入并在数秒内完成检索。但在以下场景中需要额外关注：扫描件 PDF（需 OCR 支持，v1.2.4 已加入但 macOS 需手动安装 Poppler）、包含复杂表格和排版的文档（格式保留能力有限）、以及非中文文档的分块效果（默认分块策略可能对英文段落边界不敏感）。

架构链路（控制流与数据流）：

用户输入
  │
  ▼
AingDesk 前端 (Vue + Electron)
  │
  ├─► 模型路由 ──┬─► Ollama (本地模型)
  │               ├─► OpenAI 兼容 API (云端模型)
  │               └─► MCP Server (外部工具)
  │
  ├─► 知识库 ──────► embedding 模型 ──► 向量存储 ──► 相似度检索
  │
  └─► 联网搜索 ────► 搜索引擎 API ──► 结果解析 ──► 注入上下文
  │
  ▼
模型推理 ──► 输出渲染

工程踩坑指南：

  1. MCP 工具调用死循有与 Token 浪费：模型可能在工具返回结果不符合预期时反复调用同一工具，或在无合适工具可选时仍尝试调用。建议在 MCP Server 配置中对工具增加明确的输入输出约束描述，并在模型 prompt 中强调"不要重复调用已返回错误的工具"。对于高频场景，可在客户端层面设置单轮对话的最大工具调用次数（类似 max_steps）来防止无限循有。

  2. 知识库上下文过载：当文档数量较大时，检索到的相关片段可能塞满上下文窗口，导致模型关注力分散或超出上下文限制。建议在知识库设置中调低"召回片段数量"（默认值通常偏高），并适当提高相似度阈值以过滤低相关片段。对于超长文档，优先使用摘要而非全文嵌入策略。

  3. 国内网络有境的模型下载问题：Ollama 模型下载默认源为 GitHub 和 Docker Hub，国内用户可能遇到下载失败或极慢的问题。解决方案：配置 Ollama 的镜像源地址（如使用一些国内加速镜像），或通过 AingDesk 的"自定义 Ollama 服务地址"功能指向已提前下载好模型的其他机器。

如何使用 AingDesk

AingDesk 的入口和安装方式覆盖了从个人桌面到服务端部署的多种场景。

使用方式 适合人群 操作路径 费用
桌面客户端（官网下载） 个人用户 访问 aingdesk.com 下载 Windows/macOS 安装包 免费
桌面客户端（GitHub Releases） 开发者/技术用户 GitHub Releases 页面下载对应平台安装包 免费
Docker 服务端部署 团队/企业 运行 docker run aingdesk/aingdesk 自托管 免费 + 基础设施成本
源码编译 定制需求 git clone + yarn dev 本地构建 免费

快速上手步骤（桌面端）：

  1. 从官网下载对应平台的安装包并完成安装。
  2. 启动后，在设置中选择模型后端：选择"本地模型"则需先安装 Ollama 并从模型库中选择下载；选择"第三方 API"则填入 OpenAI/DeepSeek 等 API Key。
  3. 创建知识库：上传文档（PDF/Word/TXT/图片），等待自动完成分块和向量化嵌入。
  4. （可选）在设置中配置 MCP Server，或在智能体模块创建自定义智能体并绑定知识库和工具。
  5. 在对话窗口中选择已部署的模型或已创建的智能体，开始使用。需联网搜索时手动开启搜索开关。

Docker 服务端快速启动：

mkdir -p aingdesk && cd aingdesk
wget https://cnb.cool/aingdesk/AingDesk/-/git/raw/server/docker-compose.yml
docker compose up -d

服务端部署后，团队成员可通过浏览器或 API 访问，所有数据存储在服务器本地。适用于团队内部共享模型和知识库的场景。

AingDesk 的产品定价

AingDesk 的定价模式极为简单——完全免费且 MIT 开源，没有隐藏的付费墙或功能锁定。

C 端/个人用户：零成本获取和使用。桌面客户端所有功能（模型部署、知识库、智能体MCP、联网搜索、模型共享）完全免费，无功能限制，无使用时长或消息条数限制。用户只需承担电费和硬件折旧。隐性成本：如果选择使用云端 API 模型（如 GPT、DeepSeek），则需自行向对应服务商付费，AingDesk 不参与定价也不抽成。

开发者/API 调用：如果通过 AingDesk 服务端的 API 接口进行二次开发，AingDesk 自身不收取任何 API 费用。开发者只需为底层调用的模型付费（本地模型免费、云端模型按 API 提供商定价）。这使得 AingDesk 可以作为"免费的 API 网关"嵌入到开发工作流中。

企业/私有化部署：MIT 许可允许企业任意部署、修改和商用，无需向 AingDesk 项目方支付任何授权费。但如前文所述，硬件、运维和版本管理的隐性成本需要企业自行评估。目前项目未提供付费的企业版、技术支持合同或 SLA 保障，关键业务场景需要企业有内部技术能力兜底。

AingDesk 的应用场景

AingDesk 的核心价值在"本地优先 + 知识增强"这两个维度的交叉点上，以下三类场景已经过社区验证：

  • 个人知识管理与 AI 辅助学习：将教材、论文、笔记导入知识库，通过本地模型进行问答式检索。相比在线的 ChatGPT 式问答，优势在于数据无需上传到第三方服务器，且可以处理超长篇教材的跨章节关联。落地提示：对于大量扫描版 PDF 的教材，建议先使用专业 OCR 工具转为可搜索 PDF 再导入知识库，纯图像 PDF 的 OCR 效果（即使 v1.2.4 已支持）可能不如专业方案。

  • 小团队的内部知识库与共享模型：部署 AingDesk 服务端后，团队可以将内部文档（产品手册、技术规范、 FAQ）构建为共享知识库，并通过分享链接让成员调用同一模型。适用于 5-20 人的小型团队，特别是远程团队需要统一知识中枢的场景。落地提示：服务端部署需暴露到公网才能实现外网共享，建议配合反向代理和身份认证使用，而非直接暴露 Docker 端口。

  • AI 应用原型的快速验证：开发者可以利用 AingDesk 的 MCP 客户端和智能体模块，快速搭建一个"模型 + 工具 + 知识"的原型应用，测试产品概念后再进行正式开发。例如：创建一个"订单查询"智能体，绑定订单数据库的 MCP 工具和产品手册知识库，几分钟内即可看到一个可交互的 Demo。落地提示：原型阶段用 AingDesk 可极大缩短验证周期，但正式生产有境仍需使用更可控的开发和部署方案。

不适配场景：AingDesk 不适合需要大规模并发推理的服务场景（如面向公众的 AI 客服、日活数万的应用），本地客户端的算力和并发能力有限；不适合对模型输出格式有极强控制要求的场景（如结构化 JSON 强迫症式开发），AingDesk 的模型路由层不支持细粒度的输出约束配置；不适合需要多模态能力（如视频理解、音频生成）的任务，其能力边界在文本和图片理解之内。

适用人群

AingDesk 通过"零配置 + 全功能"的设计哲学，覆盖了一部分被 CLI 工具和纯 API 聚合客户端忽视的用户群体。

  • AI 新手与个人用户：不需要了解 Docker、命令行或 GPU 配置，下载安装即可使用。AingDesk 内置的模型管理器和知识库功能使得入门门槛几乎为零。不适配边界：如果用户对 AI 的使用仅停留在偶尔聊天层面，且对数据隐私不敏感，那么免费的在线 AI 服务（如 DeepSeek 网页版、豆包）使用门槛更低，无需任何安装和配置。

  • 开源与自托管爱好者：追求数据主权和隐私保护的技术用户，AingDesk 的本地优先架构和 MIT 许可为此类用户提供了完全可控的 AI 有境。他们可以自由修改代码、审计网络请求、离线运行。前提条件：需要具备基本的 Git 和 Node.js 操作能力，以及至少 8GB 内存的电脑来运行 7B 级别的模型。

  • 小型团队与技术创业者：在团队需要共享 AI 模型和知识库但预算有限的场景下，AingDesk 的服务端部署是一个零成本的起点。可以先用它做内部工具验证业务流程，再决定是否投入资源开发定制化方案。落地提示：对于 20 人以上的团队或对稳定性要求较高的场景，建议评估专业知识库方案（如 Dify、FastGPT）的商业版，它们在权限管理、高可用和运维监控上更为成熟。

  • 学生与研究人员：将教科书、论文、实验报告导入知识库进行本地化问答，特别适合在离线有境（如无互联网的实验室内网）进行文献综述和知识整理。不适配边界：对于需要引用精确页码和原文段落的学术写作，知识库的片段检索可能存在上下文截断问题，建议以知识库输出为线索回到原文核对。

总结：谁不适合 AingDesk？ 对模型性能有极致要求的用户（70B+ 模型需要高端硬件）、需要企业级权限管理和审计日志的组织、以及希望"开箱即用无需任何配置"的纯对话用户，都应考虑其他方案。

总结与展望

AingDesk 在"降低 AI 本地部署门槛"这件事上做出了有实质意义的工程努力——它不是又一个 API 聚合壳，而是将模型管理、知识库 RAG、MCP 工具调用和智能体编排整合成了一个在桌面端可独立运行的完整产品，且完全开源免费。

当前的核心优势：零配置的模型部署体验是国内同类型桌面客户端中少有的，MCP 客户端和智能体功能的引入使其具备了从"聊天工具"向"工具链平台"跃迁的潜力。知识库的本地化 RAG 管线在中文文档上表现可用，且数据完全由用户掌控。MIT 许可消除了商业使用的法律顾虑。

当前的主要限制：社区规模仍较小（2 名核心贡献者），功能迭代和 issue 响应速度在 v1.2.4 发布后有放缓迹象；Electron 架构带来的内存占用和安装包体积在同类产品中偏高；知识库的检索精度和 embedding 模型的可选范围有限，无法与专业 RAG 平台（如 Dify、FastGPT）的高阶功能（多路召回、重排序RBAC 权限）相比；缺乏企业级部署的运维工具（监控、日志、备份）和商业支持。

后续观察点：项目是否会在 v1.2.4 之后推出重大更新（官方路线图未公开）；社区贡献者生态能否从 2 人扩展到更多外部贡献者；是否会出现商业化探索（如企业版订阅、托管服务），以支持长期可持续维护；以及在 MCP 生态快速发展的大背景下，AingDesk 能否持续跟进协议更新的兼容性适配。

采购与采用风险评估：对于个人用户和 5-20 人的小团队，AingDesk 零成本、零锁定的特性使其几乎没有采用风险，值得将其作为本地 AI 工作台的默认选择。但对于有严格合规要求的企业，需要注意：MIT 许可不附带任何保证，项目也未提供 SOC2/GDPR 等合规认证；如果 AingDesk 用于处理敏感业务数据，企业需要自行评估数据泄露风险并建立备份恢复机制。对于关键业务场景，建议在 AingDesk 之外保留一套商业支持的替代方案作为冗余。

版本信息

  • AingDesk v1.2.4 ：新增Qwen3模型支持、优化搜索引擎结果解析、纯图像PDF增加OCR支持、改进MCP工具调用结果解析。
  • AingDesk v1.2.3 ：修复OpenAI GPT-O3兼容性、修复第三方embedding模型创建知识库报错、优化模型选择器。
  • AingDesk v1.2.2 ：新增Windows自动更新机制、修复知识库/智能体/工具联动调用问题。
  • AingDesk v1.2.1 ：新增MCP客户端功能（支持在设置中配置MCP Server并在对话中选择工具）、优化模型选择器。
  • AingDesk v1.2.0 ：优化默认文档分块效果、改进知识库全文搜索准确率、修复多分隔符分块不完整问题。
  • AingDesk v1.1.5 ：新增智能体功能模块、修复非VL模型处理图片附件报错问题。

用户评价

  • 加载评价中...