Jan 免费

Jan 是一款开源的本地 AI 桌面客户端，官方定位为 “开源版 ChatGPT 替代品”，可在本地离线运行 Llama、Gemma、Qwen 等开源模型，也能接入 GPT、Claude 等云端模型，并提供本地 OpenAI 兼容 API 与 MCP 能力，强调数据留在本机的隐私优先体验。

核心参数与统计

Jan 是一款开源的本地 AI 桌面客户端，官方在 GitHub 与官网上将其定位为 “开源版 ChatGPT 替代品（Open-source ChatGPT replacement）”，强调“100% 离线运行在你自己的电脑上”。它把“下载并在本地运行开源模型”“接入云端商用模型”“本地 OpenAI 兼容 API”“MCP 智能体能力”整合到同一个桌面应用中。

项目	公开信息
官方定位	可离线运行的开源 ChatGPT 替代品
运行方式	本地运行开源模型 + 接入云端模型
本地模型	Llama、Gemma、Qwen、GPT-oss 等（从 Hugging Face 下载）
云端接入	OpenAI、Anthropic（Claude）、Mistral、Groq、MiniMax 等
本地 API	OpenAI 兼容，默认 localhost:1337
智能体能力	支持 Model Context Protocol（MCP）
开源许可	Apache 2.0
社区规模	GitHub 约 43,000 stars、2,900 forks、159 位贡献者
下载量	官网公开累计下载超 570 万次
最新版本	v0.8.2（2026-06-01，GitHub Releases，累计 102 个发布）
支持平台	Windows、macOS、Linux

部署形态：Jan 是桌面原生应用（基于 Tauri 构建），核心价值在于把“本地推理”做成普通用户也能用的产品形态。对隐私敏感或网络受限的场景，可完全离线使用本地模型；需要更强能力时再切换到云端模型，二者在同一界面内并存。

接口价值：Jan 在本地暴露一个 OpenAI 兼容 API（localhost:1337），这意味着已有的、面向 OpenAI 接口编写的脚本和应用，可以在不改动调用结构的情况下，把请求指向本地模型，降低从云端迁移到本地的改造成本。

迭代节奏：GitHub Releases 显示项目已累计 102 个发布版本，2026 年 5 月内连续发布 0.8.0、0.8.1、0.8.2，说明仍处于高频交付阶段。

用户与市场认可

Jan 的认可主要来自开源社区热度与真实下载规模，而非公开的营收数字（后者官方未披露）。

社区与下载：GitHub 仓库 janhq/jan 公开显示约 43,000 stars、2,900 forks 与 159 位贡献者；官网首页给出累计下载超 570 万次、社区超 1.5 万人的数据。对一款以“本地运行大模型”为卖点的桌面工具而言，这一量级说明它已越过早期实验阶段，形成稳定的使用群体。

口碑定位：官网汇集的公开用户反馈普遍把 Jan 与 Ollama、LM Studio 等本地推理工具对比，强调它在“界面友好、面向非工程用户”上的差异；同时项目自研的 Jan-V1-4B 等模型也被社区用于本地实测。这些信息来自公开渠道，具体性能因机器配置而异。

落地前提：本地运行模型的实际体验高度依赖硬件。官方系统要求公开说明：macOS 13.6+ 下 3B 模型约需 8GB 内存、7B 需 16GB、13B 需 32GB，Windows/Linux 可借助 NVIDIA/AMD/Intel Arc GPU 加速。配置不足时，更适合主要使用云端模型接入。

成本优势：用开源与本地推理省下持续 API 账单

Jan 的成本优势不在“订阅更便宜”，而在于它把推理过程搬到本地，从结构上避开了按调用量计费的云端 API 账单。

软件本身免费开源：Jan 采用 Apache 2.0 许可，桌面客户端免费下载使用，官网明确标注 “Free & Open source”。这意味着没有软件订阅费，也允许自行审计与二次开发。

本地推理零调用费：使用本地模型时，推理在自己的设备上完成，不产生按 token 计费的云端费用，长期高频使用场景下边际成本接近于零，代价转移为一次性的硬件投入与电力。

云端模型按各家计费：当用户选择接入 OpenAI、Anthropic、Mistral、Groq 等云端模型时，相关费用由对应服务商按其定价收取，Jan 只作为统一客户端，本身不额外加价。

真实成本结构：对个人与团队而言，真正影响总成本的是“本地硬件能否带动目标模型规模”。把对隐私要求高、调用量大的任务放在本地，把偶发的高难度任务交给云端模型，是较为务实的成本组合。

Jan 的主要功能

Jan 的能力围绕“在一个桌面应用里同时管理本地模型与云端模型”设计，公开功能可归纳为以下几类：

• 本地模型运行：从 Hugging Face 下载并在本地运行 Llama、Gemma、Qwen、GPT-oss 等开源模型，支持暂停/续传下载。
• 云端模型接入：在同一界面接入 OpenAI、Anthropic（Claude）、Mistral、Groq、MiniMax 等云端模型，按需切换。
• 自定义助手（Custom Assistants）：为不同任务创建专门的 AI 助手，固化系统提示与参数。
• OpenAI 兼容 API：本地启动 localhost:1337 服务，供其他应用以标准 OpenAI 调用方式接入本地模型。
• MCP 集成：通过 Model Context Protocol 扩展工具调用与智能体能力。
• 隐私优先：在使用本地模型时，对话与数据可完全保留在本机。

这些能力的实际收益，关键看三点：目标模型规模与本机硬件是否匹配、是否需要把本地模型接入既有 OpenAI 生态应用、以及对“数据不出本机”的硬性要求强弱。

Jan 的模型与版本演进

Jan 仍处于高频迭代阶段。GitHub Releases 公开显示累计已有 102 个发布版本，主线围绕本地模型管理、云端接入、API 服务与 MCP 能力推进。

近期主干版本

• v0.8.2（2026-06-01）：当前最新稳定版，官网首页同步标注 “v0.8.2 is now live on GitHub”。
• v0.8.1（2026-05-29）：0.8 系列迭代修复版。
• v0.8.0（2026-05-22）：0.8 大版本节点，推进模型 Hub、下载与助手能力。
• v0.7.9（2026-03-23）：进入 0.8 之前的 0.7.x 后期版本，体现密集发布节奏。

自研模型线

除桌面客户端外，团队还公开发布了 Jan-V1-4B 等模型（在 Hugging Face 上托管约 123 个模型条目），社区将其与 Jan 客户端配合用于本地实测。模型与客户端两条线并行，使 Jan 既是“运行器”，也参与模型本身的开源建设。

Jan 的技术优势

Jan 的技术取舍始终服务于“让本地大模型变成普通用户可用的产品”。

• 本地优先架构：基于 Tauri 构建桌面应用（仓库语言以 TypeScript 与 Rust 为主），相比纯 Electron 方案更轻量，便于在三大桌面平台分发。
• 推理后端成熟：官方致谢中明确基于 llama.cpp 等开源推理引擎，使其能在消费级硬件上跑通主流开源模型，并支持 GPU 加速。
• 接口标准化：本地暴露 OpenAI 兼容 API，把“本地模型”包装成行业事实标准接口，降低与既有工具链的集成摩擦。
• 可扩展的智能体能力：通过 MCP 接入外部工具，使本地模型不仅能对话，还能执行带工具调用的任务。

这些设计共同解释了它“为什么更省、更私密”：推理本地化省去持续 API 费用，数据本地化满足隐私合规，标准接口降低迁移成本。

如何使用 Jan

Jan 提供多种入口，覆盖纯本地与混合使用：

入口	适用场景	说明
桌面客户端	个人日常使用	从官网或 GitHub Releases 下载 Windows/macOS/Linux 版本
本地模型 Hub	离线推理	在应用内从 Hugging Face 下载开源模型后本地运行
云端模型接入	需要更强能力	在设置中填入 OpenAI、Anthropic 等服务商的 API Key
本地 API 服务	二次开发/集成	启动 localhost:1337，以 OpenAI 兼容方式调用本地模型

典型上手步骤：下载并安装对应平台的客户端 → 在 Hub 中下载一个与本机内存匹配的开源模型（如 3B/7B）→ 直接开始本地对话，或在设置中接入云端模型 → 如需集成到其他应用，开启本地 API server 并指向 localhost:1337。

产品定价

Jan 的客户端本身免费且开源（Apache 2.0），官网明确标注 “Free & Open source”，不设软件订阅费。

• 客户端与本地模型：免费。使用本地模型时不产生按调用计费的费用，成本主要是本机硬件与电力。
• 云端模型调用：当接入 OpenAI、Anthropic、Mistral、Groq、MiniMax 等服务时，相关费用由各服务商按其官方定价单独收取，与 Jan 无关。
• 企业/商务：官方提供 [email protected] 商务联系邮箱，具体企业合作条款未公开，以官方沟通为准。

Jan 的应用场景

• 隐私敏感的本地问答：在不联网或不希望数据外发的环境中，用本地模型处理文档问答、写作与代码辅助。
• 开发者本地集成：把面向 OpenAI 接口编写的应用切换到本地 localhost:1337，在本地完成推理与调试，降低开发期 API 成本。
• 多模型统一工作台：在同一客户端中对比本地开源模型与云端商用模型的效果，按任务难度灵活切换。
• 离线与网络受限场景：在出差、内网或弱网环境下，依靠已下载的本地模型维持基本 AI 能力。

适用人群

• 注重隐私的个人用户：希望对话与数据留在本机、又想要友好界面的非工程用户，Jan 比偏工程化的同类工具更易上手。
• 开发者与技术团队：需要本地 OpenAI 兼容 API、MCP 与可自托管方案，用于本地推理、原型验证或降低开发期调用成本。
• 配置受限用户的边界：本地大模型对内存与 GPU 有明确门槛，低配设备难以流畅运行较大模型；这类用户更适合以云端模型接入为主，或选择较小规模的本地模型。

总结与展望

Jan 的核心竞争力，是把“本地运行大模型”这件偏工程的事，做成了开源、免费、跨平台且界面友好的桌面产品，并通过 OpenAI 兼容 API 与 MCP 把本地模型接入既有生态。约 43,000 GitHub stars、超 570 万次下载与 102 个发布版本，说明它已具备稳定的社区基础与交付节奏。

当前局限同样清晰：本地推理体验受硬件制约明显，较大模型对内存/GPU 要求较高；云端模型仍依赖各服务商账户与计费。后续值得关注其自研模型线（Jan-V1 系列）与客户端能力的协同、MCP 生态的成熟度，以及在企业自托管方向上的进展。对希望先低成本试点本地 AI 的个人和团队，建议先用一台中高配设备跑通 7B 量级模型验证体验，再决定是否在更多场景中以本地推理替代云端调用；涉及企业级私有化部署时，需提前确认许可与支持条款。

版本信息

• Jan v0.8.2 ：GitHub Releases 公开的最新稳定版本，继续沿着本地模型运行、云端模型接入、OpenAI 兼容 API 与 MCP 集成的主线迭代，桌面端覆盖 Windows、macOS 与 Linux。 （2026-06-01）
• Jan v0.8.1 ：0.8.x 系列的迭代版本，在 0.8.0 大版本后继续修复问题并完善本地模型与对话体验。 （2026-05-29）
• Jan v0.8.0 ：0.8 大版本节点，推进桌面客户端的模型管理、Hub 下载与助手能力。 （2026-05-22）
• Jan v0.7.9 ：0.7.x 系列后期版本，体现项目在进入 0.8 之前保持的高频发布节奏（GitHub 累计已超过 100 个发布）。 （2026-03-23）