AingDesk ist ein Open-Source-Desktop-KI-Client, der Benutzern hilft, Hunderte von KI-Modellen (DeepSeek, Llama usw.) mit einem Klick auf PCs bereitzustellen. Unterstützt Online-Suche und Modellfreigabeschnittstellen in 21 Sprachen. GitHub ist Open Source und kostenlos.

AingDesk

Kernparameter und Statistiken

AingDesk hat im Open-Source-KI-Desktop-Client-Markt den Weg „leichtes Paket + vollständige Funktionsabdeckung“ eingeschlagen – es ist kein weiteres Ollama, sondern bündelt Ollama und die einheitliche Verwaltung Dutzender Modell-APIs, den Aufbau von Wissensdatenbanken, die Serialisierung von MCP-Agenten und die Netzwerksuche in einer Electron-Desktopanwendung, sodass technisch nicht versierte Benutzer ein KI-Erlebnis erhalten, das einer professionellen Bereitstellung nahekommt.

Parameter	Spezifikationen
Produktpositionierung	Open-Source-KI-Desktop-Client, lokale Modellbereitstellung + Wissensdatenbank + Agent
Technologie-Stack	Electron + TypeScript + Vue (Frontend), Node.js (Backend)
Neueste Version	v1.2.4 (27.05.2025)
Open-Source-Lizenz	MIT
Unterstützte Plattformen	Windows (x64), macOS (arm64 + x64)
Bereitstellungsformular	Desktop-Client + Docker-Server (selbstgehostet)
Modellquelle	Lokales Ollama-Modell + Drittanbieter-API (OpenAI, DeepSeek usw.)
Gemeinschaftsgröße	GitHub 2,5k Sterne, 284 Forks
Sprachschnittstelle	21 Sprachen (einschließlich vereinfachtes Chinesisch, Englisch, Japanisch usw.)

Kurzer Rückblick in einem Satz: AingDesk integriert die Modellverwaltungsfunktionen von Ollama, die RAG-Funktionen der Wissensdatenbank, die Werkzeugaufruffunktionen von MCP und die Netzwerksuche in eine Desktop-Benutzeroberfläche, sodass technisch nicht versierte Benutzer KI-Modelle mit einem Klick ausführen können.

Unterschiede zu ähnlichen Tools: Im Vergleich zu reinen API-Aggregations-Clients wie ChatBox und LobeChat liegt der Hauptunterschied von AingDesk in der vollständigen Lebenszyklusverwaltung lokaler Modelle – nicht nur beim Wechseln von Modellen, sondern auch einschließlich Modell-Download, Speicherverzeichniskonfiguration, Modellempfehlung basierend auf Hardware und lokaler Vektorisierung, die in die Wissensdatenbank eingebettet ist. Im Vergleich zum nativen Befehlszeilentool von Ollama bietet AingDesk grafische Funktionen zum Aufbau von Wissensdatenbanken und zur Agenten-Orchestrierung, was eine Schlüsselfunktion darstellt, die es von den meisten KI-Desktop-Clients unterscheidet.

AingDesks Benutzer und Marktbekanntheit

Das Marktvolumen von AingDesk konzentriert sich immer noch auf die Entwickler-Community und Open-Source-Kreise und ist noch nicht in die C-Side-Vision der Öffentlichkeit eingetreten, aber sein Wachstumspfad zeigt ein klares Merkmal der „Mundpropaganda der Technologie-Community“.

GitHub-Community-Daten: Bis Mitte 2026 hat das AingDesk-Repository 2,5.000 Sterne und 284 Forks erhalten. Für ein Einzel-/Kleinteam-Open-Source-Projekt, das in der zweiten Hälfte des Jahres 2024 begann, zeigt diese Wachstumsrate, dass es die wirklichen Schwachstellen einer bestimmten Gruppe von Menschen löst – das heißt „Menschen, die das lokale Modell nutzen, aber nicht auf die Befehlszeile verzichten wollen.“ Bei den 67 geschlossenen/in Bearbeitung befindlichen Problemen im Bereich „Probleme“ handelt es sich hauptsächlich um Funktionsanfragen und Kompatibilitätsfeedback. Die Community verfügt über aktive Interaktionen, hat jedoch noch kein großes Mitwirkenden-Ökosystem gebildet (nur zwei Hauptmitwirkende).

Typisches Benutzerporträt: Dem Community-Feedback und den Diskussionen im chinesischen Internet nach zu urteilen, konzentrieren sich die Hauptbenutzer von AingDesk auf die folgenden Kategorien: erstens Technologiebegeisterte, die sensibel auf den Datenschutz achten und KI-Funktionen vollständig lokalisieren möchten; Zweitens, unerfahrene Benutzer, die mit KI-Modellen noch nicht vertraut sind und von Ollamas Befehlszeilenschwelle eingeschüchtert sind. Drittens kleine Teams, die eine einheitliche Schnittstelle benötigen, um gleichzeitig lokale Modelle und Cloud-APIs zu verwalten. Der Wertvorteil dieser Benutzer ist nicht „das stärkste Modell“, sondern „das sorgenfreiste Bereitstellungserlebnis“.

Stadium der Marktakzeptanz: AingDesk befindet sich derzeit in der frühen Phase der „technischen Verifizierung -> Einführung in kleinem Maßstab“. Es gibt noch keine Kunden auf öffentlicher Unternehmensebene oder Kommerzialisierungsfälle und es hat keine externe Finanzierung erhalten. Seine Markenbekanntheit ist viel geringer als die von Konkurrenzprodukten wie ChatBox und Jan, aber aufgrund seiner natürlichen Anpassung an chinesische Szenarien (integrierte Baidu/Sogou-Suche, Optimierung der chinesischen Wissensdatenbanksegmentierung) bietet es bestimmte differenzierte Vorteile in der chinesischen Open-Source-Community. Nach der Veröffentlichung des Qwen3-Modells von Alibaba stellte AingDesk in Version 1.2.4 schnell Unterstützung bereit und zeigte seine iterative Reaktionsgeschwindigkeit.

Der Kostenvorteil von AingDesk

Die Kostenstruktur von AingDesk besteht aus drei Ebenen: „Open Source ohne Lizenzgebühr + lokale Rechenleistung + optionale Cloud-API-Pay-as-you-go“. Die Kernlogik besteht darin, die Kosten der KI-Nutzung von „Zahlung per Token“ auf „Zahlung durch Hardware-Investition“ zu verlagern.

C-Client/Einzelperson: völlig kostenlos, die Kosten für die Hardware fallen an. Die Ontologie und Modelle von AingDesk sind kostenlos (MIT-Lizenz). Benutzer benötigen lediglich einen gewöhnlichen Computer, um Modelle auf Parameterebene 7B-14B auszuführen. Am Beispiel von Qwen2.5-7B im Ollama-Ökosystem kann ein M-Chip-Mac mit 16 GB Speicher reibungslos und ohne explizite Kosten laufen. Um ein großes Modell von 70B+ zu betreiben, benötigen Sie mehr als 64 GB Speicher oder eine NVIDIA-Grafikkarte, und die Hardwarekosten liegen zwischen Tausenden und Zehntausenden Yuan – das ist der eigentliche Wandel hinter „kostenlos“: Die Rechenleistungsrechnung des KI-Computings wird vom API-Anbieter auf die eigene Hardware des Benutzers übertragen.

API/Entwickler: Keine Plattformbindung, wählen Sie Ihr Backend nach Bedarf aus. AingDesk ist mit dem OpenAI-Standard-API-Format kompatibel. Entwickler können innerhalb des Clients frei zu Cloud-Modellen wie DeepSeek, GPT und Claude wechseln oder lokale Modelle über Ollama aufrufen. Dies bedeutet, dass es keine „Plattformsteuer“ gibt – Benutzer können je nach Aufgabenkomplexität das kostengünstigste Backend auswählen. Zum Beispiel: Für die tägliche Übersetzung werden lokale kleine Modelle verwendet (kostenlos), die Codegenerierung wird auf die DeepSeek-API umgestellt (0,02–2 Yuan/Million Token) und für kreatives Schreiben wird GPT (Pay-as-you-go) verwendet. Der versteckte Kostenvorteil dieses „hybriden Routings“ wird oft unterschätzt – er verhindert, dass Nutzer für alle Aufgaben den gleichen Rechenleistungsaufschlag zahlen müssen.

Unternehmen/privatisiert: Open Source und selbst gehostet, Betriebs- und Wartungskosten müssen bewertet werden. Unternehmen können den AingDesk-Server über Docker im Intranet bereitstellen, um die Sicherheitsanforderungen dafür zu erfüllen, dass Daten die Domäne nicht verlassen. Aber um es klarzustellen: Die MIT-Lizenz beinhaltet kein SLA der Enterprise-Klasse, keinen technischen Support oder keine Compliance-Zertifizierung. Zu den versteckten Kosten, die Unternehmen während der privatisierten Bereitstellung tragen müssen, gehören: Kauf/Leasing eines GPU-Servers (basierend auf 4×A100, die monatliche Miete beträgt etwa 30.000–50.000 Yuan), Betriebs- und Wartungspersonal (Aktualisierung der Modellversion, Neuaufbau der Wissensdatenbank, Speichererweiterung) und Kompatibilitätstests für kontinuierliche Integrationsmodelle. Im Vergleich zur „monatlichen Zahlung“ der SaaS-Lösung eignet sich die private Bereitstellung besser für Teams mit vorhandener GPU-Infrastruktur, anstatt sie von Grund auf neu aufzubauen, um „API-Gebühren zu sparen“.

Hauptfunktionen von AingDesk

Das funktionale Design von AingDesk dreht sich um die drei Linien „lokale Priorität + Wissenserweiterung + Werkzeugerweiterung“. Es fasst nicht einfach mehrere Funktionen in einer Benutzeroberfläche zusammen, sondern bildet eine zusammensetzbare Aufrufverbindung zwischen der Wissensdatenbank, den MCP-Tools der Agenten und Suchmaschinen.

• Lokale Modellbereitstellung mit einem Klick: Basierend auf der Ollama-Engine können Modellsuche, Download, Konfiguration und Start direkt in der Desktop-Benutzeroberfläche durchgeführt werden. Benutzer müssen keine Befehlszeilenvorgänge ausführen. Die Software empfiehlt eine Liste von Modellen, die basierend auf der Hardwarekonfiguration reibungslos funktionieren. Achtung während der tatsächlichen Verwendung erforderlich: Der Modell-Download basiert auf den Quellseiten der GitHub- und Ollama-Warehouses, die in inländischen Netzwerken langsam sein oder fehlschlagen können. Sie müssen stattdessen eine Spiegelquelle konfigurieren oder eine Drittanbieter-API verwenden.

• Lokale Wissensdatenbank (RAG): Unterstützt den Aufbau einer Wissensdatenbank auf der Grundlage lokaler Dokumente und führt nach dem Hochladen von PDF-, Word-, TXT-, Bild- und anderen Formaten automatisch die Dokumentenaufteilung und Vektorisierungseinbettung durch. Vom Benutzer konfigurierbare Chunking-Strategie und Abrufgenauigkeit. Seit Version 1.1.8 wurde der Kontexteinbettungsprozess optimiert, um Halluzinationen zu reduzieren, und Version 1.2.0 hat die Genauigkeit der Volltextsuche verbessert. Expertenmeinung: Der eigentliche Engpass der Wissensdatenbank ist nicht AingDesk selbst, sondern die Auswahl des zugrunde liegenden Einbettungsmodells – die Verwendung des standardmäßigen kleinen Modells hat in hochpräzisen Szenarien möglicherweise einen unzureichenden Rückruf. Es empfiehlt sich, in den Einstellungen manuell auf ein höherwertiges Einbettungsmodell umzustellen.

• MCP Client & Agent: Dies ist die am meisten unterschätzte Funktion von AingDesk. Der MCP-Client (Model Context Protocol) wird ab Version 1.2.1 unterstützt. Benutzer können den MCP-Server in den Einstellungen konfigurieren und dann direkt in der Konversation Tools (wie Codeausführung, Datenabfrage, Dateioperationen usw.) aufrufen. Es verfügt außerdem über ein integriertes Agentenmodul, das die Erstellung benutzerdefinierter Rollenagenten und die Bindung von Wissensdatenbanken und Tools unterstützt. Synergieeffekt: Die Verknüpfung von Agent + Wissensdatenbank + MCP-Tool ist der größte High-Level-Wert von AingDesk – zum Beispiel die Schaffung eines „Kundendienstassistenten“-Agenten, der es ihm ermöglicht, gleichzeitig auf die Produkthandbuch-Wissensdatenbank und das MCP-Tool zur Bestellabfrage zuzugreifen. Wenn der Benutzer eine Frage stellt, bestimmt es automatisch, ob er Wissen oder Daten nachschlagen soll. Der gesamte Prozess wird in einer Schnittstelle abgeschlossen.

• Internetsuche: Integrierter API-Zugriff auf Suchmaschinen wie Baidu und Sogou, um während Gesprächen in Echtzeit die neuesten Informationen zu erhalten. Suchergebnisse werden als Kontext in die Modellinferenz eingefügt, anstatt unabhängig eine Liste von Suchergebnissen zurückzugeben. v1.2.4 optimiert die Analyse von Suchmaschinenergebnissen und reduziert das Problem verwirrender Suchergebnisformate. Hinweis: Die Internetsuche ist nur dann wirksam, wenn sie aktiv aktiviert ist und hängt von der Verfügbarkeit und der Anti-Crawling-Strategie der Suchmaschine ab.

• Modellfreigabe und Zusammenarbeit: Generieren Sie exklusive Freigabelinks, um lokal bereitgestellte Modelle über das Internet mit anderen zu teilen. Diese Funktion ist in Teamszenarien von praktischem Wert – nachdem ein Mitglied ein Modell bereitgestellt hat, können andere Teammitglieder es direkt aufrufen, ohne die Bereitstellung zu wiederholen. Für die Produktion müssen jedoch die Sicherheitsrisiken und Bandbreitenengpässe berücksichtigt werden, die durch die Intranet-Penetration entstehen.

Modell- und Versionsentwicklung von AingDesk

Der Versionsiterationsrhythmus von AingDesk hat sich zwischen März und Mai 2025 erheblich beschleunigt. Der Übergang von v1.1.5 zu v1.2.4 dauerte nur mehr als zwei Monate, mit fast einer Version pro Woche, was das frühe Stadium des schnellen Versuchs und Irrtums und der schnellen Verifizierung des Projekts widerspiegelt.

Früher Spatenstich (Q3–Q4, 2024)

Das Projekt wird in der zweiten Hälfte des Jahres 2024 als Open Source auf GitHub verfügbar sein. Die erste Version konzentriert sich auf grundlegende Modellbereitstellungs- und Dialogfunktionen, und die technische Architektur und die funktionalen Grenzen werden noch erforscht. Derzeit gibt es keinen standardisierten Versionsveröffentlichungsdatensatz und die Verteilung erfolgt hauptsächlich direkt über den Quellcode.

Funktioneller Sprintzeitraum (März – Mai 2025)

• v1.1.5 (15.03.2025): Einführung des Agentenfunktionsmoduls, um das Fehlerproblem von Nicht-VL-Modellen bei der Verarbeitung von Bildanhängen zu lösen. Dies ist ein wichtiger Knotenpunkt für AingDesk beim Übergang vom „reinen Chat-Client“ zur „Agentenplattform“.
• v1.1.6 (20.03.2025): Beheben Sie das Problem der unendlichen Wartezeit beim Einbetten von Wissensdatenbankdokumenten, verbessern Sie den PDF-Parser und fügen Sie die Erkennung der Verfügbarkeit von Einbettungsmodellen hinzu.
• v1.1.7 (21.03.2025): Unterstützt das Rendern der Mermaid-Standardsyntax, die angepasste Ollama-Dienstadresse und die Synchronisierung der neuesten Modellbibliotheksliste.
• v1.1.8 (02.04.2025): Die Genauigkeit und Leistung der Wissensdatenbank wurde erheblich verbessert, unterstützt die Dokumentsegmentierung und die Konfiguration der Rückrufstrategie, fügt die Funktion zum Ändern des Datenspeicherverzeichnisses hinzu und behebt Probleme beim Parsen von .doc-Dateien.
• v1.1.9 (03.04.2025): Die Genauigkeitskonfiguration der Wissensdatenbank wurde in den automatischen Modus geändert, Online-Modellaufruffehler wurden behoben und macOS x64-Unterstützung wurde hinzugefügt.
• v1.2.0 (08.04.2025): Optimieren Sie den standardmäßigen Dokumentsegmentierungseffekt und verbessern Sie die Genauigkeit der Volltextsuche.
• v1.2.1 (14.04.2025): Meilensteinversion – Das offizielle Hinzufügen der MCP-Client-Funktion ist ein wichtiger Schritt für AingDesk, um von einem „lokalen Modellverwaltungstool“ zu einer „KI-Toolkettenplattform“ zu wechseln.
• v1.2.2 (16.04.2025): Automatischer Windows-Update-Mechanismus hinzugefügt und das Koordinationsproblem des Wissensdatenbank-/Agenten-/Tool-Verknüpfungsaufrufs behoben.
• v1.2.3 (18.04.2025): OpenAI GPT-O3-Kompatibilität behoben, Wissensdatenbankfehler bei der Erstellung von Einbettungsmodellen von Drittanbietern behoben.
• v1.2.4 (27.05.2025): Unterstützt das Qwen3-Modell, optimiert das Parsen von Suchmaschinenergebnissen, fügt OCR-Unterstützung für reine Bild-PDFs hinzu und verbessert das Parsen von MCP-Tool-Aufrufergebnissen.

Aktueller Status

Die neueste stabile Version ist v1.2.4 (27.05.2025). Obwohl das Projekt seit fast einem Jahr kein größeres Versionsupdate veröffentlicht hat, wird der Issues-Bereich des GitHub-Repositorys immer noch aktiv gewartet. Benutzer sollten bei der Auswahl einer Version darauf achten: Versionen vor v1.2.1 verfügen nicht über MCP-Funktionen. Wenn Toolaufrufe und Agenten erforderlich sind, verwenden Sie unbedingt Version 1.2.1 und höher.

Die technischen Vorteile von AingDesk

Der technische Vorteil von AingDesk liegt nicht in der Innovation des zugrunde liegenden Modells (es trainiert das Modell nicht), sondern darin, „wie man mehrere KI-Infrastrukturen nahtlos in eine Desktop-Anwendung integriert und gleichzeitig die Bedienbarkeit für technisch nicht versierte Benutzer aufrechterhält.“

Electron plattformübergreifend + Local-First-Architektur: Die Wahl von Electron als Desktop-Framework bedeutet, dass Windows- und macOS-Benutzer es sofort verwenden können, aber es bringt auch eine Installationspaketgröße von etwa 140–180 MB und einen relativ hohen Speicherbedarf mit sich. Das Backend basiert auf Node.js, die Modellverwaltung wird durch Aufruf der REST-API von Ollama implementiert und die Wissensdatenbank wird vektorisiert und im lokalen Dateisystem gespeichert. Vorteile dieser Architektur: Die Daten werden vollständig vom Benutzer kontrolliert und können ohne Cloud-Server voll funktionsfähig sein; Kosten: Alle Berechnungen (Inferenz, Vektorisierung, Abruf) werden lokal durchgeführt, was bestimmte Computerkonfigurationen erfordert. Insbesondere wenn viele Wissensdatenbankdokumente vorhanden sind, verbraucht der Einbettungsprozess viel CPU/Speicher.

MCP-Protokollintegration: Durch die Implementierung des MCP-Clients ermöglicht AingDesk großen Modellen den Aufruf externer Tools – dies erweitert im Wesentlichen die „Modellkonversation“ auf eine ternäre Kombination aus „Modell + Tool + Wissen“. Zu den Werkzeugverhalten von MCP gehören: „list_tools“ (verfügbare Werkzeuge auflisten), „call_tool“ (das angegebene Werkzeug aufrufen und das Ergebnis zurückgeben). Das Modell bestimmt unabhängig, ob und welches Tool aufgerufen werden muss, basierend auf der Absicht des Benutzers während des Gesprächs, und bildet eine Struktur aus „Absichtserkennung -> Toolauswahl -> Parametergenerierung -> Ergebnisanalyse -> Antwortgenerierung“. Die Schwierigkeit bei der Implementierung dieses Mechanismus besteht darin, dass das Modell möglicherweise versehentlich irrelevante Tools auswählt, ungültige Parameter generiert oder in einen Zyklus wiederholter Wiederholungsversuche gerät, wenn das Tool eine Ausnahme zurückgibt. AingDesk lindert einige der Probleme durch optimiertes Parsen der MCP-Anrufergebnisse (v1.2.4), aber es gibt immer noch Raum für Verbesserungen in komplexen Orchestrierungsszenarien mit mehreren Tools.

RAG-Pipeline der Wissensdatenbank: Die Wissensdatenbank von AingDesk implementiert einen vollständigen Satz von RAG-Prozessen – Dokumentenanalyse -> Text-Chunking -> Vektoreinbettung -> Ähnlichkeitsabfrage -> Kontextinjektion. Unterstützt konfigurierbare Chunking-Strategien (Größe, Überlappung, Trennzeichen) und Optionen für die Abrufgenauigkeit (automatisch/manuell). Aus Sicht der tatsächlichen Leistung: Für chinesische PDF-Dokumente mit Hunderten von Seiten kann die Wissensdatenbank von AingDesk in wenigen Minuten eingebettet und in Sekunden abgerufen werden. In den folgenden Szenarien ist jedoch zusätzliche Aufmerksamkeit erforderlich: gescannte PDFs (erfordert OCR-Unterstützung, v1.2.4 wurde hinzugefügt, aber macOS erfordert die manuelle Installation von Poppler), Dokumente mit komplexen Tabellen und Schriftsätzen (eingeschränkte Formatbeibehaltungsmöglichkeiten) und der Blockierungseffekt nicht-chinesischer Dokumente (die Standardblockierungsstrategie reagiert möglicherweise nicht auf englische Absatzgrenzen).

Architektonische Links (Kontrollfluss und Datenfluss):

„Text Benutzereingaben │ ▼ AingDesk-Frontend (Vue + Electron) │ ├─► Modellrouting ──┬─► Ollama (lokales Modell) │ ├─► OpenAI-kompatible API (Cloud-Modell) │ └─► MCP Server (externes Tool) │ ├─ ► Wissensdatenbank ────── ► Einbettungsmodell ── ► Vektorspeicherung ── ► Ähnlichkeitsabfrage │ └─ ► Internetsuche ──── ► Suchmaschinen-API ── ► Ergebnisanalyse ── ► Kontext einfügen │ ▼ Modellinferenz ──► Ausgaberendering „

Leitfaden zu technischen Fallstricken:

1. Die Endlosschleife von MCP-Tool-Aufrufen ist mit Token-Verschwendung verbunden: Das Modell ruft möglicherweise dasselbe Tool wiederholt auf, wenn das Tool Ergebnisse zurückgibt, die nicht den Erwartungen entsprechen, oder es versucht möglicherweise trotzdem aufzurufen, wenn kein geeignetes Tool verfügbar ist. Es wird empfohlen, den Tools in der MCP-Server-Konfiguration klare Eingabe- und Ausgabeeinschränkungsbeschreibungen hinzuzufügen und in der Modellaufforderung den Schwerpunkt auf „Tools, die Fehler zurückgegeben haben, nicht wiederholt aufzurufen“ zu legen. Für Hochfrequenzszenarien kann die maximale Anzahl von Toolaufrufen für eine einzelne Dialogrunde auf Clientebene festgelegt werden (ähnlich wie „max_steps“), um Endlosschleifen zu verhindern.

2. Kontextüberlastung der Wissensdatenbank: Wenn die Anzahl der Dokumente groß ist, können die abgerufenen relevanten Fragmente das Kontextfenster füllen, was dazu führt, dass die Aufmerksamkeit des Modells gestreut wird oder die Kontextgrenze überschritten wird. Es wird empfohlen, die „Anzahl der abgerufenen Fragmente“ in den Wissensdatenbankeinstellungen zu verringern (der Standardwert ist normalerweise hoch) und den Ähnlichkeitsschwellenwert entsprechend zu erhöhen, um Fragmente mit geringer Relevanz herauszufiltern. Bei sehr langen Dokumenten bevorzugen Sie abstrakte Einbettungsstrategien gegenüber Volltexten.

3. Probleme beim Herunterladen von Modellen in inländischen Netzwerken: Die Standardquellen für Ollama-Modell-Downloads sind GitHub und Docker Hub. Bei inländischen Benutzern kann es zu Downloadfehlern oder extrem langsamen Downloads kommen. Lösung: Konfigurieren Sie die Spiegelquelladresse von Ollama (z. B. mithilfe einiger inländischer beschleunigter Spiegel) oder verwenden Sie die Funktion „Benutzerdefinierte Ollama-Dienstadresse“ von AingDesk, um auf andere Computer zu verweisen, die das Modell im Voraus heruntergeladen haben.

So verwenden Sie AingDesk

Die Zugangs- und Installationsmethoden von AingDesk decken eine Vielzahl von Szenarien ab, vom persönlichen Desktop bis zur Serverbereitstellung.

So verwenden Sie	Geeignet für die Menge	Operationspfad	Kosten
Desktop-Client (Download von der offiziellen Website)	Einzelne Benutzer	Besuchen Sie aingdesk.com, um das Windows/macOS-Installationspaket herunterzuladen Kostenlos
Desktop-Client (GitHub-Versionen)	Entwickler/technische Benutzer	Laden Sie das entsprechende Plattforminstallationspaket von der GitHub-Releases-Seite	herunter Kostenlos
Serverseitige Docker-Bereitstellung	Team/Unternehmen	Führen Sie „docker run aingdesk/aingdesk“ Self-hosted	aus Kostenlos + Infrastrukturkosten
Kompilierung des Quellcodes	Anpassungsanforderungen	git clone + yarn dev lokaler Build	Kostenlos

Schnelle Schritte zum Einstieg (Desktop):

1. Laden Sie das Installationspaket für die entsprechende Plattform von der offiziellen Website herunter und schließen Sie die Installation ab.
2. Wählen Sie nach dem Start das Modell-Backend in den Einstellungen aus: Wenn Sie „Lokales Modell“ auswählen, müssen Sie zuerst Ollama installieren und den Download aus der Modellbibliothek auswählen. Wenn Sie „Drittanbieter-API“ auswählen, geben Sie den API-Schlüssel ein, z. B. OpenAI/DeepSeek.
3. Erstellen Sie eine Wissensdatenbank: Laden Sie Dokumente hoch (PDF/Word/TXT/Bilder) und warten Sie auf den automatischen Abschluss der Blockierung und Vektorisierungseinbettung.
4. (Optional) Konfigurieren Sie den MCP-Server in den Einstellungen oder erstellen Sie einen benutzerdefinierten Agenten im Agentenmodul und binden Sie die Wissensdatenbank und Tools.
5. Wählen Sie im Dialogfenster das bereitgestellte Modell oder den erstellten Agenten aus, um mit der Verwendung zu beginnen. Wenn Sie online suchen, schalten Sie den Suchschalter manuell ein.

Schnellstart zum Docker-Server:

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

Nachdem der Server bereitgestellt wurde, können Teammitglieder über einen Browser oder eine API darauf zugreifen und alle Daten werden lokal auf dem Server gespeichert. Geeignet für den Austausch von Modellen und Wissensdatenbanken innerhalb von Teams.

AingDesk-Produktpreise

Das Preismodell von AingDesk ist äußerst einfach – es ist völlig kostenlos und MIT-Open-Source, ohne versteckte Paywalls oder Funktionsbeschränkungen.

C-Client/Einzelbenutzer: Keine Kosten für den Erwerb und die Nutzung. Alle Funktionen des Desktop-Clients (Modellbereitstellung, Wissensdatenbank, Agent MCP, Netzwerksuche, Modellfreigabe) sind völlig kostenlos, ohne Funktionseinschränkungen, ohne Begrenzung der Nutzungsdauer oder Anzahl der Nachrichten. Nutzer müssen lediglich die Stromrechnung und den Hardware-Wertverlust tragen. Versteckte Kosten: Wenn Sie sich für die Nutzung eines Cloud-API-Modells (wie GPT, DeepSeek) entscheiden, müssen Sie den entsprechenden Dienstanbieter selbst bezahlen. AingDesk beteiligt sich nicht an der Preisgestaltung und erhält keine Provision.

Entwickler-/API-Aufruf: Wenn die Sekundärentwicklung über die API-Schnittstelle des AingDesk-Servers durchgeführt wird, erhebt AingDesk selbst keine API-Gebühren. Entwickler zahlen nur für die zugrunde liegenden Modellaufrufe (lokale Modelle sind kostenlos, Cloud-Modelle richten sich nach dem Preis des API-Anbieters). Dadurch kann AingDesk als „kostenloses API-Gateway“ in Entwicklungsworkflows eingebettet werden.

Enterprise/private Bereitstellung: Die MIT-Lizenz ermöglicht es Unternehmen, sie nach Belieben bereitzustellen, zu ändern und kommerziell zu nutzen, ohne Lizenzgebühren an das AingDesk-Projekt zu zahlen. Allerdings müssen, wie oben erwähnt, die versteckten Kosten für Hardware, Betrieb und Wartung sowie Versionsverwaltung von den Unternehmen selbst bewertet werden. Derzeit bietet das Projekt keine kostenpflichtige Unternehmensversion, keinen technischen Supportvertrag oder keine SLA-Garantie und wichtige Geschäftsszenarien erfordern, dass Unternehmen über interne technische Fähigkeiten verfügen, um die gesamte Situation abzudecken.

AingDesk-Anwendungsszenarien

Der Kernwert von AingDesk liegt an der Schnittstelle der beiden Dimensionen „lokale Priorität + Wissenserweiterung“. Die folgenden drei Arten von Szenarien wurden von der Community überprüft:

• Persönliches Wissensmanagement und KI-gestütztes Lernen: Importieren Sie Lehrbücher, Aufsätze und Notizen in die Wissensdatenbank und führen Sie den Frage-und-Antwort-Abruf über lokale Modelle durch. Im Vergleich zu Online-Fragen und Antworten im ChatGPT-Stil besteht der Vorteil darin, dass die Daten nicht auf einen Server eines Drittanbieters hochgeladen werden müssen und kapitelübergreifende Zuordnungen sehr langer Lehrbücher möglich sind. Implementierungstipps: Bei einer großen Anzahl gescannter PDF-Lehrmaterialien empfiehlt es sich, diese mithilfe professioneller OCR-Tools in durchsuchbare PDFs umzuwandeln und anschließend in die Wissensdatenbank zu importieren. Der OCR-Effekt von reinen Bild-PDFs (auch wenn v1.2.4 unterstützt wird) ist möglicherweise nicht so gut wie bei professionellen Lösungen.

• Interne Wissensdatenbank und gemeinsame Modelle für kleine Teams: Nach der Bereitstellung des AingDesk-Servers kann das Team interne Dokumente (Produkthandbücher, technische Spezifikationen, FAQs) in einer gemeinsamen Wissensdatenbank erstellen und den Mitgliedern ermöglichen, dasselbe Modell über gemeinsame Links aufzurufen. Geeignet für kleine Teams mit 5 bis 20 Personen, insbesondere für Szenarien, in denen Remote-Teams ein einheitliches Wissenszentrum benötigen. Implementierungstipps: Die Serverbereitstellung muss dem öffentlichen Netzwerk zugänglich gemacht werden, um eine externe Netzwerkfreigabe zu erreichen. Es wird empfohlen, Reverse-Proxy und Identitätsauthentifizierung zu verwenden, anstatt den Docker-Port direkt offenzulegen.

• Schnelle Überprüfung von KI-Anwendungsprototypen: Entwickler können die MCP-Client- und Agentenmodule von AingDesk verwenden, um schnell eine „Modell + Tool + Wissen“-Prototypanwendung zu erstellen und das Produktkonzept zu testen, bevor sie mit der formalen Entwicklung fortfahren. Beispiel: Erstellen Sie einen „Bestellabfrage“-Agenten, binden Sie das MCP-Tool der Bestelldatenbank und die Produkthandbuch-Wissensdatenbank und Sie können in wenigen Minuten eine interaktive Demo sehen. Implementierungstipps: Die Verwendung von AingDesk in der Prototypenphase kann den Verifizierungszyklus erheblich verkürzen, für die formelle Produktion ist jedoch weiterhin eine besser kontrollierbare Entwicklungs- und Bereitstellungslösung erforderlich.

Nicht für Szenarien geeignet: AingDesk eignet sich nicht für Service-Szenarien, die umfangreiches gleichzeitiges Denken erfordern (z. B. öffentlich zugänglicher KI-Kundendienst, Anwendungen mit Zehntausenden von täglichen Benutzern). Der lokale Client verfügt über begrenzte Rechenleistung und Parallelitätsfunktionen. Es ist nicht für Szenarien geeignet, die eine starke Kontrolle über das Modellausgabeformat erfordern (z. B. strukturierte JSON-Zwangsentwicklung). AingDesk Die Modell-Routing-Ebene unterstützt keine feinkörnige Konfiguration von Ausgabebeschränkungen; Es eignet sich nicht für Aufgaben, die multimodale Fähigkeiten erfordern (z. B. Videoverständnis, Audioerzeugung), und seine Leistungsgrenzen liegen innerhalb des Text- und Bildverständnisses.

Anwendbare Personen

Durch die Designphilosophie „Null Konfiguration + volle Funktionalität“ deckt AingDesk einen Teil der Benutzergruppe ab, der von CLI-Tools und reinen API-Aggregations-Clients ignoriert wird.

• KI-Neulinge und einzelne Benutzer: Sie müssen keine Docker-, Befehlszeilen- oder GPU-Konfiguration kennen, laden Sie es einfach herunter und installieren Sie es. Der integrierte Modellmanager und die Wissensdatenbankfunktionen von AingDesk machen die Einstiegshürde nahezu null. Ungeeignete Grenze: Wenn der Benutzer KI nur für gelegentliche Chats verwendet und nicht auf Datenschutz achtet, haben kostenlose Online-KI-Dienste (wie die Webversion von DeepSeek, Doubao) einen niedrigeren Schwellenwert für die Nutzung und erfordern keine Installation und Konfiguration.

• Open-Source- und selbstgehostete Enthusiasten: Die Native-First-Architektur und die MIT-Lizenz von AingDesk bieten eine vollständig kontrollierbare KI-Umgebung für technische Benutzer, die Datensouveränität und Datenschutz anstreben. Sie können den Code frei ändern, Netzwerkanforderungen prüfen und offline ausführen. Voraussetzungen: Grundlegende Git- und Node.js-Betriebsfähigkeiten sind erforderlich, sowie ein Computer mit mindestens 8 GB Arbeitsspeicher, um ein 7B-Level-Modell auszuführen.

• Kleine Teams und Technologieunternehmer: In Szenarien, in denen Teams KI-Modelle und Wissensdatenbanken gemeinsam nutzen müssen, aber über begrenzte Budgets verfügen, ist die serverseitige Bereitstellung von AingDesk ein kostenloser Ausgangspunkt. Sie können es zunächst als internes Tool zur Überprüfung von Geschäftsprozessen verwenden und dann entscheiden, ob Sie Ressourcen in die Entwicklung maßgeschneiderter Lösungen investieren möchten. Implementierungstipps: Für Teams mit mehr als 20 Personen oder Szenarien mit höheren Stabilitätsanforderungen wird empfohlen, die kommerziellen Versionen professioneller Wissensdatenbanklösungen (wie Dify, FastGPT) zu evaluieren, die in den Bereichen Berechtigungsverwaltung, Hochverfügbarkeit sowie Betriebs- und Wartungsüberwachung ausgereifter sind.

• Studenten und Forscher: Importieren Sie Lehrbücher, Aufsätze und Versuchsberichte in die Wissensdatenbank für lokalisierte Fragen und Antworten. Es eignet sich besonders für die Literaturrecherche und Wissensorganisation in Offline-Umgebungen (z. B. Labor-Intranets ohne Internet). Nicht für Grenzen geeignet: Bei wissenschaftlichen Texten, die das Zitieren präziser Seitenzahlen und Originaltextabsätze erfordern, kann es beim Fragmentabruf der Wissensdatenbank zu Problemen mit der Kontextkürzung kommen. Es wird empfohlen, die Ausgabe der Wissensdatenbank als Anhaltspunkt zu verwenden, um zur Überprüfung zum Originaltext zurückzukehren.

Zusammenfassung: Wer würde nicht zu AingDesk passen? Benutzer mit extremen Anforderungen an die Modellleistung (70B+-Modelle erfordern High-End-Hardware), Organisationen, die eine Berechtigungsverwaltung und Prüfprotokolle auf Unternehmensebene benötigen, und reine Konversationsbenutzer, die „out of the box ohne jegliche Konfiguration“ wollen, sollten andere Optionen in Betracht ziehen.

Zusammenfassung und Ausblick

AingDesk hat erhebliche technische Anstrengungen unternommen, um „die Schwelle für die lokale Bereitstellung von KI zu senken“ – es handelt sich nicht um eine weitere API-Aggregations-Shell, sondern integriert Modellverwaltung, Wissensdatenbank-RAG, MCP-Tool-Aufruf und Agenten-Orchestrierung in ein vollständiges Produkt, das unabhängig auf dem Desktop ausgeführt werden kann und völlig Open Source und kostenlos ist.

Aktuelle Hauptvorteile: Die Bereitstellungserfahrung ohne Konfigurationsmodell ist bei Desktop-Clients des gleichen Typs in China selten. Die Einführung von MCP-Client- und Agentenfunktionen bietet das Potenzial für den Übergang von einem „Chat-Tool“ zu einer „Tool-Chain-Plattform“. Die lokalisierte RAG-Pipeline der Wissensdatenbank ist in chinesischen Dokumenten verfügbar und die Daten werden vollständig vom Benutzer kontrolliert. Die MIT-Lizenz beseitigt rechtliche Bedenken hinsichtlich der kommerziellen Nutzung.

Aktuelle Haupteinschränkungen: Die Community ist noch klein (zwei Hauptmitwirkende) und die Funktionsiteration und die Reaktionsgeschwindigkeit auf Probleme zeigen nach der Veröffentlichung von v1.2.4 Anzeichen einer Verlangsamung; Die Speichernutzung und die Größe des Installationspakets, die die Electron-Architektur mit sich bringt, sind bei ähnlichen Produkten relativ hoch. Die Abrufgenauigkeit der Wissensdatenbank und der optionale Bereich der Einbettungsmodelle sind begrenzt und können nicht mit den High-End-Funktionen (Mehrweg-Rückruf, Neuordnung von RBAC) professioneller RAG-Plattformen (wie Dify, FastGPT) verglichen werden. Im Vergleich zu Berechtigungen); Es fehlen Betriebs- und Wartungstools für die Bereitstellung auf Unternehmensebene (Überwachung, Protokollierung, Sicherung) und kommerzieller Support.

Folgebeobachtungspunkte: Ob das Projekt nach Version 1.2.4 größere Updates veröffentlichen wird (die offizielle Roadmap wird nicht bekannt gegeben); ob das Ökosystem der Community-Mitwirkenden von zwei Personen auf mehr externe Mitwirkende erweitert werden kann; ob es kommerzielle Erkundungen geben wird (z. B. Abonnements für Unternehmensversionen, Hosting-Dienste), um eine langfristige, nachhaltige Wartung zu unterstützen; und ob AingDesk im Kontext der rasanten Entwicklung des MCP-Ökosystems weiterhin die Kompatibilitätsanpassung von Protokollaktualisierungen verfolgen kann.

Bewertung des Übernahme- und Einführungsrisikos: Für einzelne Benutzer und kleine Teams von 5 bis 20 Personen ist die Einführung von AingDesk aufgrund seiner Null-Kosten- und Bindungsfreiheit praktisch risikofrei und somit die Standardwahl für eine lokale KI-Workbench. Bitte beachten Sie jedoch für Unternehmen mit strengen Compliance-Anforderungen: Die MIT-Lizenz beinhaltet keine Garantie und das Projekt bietet keine Compliance-Zertifizierung wie SOC2/GDPR; Wenn AingDesk zur Verarbeitung sensibler Geschäftsdaten verwendet wird, muss das Unternehmen das Risiko von Datenlecks einschätzen und selbst einen Sicherungs- und Wiederherstellungsmechanismus einrichten. Für kritische Geschäftsszenarien wird empfohlen, als Redundanz eine Reihe kommerziell unterstützter Alternativen außerhalb von AingDesk vorzuhalten.

Verwandte Tools: deepseek, chatgpt

Versionsinfo

• AingDesk v1.2.4 ：Qwen3-Modellunterstützung, optimierte Suchmaschinenergebnisanalyse, zusätzliche OCR-Unterstützung für reine Bild-PDFs und verbesserte MCP-Tool-Aufrufergebnisanalyse hinzugefügt. （2025-05-27）
• AingDesk v1.2.3 ：Die OpenAI GPT-O3-Kompatibilität wurde behoben, der Wissensdatenbankfehler bei der Erstellung von Einbettungsmodellen von Drittanbietern wurde behoben und die Modellauswahl wurde optimiert. （2025-04-18）
• AingDesk v1.2.2 ：Automatischer Update-Mechanismus für Windows hinzugefügt und Probleme beim Aufrufen der Wissensdatenbank/Agent/Tool-Verknüpfung behoben. （2025-04-16）
• AingDesk v1.2.1 ：MCP-Client-Funktion hinzugefügt (unterstützt die Konfiguration des MCP-Servers in den Einstellungen und die Auswahl von Werkzeugen im Dialog) und optimierte Modellauswahl. （2025-04-14）
• AingDesk v1.2.0 ：Optimieren Sie den standardmäßigen Dokumentblockierungseffekt, verbessern Sie die Genauigkeit der Volltextsuche in der Wissensdatenbank und beheben Sie das Problem der unvollständigen Blockierung mehrerer Trennzeichen. （2025-04-08）
• AingDesk v1.1.5 ：Ein neues Funktionsmodul für intelligente Agenten hinzugefügt und das Problem der Fehlerberichterstattung bei der Verarbeitung von Bildanhängen für Nicht-VL-Modelle behoben. （2025-03-15）