아잉데스크 무료

-
개발사 AingDesk 오픈소스 커뮤니티
공식 웹사이트 https://www.aingdesk.com/

AingDesk는 사용자가 한 번의 클릭으로 수백 개의 AI 모델(DeepSeek, Llama 등)을 개인용 컴퓨터에 배포할 수 있도록 돕는 오픈 소스 데스크톱 AI 클라이언트입니다. 21개 언어로 온라인 검색 및 모델 공유 인터페이스를 지원합니다. GitHub는 오픈 소스이며 무료입니다.

아잉데스크 제품 인터페이스

아잉데스크

핵심 매개변수 및 통계

AingDesk는 오픈 소스 AI 데스크톱 클라이언트 시장에서 "경량 패키징 + 전체 기능 적용 범위" 경로를 택했습니다. Ollama는 또 다른 Ollama가 아니라 Ollama와 수십 개의 모델 API, 지식 기반 구축, MCP 에이전트 직렬화 및 네트워크 검색의 통합 관리를 Electron 데스크톱 애플리케이션에 패키징하여 기술 지식이 없는 사용자도 전문 배포에 가까운 AI 경험을 얻을 수 있도록 합니다.

매개변수 사양
제품 포지셔닝 오픈 소스 AI 데스크톱 클라이언트, 로컬 모델 배포 + 지식 기반 + 에이전트
기술 스택 Electron + TypeScript + Vue(프런트엔드), Node.js(백엔드)
최신 버전 v1.2.4 (2025-05-27)
오픈 소스 라이센스 MIT
지원되는 플랫폼 윈도우(x64), macOS(arm64 + x64)
배포 양식 데스크톱 클라이언트 + Docker 서버(자체 호스팅)
모델 소스 Ollama 로컬 모델 + 타사 API(OpenAI, DeepSeek 등)
커뮤니티 규모 GitHub 별 2,500개, 포크 284개
언어 인터페이스 21개 언어(중국어 간체, 영어, 일본어 등 포함)

한 문장으로 간략한 리뷰: AingDesk는 Ollama의 모델 관리 기능, 지식 베이스의 RAG 기능, MCP의 도구 호출 기능 및 네트워크 검색을 데스크탑 UI에 통합하여 기술에 익숙하지 않은 사용자가 한 번의 클릭으로 AI 모델을 실행할 수 있도록 합니다.

유사 도구와의 차이점: ChatBox 및 LobeChat과 같은 순수 API 집계 클라이언트와 비교할 때 AingDesk의 핵심 차이점은 모델 전환뿐만 아니라 모델 다운로드, 스토리지 디렉터리 구성, 하드웨어 기반 모델 추천 및 지식 베이스에 포함된 로컬 벡터화를 포함하여 로컬 모델의 전체 수명 주기 관리에 있습니다. Ollama의 기본 명령줄 도구와 비교하여 AingDesk는 대부분의 AI 데스크톱 클라이언트와 구별되는 핵심 기능인 그래픽 지식 기반 구성 및 에이전트 조정 기능을 제공합니다.

AingDesk의 사용자 및 시장 인지도

AingDesk의 시장 규모는 여전히 개발자 커뮤니티와 오픈 소스 서클에 집중되어 있으며 아직 대중의 C 측 비전에 진입하지 않았지만 성장 궤적은 분명한 "기술 커뮤니티 입소문 기반" 특성을 보여줍니다.

GitHub 커뮤니티 데이터: 2026년 중반 현재 AingDesk 저장소는 2.5,000개의 별과 284개의 포크를 받았습니다. 2024년 하반기에 시작된 개인/소규모 팀 오픈소스 프로젝트의 경우, 이러한 성장률은 특정 그룹의 사람들, 즉 "로컬 모델을 사용하고 싶지만 명령줄을 버리고 싶지 않은 사람들"의 실제 문제점을 해결했음을 보여줍니다. 문제 영역의 종결/진행 중인 문제 67개는 주로 기능 요청 및 호환성 피드백입니다. 커뮤니티는 활발한 상호 작용을 하고 있지만 아직 대규모 기여자 생태계를 형성하지 않았습니다(핵심 기여자는 2명뿐임).

일반적인 사용자 초상화: 중국 인터넷의 커뮤니티 피드백과 토론에 따르면 AingDesk의 주요 사용자는 다음 범주에 집중되어 있습니다. 첫째, 데이터 개인 정보 보호에 민감하고 AI 기능을 완전히 현지화하려는 기술 애호가입니다. 둘째, AI 모델을 처음 접하는 초보 사용자이며 Ollama의 명령줄 임계값에 겁을 먹습니다. 셋째, 로컬 모델과 클라우드 API를 동시에 관리하기 위해 통합 인터페이스가 필요한 소규모 팀입니다. 이들 사용자의 가치 매력은 '가장 강력한 모델'이 아니라 '가장 걱정 없는 배포 경험'입니다.

시장 수용 단계: AingDesk는 현재 '기술적 검증 -> 소규모 도입' 초기 단계에 있습니다. 아직 공기업 수준의 고객사나 사업화 사례는 없고, 외부 자금 조달도 받은 바 없다. 브랜드 인지도는 ChatBox, Jan 등 경쟁 제품에 비해 훨씬 낮지만, 중국 시나리오에 자연스럽게 적응하기 때문에(내장 Baidu/Sogou 검색, 중국 지식 기반 세분화 최적화) 중국 오픈 소스 커뮤니티에서 차별화된 장점을 가지고 있습니다. AingDesk는 Alibaba가 소유한 Qwen3 모델 출시 이후 빠르게 v1.2.4에서 지원을 제공하여 반복 응답 속도를 보여주었습니다.

에잉데스크의 가성비 장점

AingDesk의 비용 구조는 "오픈 소스 라이선스 비용 없음 + 로컬 컴퓨팅 성능 + 선택적 클라우드 API 종량제"의 세 가지 계층으로 구성됩니다. 핵심 논리는 AI 사용 비용을 '토큰으로 지불'에서 '하드웨어 투자로 지불'로 전환하는 것입니다.

C 클라이언트/개인: 완전 무료, 하드웨어는 비용입니다. AingDesk 온톨로지 및 모델은 무료입니다(MIT 라이센스). 사용자는 7B-14B 매개변수 수준 모델을 실행하기 위해 일반 컴퓨터만 필요합니다. Ollama 생태계의 Qwen2.5-7B를 예로 들면, 16GB 메모리를 탑재한 M 칩 Mac은 명시적인 비용 없이 원활하게 실행될 수 있습니다. 70B+의 대형 모델을 실행하려면 64GB+ 메모리 또는 NVIDIA 그래픽 카드가 필요하며 하드웨어 비용은 수천 위안에서 수만 위안에 이릅니다. 이것이 "무료" 뒤의 진정한 변화입니다. AI 컴퓨팅의 컴퓨팅 전력 비용은 API 제공업체에서 사용자의 자체 하드웨어로 이전됩니다.

API/개발자: 플랫폼 종속이 없으며 필요에 따라 백엔드를 선택합니다. AingDesk는 OpenAI 표준 API 형식과 호환됩니다. 개발자는 클라이언트 내에서 DeepSeek, GPT, Claude 등 클라우드 모델로 자유롭게 전환하거나 Ollama를 통해 로컬 모델을 호출할 수 있습니다. 이는 "플랫폼 세금"이 없음을 의미합니다. 사용자는 작업 복잡성에 따라 가장 비용 효율적인 백엔드를 선택할 수 있습니다. 예를 들어 로컬 소규모 모델은 일일 번역에 사용되며(비용 없음), 코드 생성은 DeepSeek API(0.02-2위안/백만 토큰)로 전환되고, 창의적인 글쓰기는 GPT(종량제)를 사용합니다. 이 "하이브리드 라우팅"의 숨겨진 비용 이점은 종종 과소평가됩니다. 이는 사용자가 모든 작업에 대해 동일한 컴퓨팅 성능 프리미엄을 지불하는 것을 방지합니다.

기업/민영화: 오픈 소스 및 자체 호스팅, 운영 및 유지 관리 비용을 평가해야 합니다. 기업은 도메인을 벗어나지 않는 데이터에 대한 보안 요구 사항을 충족하기 위해 인트라넷의 Docker를 통해 AingDesk 서버를 배포할 수 있습니다. 하지만 분명히 하자면 MIT 라이선스에는 엔터프라이즈급 SLA, 기술 지원 또는 규정 준수 인증이 함께 제공되지 않습니다. 민영화 배포 과정에서 기업이 부담해야 하는 숨겨진 비용에는 GPU 서버 구매/임대(4×A100 기준, 월 임대료 약 30,000~50,000위안), 운영 및 유지 관리 인력(모델 버전 업데이트, 지식 기반 재구성, 스토리지 확장) 및 지속적인 통합 모델 호환성 테스트가 포함됩니다. SaaS 솔루션의 '월별 결제'와 비교할 때 프라이빗 배포는 'API 비용 절감'을 위해 처음부터 구축하는 것보다 기존 GPU 인프라를 보유한 팀에 더 적합합니다.

에이잉데스크의 주요 기능

AingDesk의 기능적 디자인은 "로컬 우선순위 + 지식 강화 + 도구 확장"의 세 가지 라인을 중심으로 전개됩니다. 이는 단순히 여러 기능을 UI에 쌓는 것이 아니라 지식 기반, 에이전트 MCP 도구 및 검색 엔진 간에 구성 가능한 호출 링크를 형성합니다.

  • 원클릭 로컬 모델 배포: Ollama 엔진을 기반으로 모델 검색, 다운로드, 구성 및 시작을 데스크톱 UI에서 직접 완료할 수 있습니다. 사용자는 명령줄 작업을 건드릴 필요가 없습니다. 소프트웨어는 하드웨어 구성에 따라 원활하게 실행될 수 있는 모델 목록을 추천합니다. 실제 사용 시 주의사항: 모델 다운로드는 GitHub 및 Ollama 창고 소스 사이트에 의존하므로 국내 네트워크에서는 속도가 느리거나 실패할 수 있습니다. 미러 소스를 구성하거나 대신 타사 API를 사용해야 합니다.

  • 로컬 기술 자료(RAG): 로컬 문서를 기반으로 지식 베이스 구축을 지원하고 PDF, Word, TXT, 사진 및 기타 형식을 업로드한 후 문서 청크 및 벡터화 임베딩을 자동으로 완료합니다. 사용자가 구성할 수 있는 청크 전략 및 재현율. v1.1.8부터 환각을 줄이기 위해 컨텍스트 임베딩 프로세스가 최적화되었으며, v1.2.0에서는 전체 텍스트 검색 정확도가 향상되었습니다. 전문가 의견: 지식 베이스의 실제 병목 현상은 AingDesk 자체가 아니라 기본 임베딩 모델의 선택입니다. 기본 소형 모델을 사용하면 고정밀 시나리오에서 리콜이 충분하지 않을 수 있습니다. 설정에서 더 높은 품질의 임베딩 모델로 수동으로 전환하는 것이 좋습니다.

  • MCP 클라이언트 및 에이전트: AingDesk의 가장 과소평가된 기능입니다. MCP(Model Context Protocol) 클라이언트는 v1.2.1부터 지원됩니다. 사용자는 설정에서 MCP 서버를 구성한 다음 대화에서 도구(예: 코드 실행, 데이터 쿼리, 파일 작업 등)를 직접 호출할 수 있습니다. 또한 사용자 정의 역할 에이전트 생성과 지식 기반 및 도구 바인딩을 지원하는 에이전트 모듈이 내장되어 있습니다. 시너지 효과: 상담원 + 지식 베이스 + MCP 도구의 연결은 AingDesk의 가장 높은 수준의 가치입니다. 예를 들어 "고객 서비스 도우미" 에이전트를 생성하여 제품 매뉴얼 지식 베이스에 액세스하고 MCP 도구를 주문 쿼리할 수 있는 동시에 가능하게 합니다. 사용자가 질문을 하면 지식을 검색할지 데이터를 검색할지 자동으로 결정합니다. 전체 프로세스는 하나의 인터페이스에서 완료됩니다.

  • 인터넷 검색: Baidu, Sogou 등 검색 엔진에 대한 API 액세스가 내장되어 대화 중에 최신 정보를 실시간으로 얻을 수 있습니다. 검색 결과는 검색 결과 목록을 독립적으로 반환하는 대신 컨텍스트로 모델 추론에 주입됩니다. v1.2.4는 검색 엔진 결과 구문 분석을 최적화하고 검색 결과 형식이 혼동되는 문제를 줄입니다. 참고: 인터넷 검색은 활성화된 경우에만 적용되며 검색 엔진의 가용성 및 크롤링 방지 전략에 따라 달라집니다.

  • 모델 공유 및 협업: 독점 공유 링크를 생성하여 인터넷을 통해 로컬로 배포된 모델을 다른 사람들과 공유할 수 있습니다. 이 기능은 팀 시나리오에서 실용적인 가치가 있습니다. 한 구성원이 모델을 배포한 후 다른 팀 구성원이 배포를 반복하지 않고 직접 호출할 수 있습니다. 그러나 프로덕션의 경우 인트라넷 침투로 인한 보안 위험과 대역폭 병목 현상을 고려해야 합니다.

AingDesk의 모델과 버전의 진화

AingDesk의 버전 반복 리듬은 2025년 3월부터 5월 사이에 크게 가속화되었습니다. v1.1.5에서 v1.2.4로 전환하는 데 2개월 남짓 걸렸고, 일주일에 거의 하나의 버전이 있었는데, 이는 초기 단계의 빠른 시행착오와 프로젝트의 빠른 검증을 반영합니다.

조기 착공(2024년 3~4분기)

이 프로젝트는 2024년 하반기에 GitHub에서 오픈 소스화될 예정입니다. 초기 버전은 기본 모델 배포 및 대화 기능에 중점을 두고 있으며 기술 아키텍처 및 기능 경계는 여전히 탐색 중입니다. 현 단계에서는 표준화된 버전 출시 기록이 없으며 주로 소스코드를 통해 직접 배포된다.

기능적 스프린트 기간(2025년 3월~5월)

  • v1.1.5 (2025-03-15): 이미지 첨부 파일을 처리하는 Non-VL 모델의 오류 문제를 해결하기 위해 에이전트 기능 모듈을 도입합니다. 이는 AingDesk가 "순수 채팅 클라이언트"에서 "에이전트 플랫폼"으로 전환하는 핵심 노드입니다.
  • v1.1.6 (2025-03-20): 지식 기반 문서 임베딩의 무한 대기 문제를 수정하고 PDF 파서를 개선하며 임베딩 모델 가용성 감지를 추가합니다.
  • v1.1.7 (2025-03-21): Mermaid 표준 구문 렌더링, 맞춤형 Ollama 서비스 주소, 최신 모델 라이브러리 목록 동기화를 지원합니다.
  • v1.1.8(2025-04-02): 문서 분할 및 회수 전략 구성 지원, 데이터 저장 디렉터리 수정 기능 추가, .doc 파일 구문 분석 문제 수정 등 지식 베이스의 정확성과 성능이 크게 향상되었습니다.
  • v1.1.9 (2025-04-03): 지식베이스 정확도 구성이 자동 모드로 변경되고, 온라인 모델 호출 오류가 수정되며, macOS x64 지원이 추가됩니다.
  • v1.2.0 (2025-04-08): 기본 문서 분할 효과를 최적화하고 전체 텍스트 검색의 정확성을 향상시킵니다.
  • v1.2.1 (2025-04-14): 마일스톤 버전 - 공식적으로 MCP 클라이언트 기능을 추가하는 것은 AingDesk가 "로컬 모델 관리 도구"에서 "AI 도구 체인 플랫폼"으로 도약하는 핵심 단계입니다.
  • v1.2.2 (2025-04-16): Windows 자동 업데이트 메커니즘을 추가하고 지식베이스/에이전트/도구 연계 호출 조정 문제를 수정했습니다.
  • v1.2.3(2025-04-18): OpenAI GPT-O3 호환성 수정, 타사 임베딩 모델 생성 기술 자료 오류 수정.
  • v1.2.4(2025-05-27): Qwen3 모델 지원, 검색 엔진 결과 구문 분석 최적화, 순수 이미지 PDF에 대한 OCR 지원 추가, MCP 도구 호출 결과 구문 분석 개선.

현재 상태

최신 안정 버전은 v1.2.4(2025-05-27)입니다. 프로젝트는 그 이후 거의 1년 동안 주요 버전 업데이트를 출시하지 않았지만 GitHub 저장소의 이슈 영역은 여전히 ​​활발하게 유지 관리 중입니다. 사용자는 버전을 선택할 때 주의해야 합니다. v1.2.1 이전 버전에는 MCP 기능이 부족합니다. 도구 호출 및 에이전트가 필요한 경우 반드시 v1.2.1 이상을 사용하십시오.

에잉데스크의 기술적 장점

AingDesk의 기술적 이점은 기본 모델의 혁신(모델을 교육하지 않음)이 아니라 "기술자가 아닌 사용자의 조작성을 유지하면서 여러 AI 인프라를 데스크톱 애플리케이션에 원활하게 통합하는 방법"에 있습니다.

Electron 크로스 플랫폼 + 로컬 우선 아키텍처: Electron을 데스크톱 프레임워크로 선택하면 Windows 및 macOS 사용자가 즉시 사용할 수 있지만 설치 패키지 크기가 약 140~180MB이고 상대적으로 높은 메모리 공간이 필요합니다. 백엔드는 Node.js를 기반으로 하고, 모델 관리는 Ollama의 REST API를 호출하여 구현되며, 지식 베이스는 벡터화되어 로컬 파일 시스템에 저장됩니다. 이 아키텍처의 장점: 데이터는 사용자가 완전히 제어하며 클라우드 서버 없이도 완벽하게 작동할 수 있습니다. 비용: 모든 계산(추론, 벡터화, 검색)은 로컬로 수행되며, 이를 위해서는 특정 컴퓨터 구성이 필요합니다. 특히 지식 기반 문서가 많은 경우 임베딩 프로세스는 많은 CPU/메모리를 소비하게 됩니다.

MCP 프로토콜 통합: MCP 클라이언트를 구현함으로써 AingDesk는 대규모 모델이 외부 도구를 호출할 수 있도록 합니다. 이는 본질적으로 "모델 대화"를 "모델 + 도구 + 지식"의 삼항 조합으로 확장하는 것입니다. MCP의 도구 동작에는 list_tools(사용 가능한 도구 나열), call_tool(지정된 도구 호출 및 결과 반환)이 포함됩니다. 모델은 대화 중 사용자의 의도에 따라 호출해야 하는지, 어떤 도구를 호출해야 하는지를 독립적으로 결정하여 "의도 인식 -> 도구 선택 -> 매개변수 생성 -> 결과 분석 -> 응답 생성"의 구조를 형성합니다. 이 메커니즘을 구현하기 어려운 점은 모델이 실수로 관련 없는 도구를 선택하거나, 잘못된 매개변수를 생성하거나, 도구가 예외를 반환할 때 반복적인 재시도 주기에 빠질 수 있다는 것입니다. AingDesk는 MCP 호출 결과(v1.2.4)의 최적화된 구문 분석을 통해 일부 문제를 완화하지만 복잡한 다중 도구 오케스트레이션 시나리오에서는 여전히 개선의 여지가 있습니다.

지식 베이스의 RAG 파이프라인: AingDesk의 지식 베이스는 문서 구문 분석 -> 텍스트 청크 -> 벡터 임베딩 -> 유사성 검색 -> 컨텍스트 삽입 등 완전한 RAG 프로세스 세트를 구현합니다. 구성 가능한 청크 전략(크기, 중첩, 구분 기호) 및 검색 정밀도 옵션(자동/수동)을 지원합니다. 실제 성능 관점에서: 수백 페이지에 달하는 중국어 PDF 문서의 경우 AingDesk의 지식 베이스는 몇 분 안에 삽입되고 몇 초 안에 검색될 수 있습니다. 그러나 스캔한 PDF(OCR 지원 필요, v1.2.4가 추가되었지만 macOS에서는 Poppler 수동 설치 필요), 복잡한 표와 조판이 포함된 문서(제한된 형식 유지 기능), 중국어가 아닌 문서의 차단 효과(기본 차단 전략은 영어 단락 경계에 민감하지 않을 수 있음)와 같은 시나리오에서는 추가적인 주의가 필요합니다.

아키텍처 링크(제어 흐름 및 데이터 흐름):

``텍스트 사용자 입력 │ ▼ AingDesk 프론트엔드 (Vue + Electron) │ ├─► 모델 루팅 ──┬─► 올라마(현지모델) │ ├─► OpenAI 호환 API(클라우드 모델) │ └─► MCP 서버(외부 도구) │ ├─► 지식 베이스 ──────► 임베딩 모델 ──► 벡터 저장 ──► 유사성 검색 │ └─► 인터넷 검색 ────► 검색 엔진 API ──► 결과 분석 ──► 컨텍스트 삽입 │ ▼ 모델 추론 ──► 출력 렌더링


**엔지니어링 함정에 대한 가이드**:

1. **MCP 도구 호출의 무한 루프는 토큰 낭비와 관련이 있습니다**: 모델은 도구가 기대에 미치지 못하는 결과를 반환할 때 동일한 도구를 반복적으로 호출할 수 있거나 사용 가능한 적절한 도구가 없을 때 여전히 호출을 시도할 수 있습니다. MCP 서버 구성의 도구에 명확한 입력 및 출력 제약 조건 설명을 추가하고 모델 프롬프트에서 "오류를 반환한 도구를 반복적으로 호출하지 마십시오"를 강조하는 것이 좋습니다. 빈도가 높은 시나리오의 경우 단일 대화 라운드에 대한 최대 도구 호출 수를 클라이언트 수준에서 설정하여('max_steps'와 유사) 무한 루프를 방지할 수 있습니다.

2. **지식 기반 컨텍스트 오버로드**: 문서 수가 많은 경우 검색된 관련 조각이 컨텍스트 창을 채워 모델의 주의가 분산되거나 컨텍스트 제한을 초과할 수 있습니다. 지식 베이스 설정에서 "리콜된 조각 수"를 낮추고(기본값은 일반적으로 높음) 유사성 임계값을 적절하게 높여 관련성이 낮은 조각을 필터링하는 것이 좋습니다. 매우 긴 문서의 경우 전체 텍스트 삽입 전략보다 요약을 선호합니다.

3. **국내 네트워크의 모델 다운로드 문제**: Ollama 모델 다운로드의 기본 소스는 GitHub 및 Docker Hub입니다. 국내 사용자는 다운로드 실패 또는 다운로드 속도가 매우 느려질 수 있습니다. 해결책: Ollama의 미러 소스 주소를 구성하거나(예: 일부 국내 가속 미러 사용) AingDesk의 "Customized Ollama 서비스 주소" 기능을 사용하여 모델을 미리 다운로드한 다른 컴퓨터를 가리킵니다.

## 에이잉데스크 사용법

AingDesk의 진입 및 설치 방법은 개인 데스크탑부터 서버 구축까지 다양한 시나리오를 다룹니다.

| 사용 방법 | 군중에게 적합 | 작업 경로 | 비용 |
|---|---|---|---|
| 데스크톱 클라이언트(공식 홈페이지에서 다운로드) | 개인 사용자 | aingdesk.com을 방문하여 Windows/macOS 설치 패키지를 다운로드하세요 | 무료 |
| 데스크톱 클라이언트(GitHub 릴리스) | 개발자/기술 사용자 | GitHub 릴리스 페이지에서 해당 플랫폼 설치 패키지 다운로드 | 무료 |
| Docker 서버 측 배포 | 팀/기업 | `docker run aingdesk/aingdesk` 실행 자체 호스팅 | 무료 + 인프라 비용 |
| 소스 코드 편집 | 사용자 정의 요구 사항 | `git clone` + `yarn dev` 로컬 빌드 | 무료 |

**빠른 시작 단계(데스크톱)**:

1. 공식 홈페이지에서 해당 플랫폼에 맞는 설치 패키지를 다운로드 받아 설치를 완료하세요.
2. 시작 후 설정에서 모델 백엔드를 선택합니다. "로컬 모델"을 선택하는 경우 먼저 Ollama를 설치하고 모델 라이브러리에서 다운로드를 선택해야 합니다. "Third-Party API"를 선택한 경우 OpenAI/DeepSeek와 같은 API Key를 입력하세요.
3. 지식 베이스 생성: 문서(PDF/Word/TXT/그림)를 업로드하고 차단 및 벡터화 삽입이 자동으로 완료될 때까지 기다립니다.
4. (선택 사항) 설정에서 MCP 서버를 구성하거나 에이전트 모듈에서 사용자 지정 에이전트를 생성하고 기술 자료와 도구를 바인딩합니다.
5. 대화창에서 배포된 모델이나 생성된 에이전트를 선택하여 사용을 시작합니다. 온라인으로 검색할 때는 검색 스위치를 수동으로 켜세요.

**Docker 서버 빠른 시작**:

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

서버가 배포된 후 팀 구성원은 브라우저나 API를 통해 서버에 액세스할 수 있으며 모든 데이터는 서버에 로컬로 저장됩니다. 팀 내에서 모델 및 지식 기반을 공유하는 데 적합합니다.

AingDesk 제품 가격

AingDesk의 가격 모델은 매우 간단합니다. 완전 무료이며 MIT 오픈 소스이며 숨겨진 페이월이나 기능 잠금이 없습니다.

C 클라이언트/개인 사용자: 구입 및 사용 비용이 전혀 들지 않습니다. 데스크톱 클라이언트의 모든 기능(모델 배포, 지식 베이스, 에이전트 MCP, 네트워크 검색, 모델 공유)은 완전 무료이며 기능 제한이나 사용 시간이나 메시지 수에 대한 제한이 없습니다. 사용자는 전기 요금과 하드웨어 감가상각비만 부담하면 됩니다. 숨겨진 비용: 클라우드 API 모델(예: GPT, DeepSeek)을 사용하기로 선택한 경우 해당 서비스 제공업체에 직접 비용을 지불해야 합니다. AingDesk는 가격 책정에 참여하지 않으며 수수료도 받지 않습니다.

개발자/API 호출: AingDesk 서버의 API 인터페이스를 통해 2차 개발을 수행하는 경우 AingDesk 자체에서는 API 요금을 청구하지 않습니다. 개발자는 기본 모델 호출에 대해서만 비용을 지불합니다(로컬 모델은 무료이며 클라우드 모델의 가격은 API 제공업체에 따라 책정됩니다). 이를 통해 AingDesk를 "무료 API 게이트웨이"로 개발 워크플로우에 내장할 수 있습니다.

기업/개인 배포: MIT 라이선스를 통해 기업은 AingDesk 프로젝트에 라이선스 비용을 지불하지 않고도 이를 배포, 수정 및 상업적으로 사용할 수 있습니다. 그러나 위에서 언급한 것처럼 하드웨어, 운영 및 유지 관리, 버전 관리에 대한 숨겨진 비용은 기업 자체에서 평가해야 합니다. 현재 이 프로젝트는 유료 엔터프라이즈 버전, 기술 지원 계약 또는 SLA 보증을 제공하지 않으며 주요 비즈니스 시나리오에서는 기업이 전체 상황을 포괄할 수 있는 내부 기술 역량을 보유해야 합니다.

AingDesk 애플리케이션 시나리오

AingDesk의 핵심가치는 "지역우선 + 지식향상"이라는 두 가지 차원의 교차점에 있습니다. 커뮤니티에서는 다음 세 가지 유형의 시나리오를 확인했습니다.

  • 개인 지식 관리 및 AI 지원 학습: 교과서, 논문, 메모를 지식 베이스로 가져오고 로컬 모델을 통해 질문 및 답변 검색을 수행합니다. 온라인 ChatGPT 스타일의 질문과 답변과 비교할 때 데이터를 제3자 서버에 업로드할 필요가 없으며 매우 긴 교과서의 장간 연결을 처리할 수 있다는 장점이 있습니다. 구현 팁: 스캔한 PDF 교육 자료가 많은 경우 전문 OCR 도구를 사용하여 검색 가능한 PDF로 변환한 다음 지식 베이스로 가져오는 것이 좋습니다. 순수 이미지 PDF의 OCR 효과(v1.2.4가 지원되더라도)는 전문 솔루션만큼 좋지 않을 수 있습니다.

  • 소규모 팀을 위한 내부 지식 베이스 및 공유 모델: AingDesk 서버를 배포한 후 팀은 내부 문서(제품 매뉴얼, 기술 사양, FAQ)를 공유 지식 베이스로 구축하고 구성원이 공유 링크를 통해 동일한 모델을 호출할 수 있습니다. 5~20명으로 구성된 소규모 팀, 특히 원격 팀에 통합 지식 센터가 필요한 시나리오에 적합합니다. 구현 팁: 외부 네트워크 공유를 달성하려면 서버 배포가 공용 네트워크에 노출되어야 합니다. Docker 포트를 직접 노출하는 대신 역방향 프록시 및 ID 인증을 사용하는 것이 좋습니다.

  • AI 애플리케이션 프로토타입의 빠른 검증: 개발자는 AingDesk의 MCP 클라이언트 및 에이전트 모듈을 사용하여 "모델 + 도구 + 지식" 프로토타입 애플리케이션을 신속하게 구축하고 정식 개발을 진행하기 전에 제품 개념을 테스트할 수 있습니다. 예를 들어 "주문 쿼리" 에이전트를 생성하고 주문 데이터베이스의 MCP 도구와 제품 매뉴얼 지식 기반을 결합하면 몇 분 안에 대화형 데모를 볼 수 있습니다. 구현 팁: 프로토타입 단계에서 AingDesk를 사용하면 검증 주기를 크게 단축할 수 있지만 정식 생산의 경우에는 여전히 보다 제어 가능한 개발 및 배포 솔루션이 필요합니다.

시나리오에 적합하지 않음: AingDesk는 대규모 동시 추론이 필요한 서비스 시나리오(예: 공개 AI 고객 서비스, 일일 수만 명의 사용자가 있는 애플리케이션)에는 적합하지 않습니다. 로컬 클라이언트에는 제한된 컴퓨팅 성능과 동시성 기능이 있습니다. 모델 출력 형식에 대한 강력한 제어가 필요한 시나리오(예: 구조화된 JSON 강박적 개발)에는 적합하지 않습니다. AingDesk 모델 라우팅 계층은 세분화된 출력 제약 조건 구성을 지원하지 않습니다. 다중 모드 기능(예: 비디오 이해, 오디오 생성)이 필요한 작업에는 적합하지 않으며 기능 범위는 텍스트 및 이미지 이해 내에 있습니다.

해당자

AingDesk는 "제로 구성 + 전체 기능"이라는 설계 철학을 통해 CLI 도구 및 순수 API 집계 클라이언트에서 무시되는 사용자 그룹의 일부를 다룹니다.

  • AI 초보자 및 개인 사용자: Docker, 명령줄 또는 GPU 구성을 알 필요가 없으며 다운로드하여 설치하기만 하면 됩니다. AingDesk에 내장된 모델 관리자와 지식 기반 기능은 진입 장벽을 거의 0으로 만듭니다. 부적합한 경계: 사용자가 간헐적인 채팅에만 AI를 사용하고 데이터 개인 정보 보호에 민감하지 않은 경우 무료 온라인 AI 서비스(예: DeepSeek 웹 버전, Doubao)는 사용 임계값이 더 낮으며 설치 및 구성이 필요하지 않습니다.

  • 오픈 소스 및 자체 호스팅 매니아: AingDesk의 기본 우선 아키텍처와 MIT 라이선스는 데이터 주권 및 개인 정보 보호를 추구하는 기술 사용자에게 완전히 제어 가능한 AI 환경을 제공합니다. 자유롭게 코드를 수정하고, 네트워크 요청을 감사하고, 오프라인으로 실행할 수 있습니다. 전제 조건: 7B 레벨 모델을 실행하려면 기본 Git 및 Node.js 작동 기능과 최소 8GB 메모리가 있는 컴퓨터가 필요합니다.

  • 소규모 팀 및 기술 기업가: 팀이 AI 모델과 지식 기반을 공유해야 하지만 예산이 제한되어 있는 시나리오에서 AingDesk의 서버 측 배포는 비용이 전혀 들지 않는 출발점이 됩니다. 먼저 이를 내부 도구로 사용하여 비즈니스 프로세스를 확인한 다음 맞춤형 솔루션 개발에 리소스를 투자할지 여부를 결정할 수 있습니다. 구현 팁: 20명 이상의 팀이나 안정성 요구 사항이 더 높은 시나리오의 경우 권한 관리, 고가용성, 운영 및 유지 관리 모니터링이 더 성숙한 전문 지식 기반 솔루션(예: Dify, FastGPT)의 상용 버전을 평가하는 것이 좋습니다.

  • 학생 및 연구원: 현지화된 Q&A를 위해 교과서, 논문, 실험 보고서를 지식 기반으로 가져옵니다. 특히 오프라인 환경(예: 인터넷이 없는 실험실 인트라넷)에서 문헌 검토 및 지식 정리에 적합합니다. 경계에 적합하지 않음: 정확한 페이지 번호와 원본 텍스트 단락을 인용해야 하는 학술 저술의 경우 지식 베이스의 조각 검색에 문맥 잘림 문제가 있을 수 있습니다. 검증을 위해 원본 텍스트로 돌아가기 위한 단서로 지식 베이스 출력을 사용하는 것이 좋습니다.

요약: AingDesk에 적합하지 않은 사람은 누구인가요? 모델 성능에 대한 극단적인 요구 사항(70B+ 모델에는 고급 하드웨어 필요)이 있는 사용자, 엔터프라이즈 수준의 권한 관리 및 감사 로그가 필요한 조직, "어떤 구성 없이 즉시 사용 가능"을 원하는 순수 대화형 사용자는 다른 옵션을 고려해야 합니다.

요약 및 전망

AingDesk는 "AI의 로컬 배포에 대한 임계값을 낮추기" 위해 상당한 엔지니어링 노력을 기울였습니다. 이는 또 다른 API 집계 셸이 아니지만 모델 관리, 지식 기반 RAG, MCP 도구 호출 및 에이전트 오케스트레이션을 데스크탑에서 독립적으로 실행할 수 있고 완전히 오픈 소스이며 무료인 완전한 제품으로 통합합니다.

현재 핵심 장점: 중국의 동일한 유형의 데스크톱 클라이언트에서는 구성이 필요 없는 모델 배포 경험이 거의 없습니다. MCP 클라이언트 및 에이전트 기능의 도입으로 "채팅 도구"에서 "도구 체인 플랫폼"으로 전환할 수 있는 가능성이 생겼습니다. 지식 베이스의 현지화된 RAG 파이프라인은 중국어 문서에서 사용할 수 있으며 데이터는 사용자가 완전히 제어합니다. MIT 라이센스는 상업적 사용에 대한 법적 문제를 제거합니다.

현재 주요 제한 사항: 커뮤니티는 여전히 규모가 작으며(핵심 기여자 2명) v1.2.4 릴리스 이후 기능 반복 및 문제 응답 속도가 느려지는 조짐을 보입니다. Electron 아키텍처로 인한 메모리 사용량 및 설치 패키지 크기는 유사한 제품 중에서 상대적으로 높습니다. 지식 베이스의 검색 정확도와 임베딩 모델의 선택 범위는 제한되어 있으며 전문 RAG 플랫폼(예: Dify, FastGPT)의 고급 기능(다중 호출, RBAC 재정렬)과 비교할 수 없습니다. 엔터프라이즈급 배포 운영 및 유지 관리 도구(모니터링, 로깅, 백업)와 상용 지원이 부족합니다.

후속 관찰 포인트: 프로젝트가 v1.2.4 이후 주요 업데이트를 시작할지 여부(공식 로드맵은 공개되지 않음) 커뮤니티 기여자 생태계가 2명에서 더 많은 외부 기여자로 확장될 수 있는지 여부 장기적으로 지속 가능한 유지 관리를 지원하기 위한 상업적 탐색(예: 엔터프라이즈 버전 구독, 호스팅 서비스)이 있는지 여부 그리고 MCP 생태계의 급속한 발전 상황에서 AingDesk가 프로토콜 업데이트의 호환성 적응에 대한 후속 조치를 계속할 수 있는지 여부입니다.

획득 및 채택 위험 평가: 개인 사용자와 5~20명으로 구성된 소규모 팀의 경우 AingDesk의 비용이 전혀 들지 않고 고정되지 않는 특성으로 인해 사실상 채택 위험이 없으므로 온프레미스 AI 워크벤치의 기본 선택으로 사용할 가치가 있습니다. 그러나 규정 준수 요구 사항이 엄격한 기업의 경우 MIT 라이센스에는 어떠한 보증도 제공되지 않으며 프로젝트는 SOC2/GDPR과 같은 규정 준수 인증을 제공하지 않습니다. AingDesk를 사용하여 민감한 비즈니스 데이터를 처리하는 경우 기업은 데이터 유출 위험을 평가하고 자체적으로 백업 및 복구 메커니즘을 구축해야 합니다. 중요한 비즈니스 시나리오의 경우 AingDesk 외부에서 상업적으로 지원되는 대안 세트를 중복성으로 유지하는 것이 좋습니다.

관련 도구: deepseek, chatgpt

버전 정보

  • 아잉데스크 v1.2.4 ：Qwen3 모델 지원 추가, 검색 엔진 결과 분석 최적화, 순수 이미지 PDF에 대한 OCR 지원 추가, MCP 도구 호출 결과 분석 개선.
  • 아잉데스크 v1.2.3 ：OpenAI GPT-O3 호환성을 수정하고, 타사 임베딩 모델 생성 지식 기반 오류를 수정하고, 모델 선택기를 최적화했습니다.
  • 아잉데스크 v1.2.2 ：Windows 자동 업데이트 메커니즘을 추가하고 지식 베이스/에이전트/도구 연결 호출 문제를 수정했습니다.
  • 아잉데스크 v1.2.1 ：MCP 클라이언트 기능 추가(설정에서 MCP 서버 구성 및 대화 상자에서 도구 선택 지원) 및 최적화된 모델 선택기.
  • 아잉데스크 v1.2.0 ：기본 문서 차단 효과를 최적화하고, 지식 베이스에서 전체 텍스트 검색의 정확성을 높이고, 불완전한 다중 구분 기호 차단 문제를 해결합니다.
  • 아잉데스크 v1.1.5 ：새로운 지능형 에이전트 기능 모듈을 추가하고 VL이 아닌 모델에 대한 이미지 첨부 처리 시 오류 보고 문제를 수정했습니다.

사용자 후기

  • 후기를 불러오는 중...