👉 这是一个或许对你有用的社群
🐱 一对一交流/面试小册/简历优化/求职解惑，欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料：
👉这是一个或许对你有用的开源项目
国产Star破10w的开源项目，前端包括管理后台、微信小程序，后端支持单体、微服务架构
RBAC权限、数据权限、SaaS多租户、商城、支付、工作流、大屏报表、ERP、CRM、WMS、MES、HRM、AI大模型、IoT物联网、IM聊天等功能：
- 多模块：https://gitee.com/zhijiantianya/ruoyi-vue-pro
- 微服务：https://gitee.com/zhijiantianya/yudao-cloud
- 视频教程：https://doc.iocoder.cn
【国内首批】支持 JDK25 + SpringBoot4、JDK17/21+SpringBoot3、JDK8/11+Spring Boot2三版本 QUOTE
把多种 AI 工具放回自己的机器，odysseus值得拆开看。
2026 年 5 月 31 号，GitHub 上多了一个叫 odysseus 的仓库。五天后，它拿到了五万多个 Star。这个增速放在整个开源圈都少见，值得认真看看它到底是什么东西。
它不生产模型、不训练模型、不微调模型。它是一个工作台，把 ChatGPT 那种对话体验搬到你自己的机器上，数据不出门，不经过任何第三方服务器。
作者是 PewDiePie。他在 README 里写得很直白，这东西想做的是自托管版的 ChatGPT 和 Claude 界面体验，只是会多些瑕疵。
现在的仓库地址已经迁到 odysseus-dev/odysseus，Star 八万七千多，默认分支是 dev，许可证是 AGPL-3.0-or-later。这一点后面还会提到，因为它直接影响你能怎么分发。
— odysseus-dev/odysseus 仓库首页，Star 87.6k
它底下接了三套正经的开源基础设施。Agent 能力跑在 opencode 上，Cookbook 的硬件扫描和模型推荐跑在 llmfit 上，Deep Research 模块脱胎于阿里通义的 DeepResearch 项目。这三样拼在一起，形成了一个我在别处没见过的组合。
— 应用的首屏与左侧导航
ruoyi-vue-pro
基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能
项目地址：https://github.com/YunaiV/ruoyi-vue-pro
视频教程：https://doc.iocoder.cn/video/
Cookbook 是这个项目里我最想先讲的部分，因为它解决的是一整套最劝退人的流程。
打开它，第一步是扫你的硬件，CPU 型号、内存、VRAM 大小、GPU 支不支持 CUDA，全扫一遍。扫完之后，它从 270 多个模型里筛出能在你这台机器上跑的那一批，按适配度排序。点一个，自动下载，自动启动推理服务，接着在 Settings 里加一个 endpoint 就能用。
以前想跑个本地模型是什么流程呢。先去 HuggingFace 翻 GGUF 文件，再弄清楚 Q4_K_M 和 Q5_K_M 差在哪，然后配 llama.cpp 的参数，调半天还不一定跑得起来。Cookbook 把这堆操作压成了一个按钮。
也不是没有代价。它依赖 tmux 做后台下载，Windows 上得额外装 Git for Windows 才能用。macOS 上 vLLM 和 SGLang 完全跑不了，只能用 llama.cpp 和 Ollama。这些限制官方文档里都写了，不算暗坑，但装之前得知道。
yudao-cloud
基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能
项目地址：https://github.com/YunaiV/yudao-cloud
视频教程：https://doc.iocoder.cn/video/
Chat 是最基础的一个，标准对话式界面，跟 ChatGPT 和 Claude 的网页版长得差不多。后端支持 vLLM、llama.cpp、Ollama、OpenRouter、OpenAI 和 GitHub Copilot，想用哪个加哪个，切换很方便。
— Chat 与 Agent 界面，左侧对话列表右侧聊天窗口
Agent 是能力最强也最需要小心的一块。它基于 opencode，能调 MCP 工具、读写文件、执行 shell 命令、上网搜索，还有持久记忆。你给它一个任务，比如把 Downloads 里所有 PDF 转成 Markdown 再按日期分类，它会自己规划步骤然后干活。
风险也在这里。开了 shell 权限之后，理论上存在被注入恶意命令的可能。官方文档写得很清楚，非管理员默认不给 shell 权限，部署时不要把端口暴露到公网。把能跑 shell 的 Agent 当玩具随便部署，早晚要出事。
Deep Research 负责联网做研究。输入一个问题，它自己去搜资料、读网页、做摘要，最后生成一份结构化报告，界面上能看到它一步步打开网页、提取信息、组织内容。作者拿一个问题实测了一轮，大概八分钟，翻了十几个网页，输出了一份带小标题的报告。质量中规中矩，但确实省了自己开网页的时间。
— Deep Research 的研究步骤与来源面板
Compare 做的是模型盲测。输入一个 prompt，选两个模型同时发过去，结果并排展示，但你看不到哪个结果是哪个模型出的。自己判断完，点 reveal 才揭晓。这个设计把品牌偏见直接干掉了，很多时候所谓的「大模型排名」在具体任务上根本不成立。
— Compare 的两栏盲测输出
文档编辑器支持 Markdown 和 HTML，带语法高亮。AI 能帮你改写、提建议，但不替你从头写。作者在 README 里的原话是，文字你自己写，AI 是来帮忙的。
— 文档编辑器的语法高亮与 AI 辅助
笔记与任务这块，快速笔记带提醒，有待办清单，还能设定时任务让 Agent 自动执行。通知渠道支持 ntfy、浏览器和邮件三种。
— 笔记与任务界面
邮件和日历是最后一块。邮件走 IMAP 和 SMTP，AI 会自动分类、做摘要、草拟回复，还能识别垃圾邮件。日历走 CalDAV 协议，能同步 Radicale、Nextcloud、Apple Calendar、Fastmail 这些服务，Agent 可以直接读写你的日程。
官方把这些之外的零碎功能归在一个 Extras 分组里，包含图库与图片编辑、主题、文件上传、网页搜索、预设、会话管理和两步验证。它们的共同点是平时想不起来，真要用的时候不希望没有。
实话实说，这一套是作者自己用得最少的，跟做得好不好没关系，大部分人早就有了用惯的工具。这个项目的野心是让你不需要别的工具，如果你正好在搭一个完全离线的个人工作环境，一个 docker compose 能把七八个应用全起来，那确实省事。
作者的实测环境是 Ubuntu 22.04，用 Docker 部署。官方 Quick Start 是四条命令。
git clone https://github.com/odysseus-dev/odysseus.git
cd odysseus
cp .env.example .env
docker compose up -d --build
容器起来之后打开 http://localhost:7000。首个管理员密码不是在界面上设的，是打命令从日志里取出来的。
docker compose logs odysseus
拿到密码用 admin 登录，改掉密码，再进 Settings 配置模型。从 clone 到第一次对话不到十分钟，在自托管项目里算顶级体验，比 Open WebUI 的初始配置还简单，因为模型下载和配置那部分被 Cookbook 包掉了。
没 GPU 也能用。接上 OpenAI 或者 OpenRouter 的 API key，Chat 和 Agent 照常跑，只是 Cookbook 的本地模型推荐对你没什么意义。
有两个平台差异要提前知道。macOS 上 Docker 用不了 Metal GPU 加速，官方给了 start-macos.sh 脚本让你原生跑，但即便如此 vLLM 和 SGLang 也不支持 macOS，只能用 llama.cpp 和 Ollama。Windows 那边有 launch-windows.ps1，另外 Cookbook 的完整功能依赖 Git for Windows 提供的 bash.exe。
还有一条容易忽略的。默认分支是 dev，也就是说你 clone 下来的不是最稳的那份代码，想要更克制的版本得显式切到 main。做生产部署的话，这个选择值得先想一下。
作者在自己视频里展示的是一台两万美元的多 GPU 机器，跑 Llama 3.1 70B 跟喝水一样简单。这不是普通人的配置。
常见一点的情况是这样。一张 3060 12GB 跑 8B 模型没问题，13B 模型要 4-bit 量化才能勉强跑起来。没有独显的笔记本，接 API 是唯一实用的选择。
这不是这个项目的问题，是大模型推理本身的限制。官方 README 里写得很清楚，应用本身很轻量，重的是本地模型服务那部分，取决于模型、运行时、GPU 和上下文长度。
作者自己承认，这个项目的代码绝大部分是 AI 生成的。他对着 Claude 和 GPT-4 描述想要什么功能，把代码贴进去，跑一下看效果，不行继续让 AI 改，很多代码还是在手机上写完的。
— Star 随时间的增长曲线
结果是一个功能完整的 AI 工作台，加上六百多个社区 PR。社区的反应非常两极。一边觉得，一个没受过正规编程训练的人靠 AI 辅助做出了正经能用的产品。另一边觉得，代码质量堪忧，安全性打了折扣，作者的粉丝可能不了解风险就装上跑。
作者翻了几眼源码，两边说的都有道理。确实有些地方写得随意，异常处理不完整，模块耦合有点紧。但这也不是我见过最差的代码，说句实话，手写项目里不如这个的大把。社区进来之后重构速度很快，第一波 PR 就有人在整理架构、加测试、修安全漏洞。
项目采用 AGPL-3.0-or-later 。它对再分发的要求需要单独核对；如果你打算把它集成进自己的产品对外提供服务，先把许可证读完再动手。
它不是一个完美的项目。代码有粗糙的地方，安全需要自己多加小心，部分功能处于能用但别太依赖的状态。
但它做了一件挺重要的事，把 AI 工作台从云端搬到本地，而且门槛低到普通用户能接受。Cookbook 单拎出来都值得一个独立项目，Agent、Deep Research、Compare 这些模块的整合方式，说明作者对「用户到底需要什么 AI 工具」是想过的。
Vibe Coding 这件事我的态度比较简单，代码是手段，产品是目的。粗糙可以打磨，现象级产品的第一版通常也都是能用就行。
选不选它看你的机器和你的洁癖。有好 GPU、对数据隐私有要求、想把对话体验装在自己电脑上，值得装一个。轻薄本想跑本地模型就先算了，接 API 用 Chat 模式已经够。
仓库地址是 https://github.com/odysseus-dev/odysseus
欢迎加入我的知识星球，全面提升技术能力。
👉 加入方式，“长按”或“扫描”下方二维码噢：
星球的内容包括：项目实战、面试招聘、源码解析、学习路线。
文章有帮助的话，在看，转发吧。
谢谢支持哟 (*^__^*）
