App LibreChat 自托管的多模型AI对话与智能体平台

很多团队想用上 GPT、Claude、DeepSeek 这些模型，但又不愿把对话内容、内部知识一股脑交给各家官网：数据出境、密钥散落、功能被阉割，还随时可能改价或封号。更麻烦的是，员工各自用各自的网页版，企业既没法统一审计，也没法把私有模型和数据管道接进去。LibreChat 的思路很直接——把多模型对话、智能体、MCP、技能这些能力，做成一套可以自己部署的开源平台，密钥收口在后端，数据留在你控制的服务器上，前端界面随你用。

LibreChat 是 Enhanced ChatGPT Clone 的进化版，在原有对话基础上叠加了 Agents、MCP、Skills、多模型路由与团队协作。项目采用 MIT 协议，TypeScript 编写，最近更新在 2026 年 10 月 26 日，GitHub 星数已超过 4.6 万，是开源 AI 聊天门户里部署量最大的项目之一，也被不少企业当作内部 AI 入口的底座。

项目基本信息

一、项目介绍

LibreChat 把主流大模型统一到一个界面之下：OpenAI、Anthropic、DeepSeek、Gemini、Azure、Groq、o1 等都能接，用户在前端切换模型而不必关心后端密钥。它不只是聊天框，还提供 Agent 管理、子代理（subagents）委派、Agent Plugins 把技能与 MCP 服务器打包成启动即加载的组件，以及附带代码工作区让智能体检视、搜索、编辑和运行命令，真正能跑真实任务。

部署上它走生产级路线：从单机到用 Redis 横向扩展都支持，官方 Docker Compose 栈一条命令起服务，配置代理、反代、S3+CloudFront 媒体存储都有文档。多标签、多设备同步也让它更接近一个真正可用的产品，而不是玩具 Demo，足以支撑团队日常使用。

二、核心优势

第一，多模型归一。一个界面切遍各家模型，密钥只在后端，前端员工只看到统一入口。第二，数据可控。自托管意味着对话与文件留在你自己的环境，满足合规要求。第三，能力完整。Agents、MCP、Skills、代码工作区一应俱全，能跑真实任务。第四，生产就绪。Redis 扩展、权限分组、实时配置，适合团队长期使用。第五，协议宽松。MIT 下可商用、可改造，没有 copyleft 负担。

三、适用场景

适合想把多家模型能力收口到内部、又不愿数据出域的团队：做企业 AI 门户、给员工提供统一对话入口、在隔离内网跑带工具的智能体。对个人，它也是把订阅散装模型整合起来的干净方案。配合反向代理加一层口令，就能变成一个安全的团队 AI 入口，既方便对比评测，又避免密钥散落。

四、安装教程

最省事的是官方 Docker Compose 栈：

git clone https://github.com/LibreChat-AI/LibreChat.git
cd LibreChat
cp .env.example .env
docker compose up -d

启动后访问对应端口即可。你需要先在 .env 里填好各模型的 API Key 与基础 URL；若用 S3 存媒体，按文档配置 CloudFront。常见报错多为环境变量缺失或端口冲突，对照官方部署文档逐项检查即可，部署本身并不复杂。

五、使用示例

配置好模型后，在界面里新建一个 Agent，并挂上 MCP 服务器：

创建一个 Agent：读取 /data/sales 的 CSV，用 Python 分析季度趋势，
把图表和结论写回工作区。

LibreChat 会在带代码的 workspace 里让智能体检视文件、执行脚本、生成图表并回写结果。真实输入是自然语言任务，输出是可审查的文件与对话记录，过程留在你自己的服务器，企业可据此做访问审计与权限治理。

六、常见问题

问：必须自托管吗？自托管是核心卖点，也有官方托管版。问：密钥安全吗？只在后端环境变量，前端不接触。问：能接本地模型吗？可通过兼容 OpenAI 的端点接入。问：和单纯聊天工具有什么不同？它带 Agents、MCP 与工作区，能真正执行任务。问：扩展难吗？官方栈已含一键部署，插件生态也在成长。

七、总结

LibreChat 把「多模型对话+智能体+MCP」收敛成一个可自托管、生产级的开源平台。对想收回数据控制权、又想要现代 AI 门户体验的团队，这套 MIT 协议项目值得部署，让模型能力真正留在自己手里，而不是被锁进某家官网。