企业官网建设流程全解析

DeepChat 本地优先 AI Agent 桌面客户端完全指南：Tape 会话体系、Skills、ACP 与远程控制实战

【免费下载链接】deepchat🐬DeepChat - A smart assistant that connects powerful AI to your personal world项目地址: https://gitcode.com/GitHub_Trending/dee/deepchat

DeepChat 是一款开源的本地优先（local-first）AI Agent 桌面客户端，将模型、工具、Skills、Agent 运行时、Tape 会话记录与长时间运行会话统一收敛到单一桌面应用中。本文基于官方日文版文档，结合仓库源码，系统讲解其 Tape/Trace 会话架构、可携带 Skills、ACP 原生集成、IM 远程控制等核心能力，并给出从安装、配置模型到本地开发与多平台构建的完整实战路径。读完本文，你将掌握如何安装部署 DeepChat、接入云端与本地模型、按会话启用 Skills，以及如何把它接入 Telegram、飞书、Discord 等消息渠道远程驱动。

项目定位与技术架构概览

DeepChat 的核心定位是本地优先的 Agent 桌面客户端：无论是接入 OpenAI、Gemini、Anthropic 等云端 API，还是连接本地部署的 Ollama 模型，都在同一个应用内完成，保持流畅一致的使用体验。

其会话与 Agent 进程设计遵循 Tape.systems 哲学——"保留过程"（keep the process）：上下文、工具调用、请求与结果都保持可恢复（recoverable）、可追踪（traceable）、可检查（inspectable）。在此基础上，DeepChat 提供完善的 MCP（Model Context Protocol）支持、可安装的 Skills、ACP（Agent Client Protocol）Agent 集成，以及来自 Telegram、飞书/Lark、QQBot、Discord、微信 iLink 等 IM 工具的远程控制能力。

从代码结构看，这是一个标准的 Electron 三进程应用（详见 CONTRIBUTING.md）：

• 主进程（src/main/）：承担窗口/标签管理、配置、模型提供商、MCP、知识库、同步等运行时编排与持久化；会话数据存放在 SQLite（app_db/chat.db），设置存放在 Electron Store，知识库使用 DuckDB。
• 预加载层（src/preload/）：上下文隔离的桥接层，对外暴露类型化的window.deepchatAPI。
• 渲染进程（src/renderer/）：基于 Vue 3 + Pinia 的界面层，业务代码位于src/renderer/src（组件、stores、视图、i18n）。

这种"数据交互与 UI 行为分离"的架构，使模型提供商、MCP 服务高度解耦，便于以最小成本定制扩展。

为什么选择 DeepChat：核心优势

与其他 AI 工具相比，DeepChat 的差异化优势可以归纳为以下几点：

• 本地优先的 Agent 桌面客户端：DeepChat Agent、ACP Agent、支持远程控制的 Bot 可以同时运行在同一个本地应用中。
• Tape.systems 哲学：保留可恢复的会话历史；当 Agent 工作变复杂时，可以检查请求上下文与 token 预算。
• 可携带的 Skills：按会话安装、导入、导出、启用 Skills，覆盖代码审查、文档、前端、Office/PDF 等任务。
• 原生 ACP 集成：把 ACP 兼容的编码/任务 Agent 作为"模型"同级的入口来使用。
• 出色的 MCP 支持：支持 Resources、Prompts、Tools 三大核心，支持多种 Transport、inMemory 服务与一键安装。
• 远程就绪的工作流：从 Telegram、飞书/Lark、QQBot、Discord、微信 iLink 操作 DeepChat 会话。
• 统一的多模型管理：主流云端 LLM 与本地 Ollama 模型在单一应用中统一管理，无需在多个应用间切换。
• 隐私优先：本地数据存储与网络代理支持，降低信息泄露风险。
• 商业友好：基于 Apache License 2.0 开源，适合商业与个人使用。

核心功能全景

本地优先的 Agent 桌面客户端

• 在接近"模型选择"的统一入口中选择 DeepChat、ACP 与支持远程的 Agent；
• 支持带项目文件夹、权限模式、工具输出与可恢复上下文的长时运行会话。

Tape 与 Trace

• Session Tape 记录结构化的作业历史，为恢复、续跑与未来的 Agent memory 流程提供支撑；
• Trace 预览可查看请求序号、提供商/模型元信息、Tape view manifest、包含的条目与 token 预算。

Skills

• 支持从文件夹、ZIP 文件、URL 安装 Skills；
• 按会话启用 Skills，让 DeepChat 加载任务专属指令、参考资料与可选脚本；
• 可与 Claude Code、Codex、Cursor、Windsurf、GitHub Copilot 等兼容工具互相导入/导出；
• 内置 Skills 覆盖生成艺术、代码审查、DeepChat 设置、文档协作、DOCX、前端设计、git commit 消息、信息图语法、MCP 构建、PDF、PPTX、Skill 创建、Web Artifacts、XLSX 等工作流。

ACP（Agent Client Protocol）Agent 集成

• 将 ACP 兼容 Agent（内置或自定义命令）作为可选择的"模型"运行；
• 当 Agent 提供时，通过 ACP Workspace UI 展示结构化计划、工具调用与终端输出。

远程控制

• 从 Telegram、飞书/Lark、QQBot、Discord、微信 iLink 操作 DeepChat 会话；
• 支持将远程端点绑定到会话，远程切换模型、回答待处理交互、停止运行、在桌面打开会话。

丰富的聊天能力

• 基于 CodeMirror 的完整 Markdown 渲染（含代码块渲染）；
• 多窗口 + 多标签架构，支持跨维度多会话并行，像用浏览器一样使用大模型；
• 支持 Artifacts 渲染多种结果展示；
• 消息支持重试生成多个变体，对话可自由分叉（fork）；
• 支持图片、Mermaid 图表等多模态内容渲染，支持 GPT-4o、Gemini、Grok 的文本生图能力；
• 支持在内容中高亮搜索结果等外部信息来源。

搜索增强能力

• 内置博查搜索、Brave Search 等主流搜索 API，让模型智能判断搜索时机；
• 通过模拟用户网页浏览，支持 Google、Bing、Baidu、搜狗公众号搜索等主流搜索引擎；
• 支持读取任意搜索引擎：只需配置搜索助手模型，即可把内网、无 API 的引擎、垂直领域搜索引擎接入为模型的信息源。

MCP 支持

• 完整支持 Resources / Prompts / Tools 三大核心；
• 支持 StreamableHTTP、SSE、Stdio 等 Transport；
• 内置 Node.js 工具链（按需从设置安装），npx/node 系服务开箱即用；
• 支持代码执行、Web 信息获取、文件操作等 inMemory 服务；
• 清晰展示工具调用、参数与返回值，便于调试；
• 通过 DeepLink 支持 MCP 服务一键安装。更深入的主进程 MCP 实现可参阅 docs/architecture/mcp-v2-protocol/spec.md。

其他能力

• 多平台支持：Windows、macOS、Linux；
• 本地模型部署：集成 Ollama 的完整管理能力，无需命令行即可控制、管理 Ollama 模型的下载、部署与运行；
• DeepLink 支持：通过链接发起会话、与其他应用无缝集成，也支持 MCP 服务一键安装；
• 安全优先设计：聊天数据与配置数据预留加密接口与代码混淆能力；
• 隐私保护：支持屏幕投影隐藏、网络代理等方式降低信息泄露风险；
• 商业友好：清晰代码结构、模型提供商与 MCP 服务高度解耦、架构合理，拒绝简单 Web 套壳，充分利用 Electron 能力。

深入 Tape 与 Trace：可恢复的会话事实存储

Tape 是 DeepChat 最具辨识度的架构特性。仓库中的 docs/architecture/tape-system.md 详细规定了其设计：Tape 是与 Session 同寿命的append-only fact store（只追加的事实存储），在同一物理条目序列中承载三族语义隔离的事实：

• Context Tape：保存可回放的消息事实、anchor、ViewManifest、provider attempt 与 Subagent lineage，服务于上下文组装、召回、回放与审计；
• Execution Journal：保存 Run、工具副作用与终态的原生边界事实，服务于失败分类与崩溃后对账；
• Contract lineage：保存冻结的任务语义与验收裁决，服务于实时委派（live delegation）的约束、交接、评价与审计。

Tape 条目只能追加：更正、压缩与交接都通过新 fact/anchor 表达，不原地改写旧 entry；anchor 改变后续读取起点或重建状态，但不删除被覆盖的历史。这保证任何时刻都能回溯完整作业轨迹。

在 Trace 预览中，你可以看到请求序号、提供商/模型元信息、Tape view manifest、包含/排除的上下文条目与 token 预算——这正是长时 Agent 会话易于调试与续跑的原因。模型只可调用tape_search与tape_context两个工具（tape_info、tape_anchors为诊断用途），且这五个名称均为 reserved，MCP 不能 shadow，持久化 disabled-tool 配置也不能关闭这一 system capability。

关键实现与测试路径：

• 领域纯逻辑：src/main/tape/domain/
• 应用服务与SessionTape兼容 facade：src/main/tape/application/
• 存储实现（entry store、search projection、lifecycle adapter）：src/main/tape/infrastructure/sqlite/
• 运行时组装与策略：src/main/agent/deepchat/runtime/tapeViewAssembler.ts、tapeViewPolicy.ts
• 行为测试：test/main/session/data/tape*.test.ts、test/main/tape/layerBoundaries.test.ts

Skills：可携带的领域能力

DeepChat Skills 按标准Agent Skills 规范兼容设计：一个 Skill 可包含任务指令、参考资料、资产与可选脚本，启用后 DeepChat 会像该领域的专家助手一样工作。

快速上手三步：

1. 打开设置 → Skills；
2. 安装或导入 Skill（支持文件夹、ZIP 文件、URL 三种来源）；
3. 在需要的会话中启用该 Skill。

Skills 可与 Claude Code、Codex、Cursor、Windsurf、GitHub Copilot、Kiro、Antigravity、OpenCode、Goose、Kilo Code 等兼容工具互相导入/导出，因此可以在不同工具之间"随身携带"你的领域能力。

从源码看，Skills 的实现采用**渐进披露（progressive disclosure）**三层设计（详见 docs/architecture/skill-progressive-disclosure/spec.md）：Route（系统提示中的有界路由目录）→ Discover（通过skill_list的有界本地搜索与游标分页）→ Activate（按激活作用域投影的有效内容构建器，并由 Tape fact 背书）。这种设计让已安装的 Skills 始终可发现，又不会让每次首个请求都随完整目录膨胀而变慢。相关主进程代码位于 src/main/skill/（路由目录routingCatalog.ts、发现 workerdiscoveryWorker.ts、导入服务agentSkillImportService.ts、工具定义skillTools.ts等）。

ACP 集成：把外部 Agent 运行时变为一等公民

DeepChat 内建对Agent Client Protocol（ACP）的支持，可将外部 Agent 运行时原生集成到应用中。启用后，ACP Agent 会出现在模型选择器中，作为"模型"供选择，并可与 ACP Workspace UI 一起在 DeepChat 内使用编码/任务类 Agent。

快速上手三步：

1. 在设置 → ACP 代理（ACPエージェント）中启用 ACP；
2. 启用内置 ACP Agent，或添加 ACP 兼容命令；
3. 在模型选择器中选择该 ACP Agent 启动会话。

底层实现位于 src/main/agent/acp/，包含 Agent 仓库（acpAgentRepository.ts）、启动逻辑（launch/）、运行时（runtime/）、兼容层（compatibility/）与路由（routes.ts）。从架构文档看，ACP 兼容请求保留有界的 Route 元数据，但不会把本地完整 Skill 正文投射到 provider（ACP 绕过 DeepChat 的 materialization 与权威上下文准入路径，因此不会在 ACP 侧注入无 Tape authority 的可变本地指令）。

远程控制：从 IM 渠道驱动 DeepChat 会话

远程控制让你离开桌面时仍能继续同一会话。配置入口在设置 → Remote。支持 Telegram、飞书/Lark、QQBot、Discord、微信 iLink 五个渠道；从源码目录结构看，每个渠道在主进程 src/main/remote/channels/ 下有独立实现（telegram/、feishu/、qqbot/、discord/、weixinIlink/）。

远程端点可绑定到单个 DeepChat 会话，支持的操作包括：从远程聊天创建新会话、列出最近会话并切换、停止生成、在桌面打开当前会话、回答待处理的问题与权限请求、切换模型、查看运行状态。

主要命令：/start、/help、/pair、/new、/sessions、/use、/stop、/open、/pending、/model、/status。在命令路由实现 src/main/remote/conversation/commandRouter.ts 中还可以看到，处于待处理交互状态时仅允许start、help、status、open、pending五个命令（TELEGRAM_PENDING_ALLOWED_COMMANDS），其余操作需先处理完待办交互。

支持的模型提供商

DeepChat 支持大量云端 LLM 提供商与本地部署方案，包括：DeepSeek、OpenAI（含 Responses API）、Moonshot/Kimi、Grok、Gemini、Anthropic、Ollama、七牛云（Qiniu）、New API、智谱（Zhipu）、PPIO、MiniMax、Fireworks、AIHubMix、豆包（Doubao）、阿里云百炼（DashScope）、Groq、JieKou.AI、ZenMux、GitHub Models、LM Studio、腾讯混元（Hunyuan）、302.AI、Together、Poe、Vercel AI Gateway、OpenRouter、Azure OpenAI、TokenFlux、BurnCloud、CherryIn、ModelScope、AWS Bedrock、Voice.ai、Vertex AI、GitHub Copilot、小米（Xiaomi）、o3.fan、Novita AI、Astraflow、SiliconFlow、OrcaRouter、Synthorai 等。

关键兼容性声明：与 OpenAI/Gemini/Anthropic API 格式兼容的任何模型提供商都可以接入。这意味着你可以通过自定义端点或兼容网关，把内网部署、私有化模型与各类聚合平台统一接入同一套配置体系。模型提供商相关实现位于 src/main/provider/。

典型使用场景

• 日常助手：回答问题、提供建议、辅助写作；
• 开发辅助：代码生成、调试、技术问题排查；
• 学习工具：概念讲解、知识探索、学习引导；
• 内容创作：文案撰写、创意灵感、内容优化；
• 数据分析：数据解读、图表生成、报告撰写。

快速上手

下载与安装

DeepChat 提供三种安装途径：

方式一：GitHub Releases

从 GitHub Releases 页面下载对应系统的最新版本：

• Windows：.exe安装文件；
• macOS：.dmg安装文件；
• Linux：.AppImage或.deb安装文件。

方式二：官方网站

从官方网站的下载页获取安装包。

方式三：Homebrew（仅 macOS）

brew install --cask deepchat

配置模型

1. 启动 DeepChat 应用；
2. 点击设置图标；
3. 选择"模型提供商"标签页；
4. 添加 API Key，或配置本地 Ollama。

开始对话

1. 点击 "+" 按钮新建会话；
2. 选择要使用的模型；
3. 开始与 AI 助手对话。

开发指南

开发前请先阅读 CONTRIBUTING.md。从 package.json 可以看到，项目对工具链有明确版本约束：Node.js 需满足>=24.18.0 <25，pnpm 需满足>=10.34.5 <11，且通过preinstall钩子强制使用 pnpm。

克隆与安装依赖

git clone https://gitcode.com/GitHub_Trending/dee/deepchat cd deepchat pnpm install pnpm run installRuntime

若出现No module named 'distutils'错误，需要先安装 setuptools：

pip install setuptools

Windows 注意：非管理员用户需要开启"开发者模式"或使用管理员账户，才能创建符号链接/硬链接，否则 pnpm 操作会失败。

启动开发

pnpm run dev

项目还提供带调试能力的变体：pnpm run dev:inspect（附加调试端口 9229）、pnpm run dev:linux（Linux 下以--noSandbox启动）。

构建

# Windows pnpm run build:win # macOS pnpm run build:mac # Linux pnpm run build:linux # 指定架构打包 pnpm run build:win:x64 pnpm run build:win:arm64 pnpm run build:mac:x64 pnpm run build:mac:arm64 pnpm run build:linux:x64 pnpm run build:linux:arm64

构建链路本身包含类型检查（pnpm run typecheck，node + web 双目标）、electron-vite 构建与 CLI 构建（pnpm run build）。Windows 与 Linux 由 GitHub Action 自动打包；macOS 相关签名与打包流程可参阅 docs/release-flow.md 及维护者发布规范（pnpm run release:ff -- release/<version> --tag v<version>快进发布流程）。

测试与质量门禁

• 单元测试：pnpm run test（Vitest，test/main、test/renderer两套用例）；
• 渲染层测试：pnpm run test:renderer；
• 端到端测试：pnpm run e2e:smoke（Playwright，配置见 test/e2e/playwright.config.ts）；
• 格式与 lint：pnpm run format、pnpm run lint（oxfmt + oxlint）；
• 国际化校验：pnpm run i18n。

社区与贡献

DeepChat 是一个活跃的开源社区项目，欢迎以多种形式参与：报告问题、提交功能建议、提交代码改进、完善文档、参与翻译。完整的参与流程（fork 工作流、dev分支目标、PR 检查清单、代码风格规范）请查阅 CONTRIBUTING.md。

开源许可

DeepChat 基于Apache License 2.0开源（详见 LICENSE），适用于商业与个人使用场景。

【免费下载链接】deepchat🐬DeepChat - A smart assistant that connects powerful AI to your personal world项目地址: https://gitcode.com/GitHub_Trending/dee/deepchat