DeepChat
把多模型、工具、技能与可追踪会话整合进本地优先的桌面助手。
工作流将 GitHub 权限限制为 contents: read、禁用持久化凭据、固定 Action 提交，并区分无签名验证包与持证书发布包；产品还描述了会话级 Skill 启用、权限模式、待处理权限请求、Tape/Trace、工具参数及返回值检查，因此最小权限、确认和数据流可见性有实质但不完整的支持。扣分在于源码摘录未展示产品权限策略、确认默认值或远程端点鉴权细节；加密、混淆和隐私保护主要是 README 声明，未提供密钥存储或敏感数据生命周期实现。依赖安装使用 frozen lockfile、精确工具链版本、依赖覆盖和离线冒烟检查，但运行时及测试资产仍会联网下载，且所示代码没有校验下载散列；另有直接 CDN tarball 依赖。文件操作、代码执行、网页自动化和远程控制可能产生广泛外部影响，但确认、作用域限制与审计策略未充分说明。Tape 恢复、会话分叉、重试和停止提供一定恢复能力，但没有通用事务回滚。项目、许可证、贡献入口及上游致谢清楚，不过发布者身份未经企业注册验证，部分供应链归属和外部结果引用机制仍不完整。
README、package.json 与跨平台打包工作流在 Electron、Node/pnpm 版本、平台、插件、Ollama、ACP/MCP 和构建方式上大体一致，并包含类型检查、单元测试、端到端测试、插件验证及原生组件冒烟脚本。依赖使用 frozen lockfile、固定包管理器和平台专用验证，普通构建可获得较好支持；但多个运行时、测试应用和提供商依赖网络或第三方服务，所示材料未给出离线替代或镜像策略。工作流输入验证、缺失签名密钥报错、文件存在检查、超时及 MCP 错误消息较明确，但 README 对最终用户的模型、网络、权限和远程连接失败排障说明有限。
材料明确覆盖日常助理、开发、学习、内容创作和数据分析，并支持多云模型、本地 Ollama、MCP、ACP、可导入 Skill 和多种消息渠道，因此受众、场景及 Windows/macOS/Linux 环境适配证据充分。能力入口与部分边界可由会话级 Skill、模型选择器、项目目录、权限模式和远程命令识别，但文件、代码执行、浏览器控制及远程控制的安全边界没有完整定义。触发精度仅获薄弱分数，因为 README 表示模型会智能判断何时搜索，却未展示触发规则、误触发抑制、冲突处理或敏感动作门槛。
日文 README 有清晰目录、功能分区、快速开始、开发构建、贡献和许可证入口，信息架构完整；安装覆盖 Releases、官网、Homebrew、模型配置、精确 Node/pnpm 要求和各平台构建命令，并记录 Windows 符号链接及 distutils 常见问题。DeepChat 名称、组织、包版本和平台产物基本一致，但产品同时组合 Agent、ACP、MCP、Skills、插件和远程机器人，兼容面较大且稳定性承诺不明。材料有多个快速开始和命令示例，但没有系统化 FAQ。已知限制仅零散出现于平台构建及架构条件，没有集中列出权限、网络、模型差异或风险限制。完整 Apache-2.0 文本与元数据一致，故许可证满分。package.json 有 1.1.0 且 README 指向 Releases，但没有提供修订内 changelog 或兼容政策。ThinkInAIXYZ、Issue、PR 和贡献指南提供维护路径；发布者身份未知，且未指定个人维护责任、支持期限或安全联系渠道，因此不满分。
多窗口、多标签、Markdown、代码块、图像、Mermaid、Artifacts、Trace、工具调用展示、重试、分叉及远程命令说明了可直接使用的输出和工作流，输出可用性证据充分。将本地与云模型、ACP/MCP、Skills、Tape 和消息端远控统一在桌面端具有合理的边际价值，但多数优势来自功能陈述，缺少静态对比、用户研究或量化证据。Apache-2.0、本地模型、跨平台包和可替换提供商有助于成本控制；扣分在于没有说明 API、搜索服务、运行时下载、资源占用、远程渠道配置或维护成本，也没有静态证据验证“最小成本”和性能等宣传性主张。
关键平台、工具链、版本、构建和打包声明可在 package.json 与工作流中追踪，Tape、ACP、MCP、Skills 等核心定位也在多个部分一致出现。跨来源佐证达到普通水平：README 的跨平台与构建描述由脚本和 Linux/macOS 工作流支持，许可证由独立 LICENSE 文件支持；但只提供了少量实现和测试文件，无法逐项核对大量产品、安全与提供商声明。事实与推断分离较弱，README 将“行业最高水平”“优秀性能”“安全重视”“最小成本”等评价与可核实功能混写，且没有为这些比较或效果主张给出仓库内方法或证据。
- 这是仅基于所给文件的静态审查；未运行应用、测试、构建或依赖审计，不能确认运行时安全性与正确性。
- 在启用文件操作、代码执行、CUA、MCP、ACP 或消息端远程控制前，应核实权限默认值、逐次确认、作用域限制、鉴权、日志和撤销机制。
- API 密钥、远程机器人凭据和本地会话数据的存储、加密密钥管理、导出及删除流程未由所示实现证实。
- 运行时和测试资产存在联网下载路径，且所示下载代码未校验哈希；直接 CDN tarball 和供应链完整性应另行审计。
- README 的安全、性能、隐私和低成本表述部分属于宣传性主张，不应视为已经测试或独立验证。
这个 Agent 能做什么，适合哪些场景？
DeepChat 是运行于 Windows、macOS 和 Linux 的开源、本地优先 AI Agent 桌面客户端。它在一个 Electron 应用中整合云端模型、本地 Ollama、MCP 服务、可安装 Skills、ACP Agent 与远程消息渠道。会话采用 Tape.systems 思路保存上下文、工具调用、请求和结果，并通过 Trace 展示请求序列、模型元数据、条目筛选和 token 预算。用户可以在多窗口、多标签界面中进行对话、调用工具、处理项目目录、渲染 Markdown、代码、图片、Mermaid 和 Artifacts。它适合希望自行管理模型凭据和本地数据，同时需要多模型、长会话及远程控制能力的个人或团队。
用户先配置 OpenAI、Gemini、Anthropic 等兼容 API 的云端提供商，或连接本地 Ollama，然后在模型选择器中启动 DeepChat 或 ACP 会话。会话可读取项目文件夹，调用 MCP Resources、Prompts 和 Tools，并使用 StreamableHTTP、SSE、Stdio 或 inMemory 服务；内置服务覆盖代码执行、网页信息获取和文件操作。启用的 Skills 会向当前对话加载专项指令、参考文件、资产及可选脚本。运行过程写入 Session Tape，Trace 预览呈现请求序列、提供商与模型信息、Tape view manifest、纳入或排除的条目及 token 预算。最终结果显示为聊天消息、代码块、图片、Mermaid 图或 Artifacts，也可通过 Telegram、飞书/Lark、QQBot、Discord 和微信 iLink 管理绑定会话、切换模型、回答交互提示或停止生成。
- 同时使用云端模型和 Ollama 的个人用户，可在一个桌面客户端中管理提供商并并行处理多个会话。
- 需要长时间执行编码或任务流程的开发者，可借助项目文件夹、ACP Agent、工具调用视图、Tape 和 Trace 检查并恢复工作。
- 维护内部工具的团队，可通过 MCP 的 Resources、Prompts、Tools 以及多种传输方式把服务接入对话。
- 经常进行代码审查、文档、PDF、PPTX 或 XLSX 工作的用户，可按对话启用相应 Skill，并在兼容工具间导入或导出。
- 离开桌面后仍需管理任务的用户，可通过 Telegram、飞书/Lark、QQBot、Discord 或微信 iLink 查询状态、切换会话和停止运行。
这个 Agent 有哪些优点和局限？
- 同一桌面应用同时覆盖多家云端模型、OpenAI/Gemini/Anthropic API 格式兼容服务和本地 Ollama，减少在不同客户端间切换。
- Session Tape 与 Trace 不只保存聊天文本，还暴露请求序列、工具记录、模型元数据、条目选择和 token 预算，便于恢复和排查长任务。
- 同时提供 MCP、可安装 Skills 和原生 ACP Agent 入口，可分别扩展工具、任务知识和外部 Agent runtime。
- 远程渠道支持会话创建与切换、停止生成、处理待答问题或权限提示、模型切换及状态查询。
- 提供 Windows、macOS 和 Linux 安装包，并采用 Apache-2.0 许可证。
- 云端模型、搜索 API 和消息平台功能需要网络连接、相应凭据及第三方服务；本地使用则需要自行部署和管理 Ollama。
- 不同提供商、MCP 服务、Skills、ACP 命令和远程渠道各自需要配置，完整采用的运维与权限管理成本高于单一模型聊天客户端。
- 源码开发依赖 pnpm 和附加 runtime 安装；Windows 还可能要求开启 Developer Mode，macOS 签名与打包另有专门流程。
- README 只说明预留了数据加密接口和代码混淆能力，没有证明聊天数据默认已加密，因此高敏感场景需自行审计。
- Codex 与 Claude Code 的明确兼容范围是 Skills 的导入导出，并不等于 DeepChat 可作为这些产品内部的原生客户端运行。
如何安装或部署这个 Agent？
普通用户可从 GitHub Releases 下载 Windows 的 .exe、macOS 的 .dmg，或 Linux 的 .AppImage/.deb；也可从项目官网下载。macOS 可直接执行 brew install --cask deepchat。源码开发需先运行 pnpm install 和 pnpm run installRuntime；若出现 No module named 'distutils'，再运行 pip install setuptools，随后以 pnpm run dev 启动。Windows 非管理员用户还需开启 Developer Mode，以允许 pnpm 创建符号链接和硬链接。首次使用时打开 Settings → Model Providers，填写云端提供商 API key，或配置本地 Ollama。
如何使用这个 Agent？
启动 DeepChat，进入 Settings → Model Providers 添加 API key 或连接 Ollama。点击“+”新建对话，在模型选择器中选择模型后发送第一条消息。需要专项工作流时，在 Settings → Skills 从文件夹、ZIP 或 URL 安装 Skill，并在目标对话中启用。需要外部 Agent 时，在 Settings → ACP Agents 开启 ACP，启用内置 Agent 或填写自定义 ACP 兼容命令，再从模型选择器启动。需要工具接入时配置 MCP 服务；需要远程操作时在 Settings → Remote 配置消息渠道并将远程端点绑定到一个会话。