全栈 AI Agent 模板
生成带智能体、RAG、实时聊天与认证的全栈应用。
- Star 数
- ★ 2k
- 最近更新
- 12 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 74/100 · 存在缺口
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台OpenAI API · Claude API
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 需要快速交付内部知识助手的团队，可启用 RAG，将 PDF、DOCX、Google Drive 或 S3 文档接入可检索知识库。
- 不适合
- 希望零基础设施、单进程运行的团队
- 不愿维护 Docker、数据库与多个外部 API 密钥的小团队
- 源码审查
- 74/100 · 存在缺口
这个 Agent 能做什么，适合哪些场景？
这是一个可配置的项目生成器，用于创建 FastAPI 后端与 Next.js 15、React 19 前端组成的全栈 AI 应用。生成时可从 PydanticAI、PydanticDeep、LangChain、LangGraph 和 DeepAgents 中选择智能体框架，并接入 OpenAI、Anthropic、Gemini 或 OpenRouter。它提供 WebSocket 流式聊天、对话持久化、工具调用界面、文档摄取与向量检索，并可选用 Milvus、Qdrant、ChromaDB 或 pgvector。生成项目还可包含 JWT、API Key、Google OAuth、后台任务、Stripe 计费、管理后台、可观测性和消息渠道。部署边界是用户自行托管的普通代码项目，可通过 Docker Compose 或 Kubernetes运行，前端也可单独部署到 Vercel；生成后不依赖生成器运行。
运行 fastapi-fullstack 向导或 fastapi-fullstack create 后，生成器根据所选数据库、认证、智能体框架、模型提供商、RAG、任务队列和前端选项搭建项目。后端通过 FastAPI 暴露 REST、OpenAPI 和 WebSocket 接口；智能体调用网页搜索、URL 获取、知识库检索、图表、run_python、skills 和 ask_user 等工具，并把文本增量、推理、任务状态和工具结果流式发送到聊天界面。RAG 流程从本地文件、API、Google Drive 或 S3/MinIO 读取文档，完成解析、分块、嵌入、向量存储、检索及可选重排，为所有五种框架提供 search_knowledge_base 工具。系统将用户、会话、对话和业务数据保存在 PostgreSQL，可用 Redis、Celery、Taskiq、ARQ 或 Prefect处理缓存与后台任务。最终产物包含后端、前端、Alembic 迁移、测试、Docker Compose、Makefile，以及与所选功能匹配的配置和开发辅助文件。
- 需要快速交付内部知识助手的团队，可启用 RAG，将 PDF、DOCX、Google Drive 或 S3 文档接入可检索知识库。
- 正在开发客户支持或业务助手的 SaaS 团队，可使用流式聊天、对话记录、公开分享、团队空间、消息评分和管理后台。
- 需要比较智能体技术栈的工程团队，可用同一生成器分别建立 PydanticAI、LangGraph、LangChain、PydanticDeep 或 DeepAgents 项目。
- 准备推出付费 AI 产品的创业团队，可组合 Stripe 订阅、席位计费、积分账本、用量统计、认证和营销站点。
- 需要自托管生产基础设施的组织，可选择 Docker、Kubernetes、PostgreSQL、Redis、任务队列以及 Logfire、LangSmith、Sentry 或 Prometheus。
- 希望让同一助手服务于网页与消息渠道的开发者，可生成 WebSocket 聊天前端，并选配 Telegram 或 Slack 多机器人集成。
如何安装或部署这个 Agent？
要求 Python 3.11+；Next.js 前端要求 Node.js 18+，项目推荐使用 uv 和 Bun。安装生成器可执行 uv tool install fastapi-fullstack，也可使用 pip install fastapi-fullstack 或 pipx install fastapi-fullstack。首次生成并启动：fastapi-fullstack，按向导创建项目；然后 cd my_ai_app 和 make bootstrap，该命令构建后端镜像、启动 PostgreSQL、执行 Alembic 迁移并创建默认管理员；另开终端执行 cd my_ai_app/frontend && bun install && bun dev。所选模型服务需要相应凭据，例如 OpenAI、Anthropic、Gemini 或 OpenRouter API 密钥；生产环境需复制 backend/.env.example 为 backend/.env 并填写真实密钥。Docker 流程需要 Docker，Windows 还需要 GNU Make，或改用 WSL2/Git Bash。
如何使用这个 Agent？
交互式创建可运行 fastapi-fullstack。非交互式示例为 fastapi-fullstack create my_ai_app --database postgresql --frontend nextjs；创建带流式智能体的项目可用 fastapi-fullstack create my_ai_app --preset ai-agent，启用 RAG 可用 fastapi-fullstack create my_app --rag --database postgresql --task-queue celery。启动后访问 http://localhost:8000、http://localhost:8000/docs、http://localhost:8000/admin 和 http://localhost:3000；由 make bootstrap 创建的开发管理员是 [email protected]，密码为 admin123，不应沿用于生产环境。项目内常用命令包括 make dev、make dev-down、make dev-logs 和 make dev-frontend。以项目名为 my_ai_app 为例，后端 CLI 可执行 uv run my_ai_app server run --reload、uv run my_ai_app db migrate -m "message"、uv run my_ai_app db upgrade 和 uv run my_ai_app user create-admin。已有生成项目可先用 make upgrade-dry-run 预览，再以 make upgrade 创建专用升级分支并进行三方合并。
这个 Agent 有哪些优点和局限？
- 同一生成器明确支持五种智能体框架、四种模型提供商和四种向量存储，便于按团队栈与部署条件组合，而不是绑定单一运行时。
- 覆盖从文档摄取、检索和智能体工具调用，到 WebSocket 聊天、认证、管理、计费与观测的完整产品边界，减少跨前后端拼装工作。
- 生成结果是可修改的普通代码，不存在生成器运行时锁定；还提供保留本地改动的三方合并升级流程。
- 支持 Docker Compose、Kubernetes、独立 Vercel 前端以及多种后台任务和观测方案，开发与生产路径较完整。
- 完整配置会引入 PostgreSQL、Redis、向量数据库、任务队列、前后端运行时和外部 API，基础设施数量多，部署与排障成本可能较高。
- 并非所有框架都支持全部提供商：OpenRouter 仅列为 PydanticAI 支持，其他框架需要接受提供商选择受限的情况。
- RAG 后端的运维成本不同；Milvus 需要三个 Docker 服务，Qdrant 需要一个服务，而嵌入、重排、Google Drive 或 S3 功能还可能要求额外凭据。
- 模板选项很多，采用方仍需审查并调整默认认证、管理员账号、速率限制、密钥、计费和部署配置，不能把开发默认值直接视作生产安全配置。
这个 Agent 与同类方案有什么区别？
相较于 full-stack-fastapi-template，该项目定位于 AI/LLM 应用，额外提供五种智能体框架、RAG、WebSocket 流式传输、对话持久化、LLM 可观测性和 Next.js 聊天界面。相较于 create-t3-app，它使用 FastAPI 后端并加入 RAG、后台任务、管理后台与 Docker/Kubernetes 支持；create-t3-app 在来源对比中采用 NextAuth 和 Prisma，但不提供这些智能体与 RAG 功能。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| 全栈 AI Agent 模板 当前 | 74 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 2k | 12 天前 | Python | OpenAI API · Claude API |
| 从原型到生产的生成式AI代理实战指南 | 0 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 22k | 1 天前 | Jupyter Notebook | — |
| AI Agent Service Toolkit | 69 · 存在缺口 | 开发框架免费 + 模型费 | ★ 4.5k | 今天 | Python | OpenAI API |
| llm.rb | 59 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 144 | 今天 | Ruby | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示生成项目提供 JWT、RBAC、HTTP-only Cookie、SSRF 与路径校验、Webhook 签名、密钥排除规则和加密令牌存储；项目看板工作流还将默认 GITHUB_TOKEN 权限设为空，并避免检出不受信任的 PR 代码。升级提供预览和专用分支，智能体界面也支持询问用户后暂停。扣分在于材料未给出所有集成和智能体工具的逐项权限、数据目的地及确认策略，默认播种公开管理员凭据只适合开发环境，数据库静态加密、密钥轮换、LLM 输出安全和合规审计均明确留给用户。依赖审计虽存在，但 CI 无说明地忽略五个 CVE，且没有提供风险评估或缓解措施，因此依赖安全仅属薄弱。来源标明 Vstorm、作者邮箱和安全联系人，但未提供可验证的个人或企业身份；按规则仅视为未知。
README、包元数据、CI 配置和认证测试总体一致，CI覆盖多种生成组合、Python 版本、认证错误、限流与委托认证边界。依赖声明和环境步骤较清楚，失败时也有 HTTP 状态码、工作流通知和日志命令。扣分在于未提供执行结果，部分工具和 GitHub Actions 使用 latest 或主版本标签而非不可变版本，生成组合矩阵也不能证明全部“20+”组合可用；错误消息证据主要集中在认证和一个工作流，未全面覆盖生成、升级、RAG及外部服务故障。
材料明确面向开发者、聊天机器人、ML、企业 SaaS 和创业团队，并提供向导、显式参数、预设、最小模式、五种智能体框架及大量可选集成。安全政策清楚划分模板提供与用户负责的事项，环境说明覆盖开发、预生产、生产、宿主机后端以及 Windows/WSL。满分授予受众场景、能力边界和环境适配。触发精度扣分是因为 CLI 选项虽明确，但所给材料没有展示完整选项约束、冲突处理或智能体工具在何种条件下调用。
README 有目录、快速开始、架构与功能导航、环境表、命令示例、FAQ入口和升级指南；安装及部署说明具体。MIT 文本完整且与元数据一致，因此许可证满分。SECURITY.md 给出支持版本、披露渠道、响应目标和维护范围，组织工作流也说明了问题分流责任。扣分在于仓库名、发行包名、命令名和生成项目命令存在多套命名，需要用户映射；虽有 0.2.19 和升级机制，却未提供实际变更日志或发布历史文件，版本演进只能部分核验。
输出是可直接继续开发的 FastAPI、Next.js、数据库、认证、智能体、RAG和部署骨架，配有启动命令、界面示例、管理功能和升级路径，静态材料充分支持较高可用性。相对从零搭建具有明显价值，但“production-ready”“under 60 seconds”和“20+ integrations”的收益主要由项目自身陈述，未给出独立量化比较。大量可选服务、容器、前后端工具链及生产安全责任会增加配置、运维和审查成本，因此边际价值和成本收益未给满分。
多个主张可在 README、pyproject、SECURITY、CI 和认证测试之间对应，例如版本、许可证、Python 范围、审计、认证、限流与生成组合，形成了良好的内部交叉印证。扣分在于材料被截断且仅展示少量实现测试，无法逐项追踪所有安全控制、集成和界面声明；100% 覆盖率、生产就绪、幂等升级及性能性描述没有附带静态报告或完整实现证据。限制条款与营销描述有所区分，但部分宣传性事实仍未明确标为未经验证的主张。
- CI 的 pip-audit 明确忽略五个 CVE，但所给材料没有解释严重性、受影响路径、补丁计划或替代缓解措施；采用前应逐项审查。
- make bootstrap 会创建 [email protected] / admin123。该凭据不得进入可被他人访问的环境，生产部署前必须禁用、删除或更换。
- 模板明确不默认提供数据库静态加密、密钥轮换、LLM 输出过滤、合规审计或正式渗透测试；生产使用者需自行实现和验证。
- 代码执行、网页搜索、RAG、云盘、S3、Stripe、Slack和Telegram等能力可能处理或外发敏感数据；所给文件不足以确认每项能力的最小权限、同意流程和保留策略。
- 本评估仅基于所给静态文件，未执行生成器、测试、依赖审计、部署或升级流程。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
Fixed - **alembic upgrade head failed in every PostgreSQL project without --mcp-client** — since 0.2.19, migration 0027 named 0026_create_mcp_connections as its parent, and that migration is generated only with the MCP client, so Alembic stopped with KeyError: '0026_create_mcp_connections'. 0027 now follows 0025 when 0026 is absent. Nobody noticed because tests/test_migrations.py took any `alembic current` failure for "no database" and skipped itself; it now checks the connection directly, so a broken chain fails it. A new matrix check, …在 GitHub 查看 ↗ -
发布说明摘录
Added - **--llm-provider openai_compatible: any OpenAI-compatible gateway or server** — model routers and LLM gateways (LiteLLM, Requesty, OrcaRouter, Portkey) and self-hosted servers (vLLM, llama.cpp, LM Studio, Ollama), reached by OPENAI_COMPATIBLE_BASE_URL, with AI_MODEL named as the endpoint names it and an optional OPENAI_COMPATIBLE_API_KEY (OPENAI_API_KEY is never sent there). Pydantic AI and Pydantic Deep Agents projects; OpenAI embeddings for RAG go to the same endpoint; Pydantic Deep Agents projects need …在 GitHub 查看 ↗ -
发布说明摘录
A security release, from a full audit of the template's product code. Upgrade if you generated with --auth-mode delegated, --rate-limiting, or email sign-in links. There are breaking changes and one migration — see Upgrading. One pattern runs through most of this: the mechanism was built and correct, and nothing attached it. Rate limiting shipped twice and guarded no route. The reranker was warmed at startup and thrown away on every request. Delegated auth was half-wired. All of it lived in configurations no CI job rendered — 53 of the 88 CLI flags were never generated — so nothing wa …在 GitHub 查看 ↗
常见问题
必须使用 OpenAI 吗？
可以只把它当作普通全栈模板吗？
使用 RAG 是否一定要单独维护向量数据库？
生成后还能升级模板吗？
make upgrade-dry-run 用于预览，make upgrade 在专用分支执行三方合并，最后以 make upgrade-finalize 更新版本记录；冲突仍需人工解决。