Local AI Agent

本地AI代理

隐私第一，自托管AI代理 通过聊天历史记录中的个性化上下文增强VS Code，同时通过模型上下文协议（MCP）与GitHub Copilot的生态系统无缝集成。

🎯 主要特点

• 零云依赖：所有推理都通过Ollama在本地运行
• 个性化记忆：RAG管道从您的整个聊天/编码历史中学习
• MCP本地：与GitHub Copilot上下文协议的一流集成
• 代理行动：跨IDE、终端、浏览器和本地文件执行多步任务
• 模块化架构：用于专业工作流程的免费核心+高级域名

� 项目状态

阶段进展

• ✅ 第一阶段 （完整）：核心Ollama集成+MCP服务器+CLI
• 🔄 第2阶段 （进行中）：具有语义搜索的记忆层

- ✅ 聊天历史记录摄取（JSON/BMarkdown解析器） - ✅ 特定领域的记忆孤岛（编码、音乐、混音器、学习、通用） - ✅ 混合域检测（关键字+LLM） - ⏳ 性能测试（第3-4天） - ⏳ MCP内存服务器（第6-7天）

• 📋 第三期 （计划中）：代理工作流程
• 📋 阶段4 （计划中）：创意领域
• 📋 阶段5 （计划中）：商业化

看 阶段2_状态.md 详细进展。

�🚀 快速开始

需求

• 操作系统：Windows、macOS或Linux
• python: 3.11+
• 随机存取存储器：最低16GB（建议32GB）
• 图形处理器：可选但推荐（配备CUDA的NVIDIA RTX 3060+）

安装

# Clone the repository
git clone https://github.com/PlumbMonkey/local-ai-agent.git
cd local-ai-agent

# Create virtual environment
python -m venv venv

# Activate (Windows)
venv\Scripts\activate
# Or (macOS/Linux)
source venv/bin/activate

# Install dependencies
pip install -e ".[dev]"

设置Ollama

1. 下载 奥拉玛 适用于您的操作系统
2. 安装并启动服务
3. 拉模型：

ollama pull qwen2.5-coder:7b
ollama pull nomic-embed-text

1. 确认Ollama正在运行：

curl http://localhost:11434/api/tags

📦 项目结构

local-ai-agent/
├── core/                    # Base implementation (MIT Licensed)
│   ├── mcp/                # Model Context Protocol
│   ├── llm/                # Ollama integration
│   ├── memory/             # RAG pipeline
│   └── config/             # Configuration
├── domains/                # Modular features
│   ├── base/               # Free: File, Terminal, Chat
│   ├── coding/             # Free+Premium: Code assistance
│   ├── study/              # Free+Premium: Learning tools
│   ├── daw/                # Premium: Music production
│   └── blender/            # Premium: 3D graphics
├── interfaces/             # User interfaces
│   ├── vscode/             # VS Code extension
│   └── cli/                # Command-line interface
├── agents/                 # Agentic workflows
├── scripts/                # Setup and utilities
└── docs/                   # Documentation

🏗️ 建筑

VS Code IDE
    ↓
Model Context Protocol (MCP)
    ├── Filesystem Server
    ├── Terminal Server
    ├── Memory Server
    └── Browser Server
    ↓
Ollama (Local LLM)
    ├── qwen2.5-coder:7b
    ├── deepseek-r1:8b
    └── nomic-embed-text
    ↓
Memory & Context Layer
    ├── ChromaDB (Vector Store)
    └── LlamaIndex (RAG Engine)

📚 文档

• 建筑.md -系统设计细节
• 设置.md -详细的安装指南
• DOMAINS.md -领域特定功能
• MCP_PROTOCOL.md -MCP服务器开发
• PRD.md -完整的产品要求

🎮 用法

命令行

# Start the agent
python -m interfaces.cli.main chat

# Index your chat history
python scripts/export_chat_history.py --input chatgpt_export.json

# Run benchmarks
python scripts/benchmark.py

VS代码集成

1. 打开VS代码设置
2. 配置Continue扩展：

   {
     "continue.modelProvider": "ollama",
     "continue.modelName": "qwen2.5-coder:7b",
     "continue.ollamaEndpoint": "http://localhost:11434",
     "continue.enableMCP": true
   }

1. 问：“阅读main.py并解释它”

🔐 安全与隐私

• ✅ 所有数据都保留在您的机器上
• ✅ 没有外部API调用（通过网络审核验证）
• ✅ 静态加密存储（SQLCipher）
• ✅ 用户确认破坏性行为

📊 路线图

第一阶段（第1-2周）：基础

• \[x\] 存储库设置
• \[\]Ollama整合
• \[\]MCP文件系统服务器
• \[\]VS代码扩展配置

第2阶段（第3-4周）：记忆层

• \[\]聊天历史解析器
• \[\]ChromaDB+嵌入
• \[\]RAG查询引擎
• \[\]MCP内存服务器

第3阶段（第5-6周）：代理行动

• \[\]LangGraph编排器
• \[\]多步骤工作流
• \[\]浏览器自动化
• \[\]确认系统

第4阶段（第7-8周）：波兰语

• \[\]文件
• \[\]性能调整
• \[\]配置界面
• \[\]版本v1.0

🤝 贡献

欢迎投稿！请阅读 贡献.md 作为指导方针。

📄 许可证

• 核心 (/core)：MIT许可证
• 高级域名：商业许可证（见许可证商业）
• 企业：商业许可证

📧 联系

• 作者：PlumbMonkey
• github： @PlumbMonkey
• 问题：

______________________________________________________________________

状态: 🚧 早期阿尔法（第1阶段正在进行中）\ 最后更新：2026年1月17日