把 ChatGPT、Claude、Gemini 装进同一个界面：LibreChat 到底解决了什么问题

用 AI 的人大概都经历过这种割裂：写代码时开着 Cursor，查资料时切到 ChatGPT 网页，让它读个长文档又得换到 Claude，公司买的 Azure OpenAI 额度躺在另一个后台里没人用。模型越来越多，入口却越来越碎——每个平台一套账号、一份上下文、一套订阅账单，对话记录散落在五六个地方，想找上个月让某个模型写过的一段推理，得挨个翻。

更麻烦的是数据。你把公司文档、客户资料、内部代码片段贴进第三方对话框的那一刻，这些内容就已经离开你的机器了。对个人用户这可能无所谓，但只要涉及一点商业信息，这件事就变得很难接受。

LibreChat 想解决的就是这个。它是一个自托管的 AI 对话平台，把所有主流大模型统一到一个界面里，而运行这套界面的服务器，是你自己的。

一个入口，聚合所有大模型

它到底接了多少模型

先看覆盖范围，这是这类聚合工具的核心竞争力。根据官方 README 的说明，LibreChat 支持这些服务商：

官方 README 列出的接入范围

值得注意的是最后一行——自定义端点。LibreChat 支持任何兼容 OpenAI 接口格式的 API，而且官方特别强调了一句「不需要代理」。这意味着你手上那些小众的、自建的、公司内部封装过的模型服务，只要能对上 OpenAI 的请求格式，都能塞进来。它同时也支持官方端点配置里补充的一批服务，包括 Ollama、AMD Lemonade、groq、Cohere、Mistral AI、Apple MLX、koboldcpp、together.ai、OpenRouter、Perplexity、DeepSeek、Qwen 等等。

对本地部署党来说，Ollama 和 koboldcpp 的接入是有实际意义的：日常闲聊、翻译、格式转换这类不需要强推理的任务走本地模型，零成本也更私密；真正需要硬实力的任务再切到云端 API。在同一个界面里按任务切换模型，切换成本几乎为零，这是自建平台相比订阅制产品的最大优势。

真正拉开差距的是这几个能力

如果只是把多个 API 拼在一起，那这个项目没什么稀奇的，一个开源的前端模板就能做到。LibreChat 的差别在于它把一整套工作流都做进去了：

除了聊天，它还有这些

Agents 智能体支持无代码搭建。你不用写一行代码，在网页上配好提示词、绑好工具、选好模型，就是一个专属助手。官方还做了 Agent 市场，可以浏览和部署别人做好的智能体；做好的智能体可以共享给指定用户或用户组——这个设计对企业内部分发「标准化助手」很实用，比如给客服团队统一一个话术助手，给研发团队统一一个代码审查助手。

Code Interpreter 是执行代码的能力，跑在沙箱里。官方支持的运行时包括 Python、Node.js (JS/TS)、Go、C/C++、Java、PHP、Rust、Fortran——覆盖面比多数同类工具宽不少。它能直接上传文件、处理、再下载结果，模型写完的代码真的会跑起来并把结果返回，而不是只给你一段「你可以这样写」的代码块。这一层由 ClickHouse 的开源项目提供支持。

Skills 是最近版本加入的能力，用 SKILL.md 文件定义可复用的指令包，可以设置成手动触发、自动触发或常驻。熟悉 AI 编程工具的人对这个概念应该不陌生。

MCP 支持把 Model Context Protocol 的工具接进对话流程，这也是目前 AI 工具链里最热的接口标准之一。

多用户与权限是企业场景的必要条件：支持 OAuth2、LDAP 和邮箱登录，附带一个图形化管理后台，可以在浏览器里改用户、组、角色和权限，不用重新部署。组权限可以精细到「哪些模型可见、哪些工具可用」，这对控制 AI 成本很关键——把贵模型的权限收给核心成员，其他成员用便宜模型。

那些用起来才会察觉的细节

有几个功能不显眼，但用过就回不去了。

可恢复的流式响应。官方叫 Resumable Streams，解决的是「网络抖一下，模型回答到一半断了，重试又要重新生成」的问题。连接断开后 AI 的回复会自动重连并接着传，多标签页、多设备打开同一个会话也保持同步。这个功能在单机部署和用 Redis 横向扩展的部署里都可用。

对话可以分叉。支持消息编辑后重新提交、Fork 一条消息或整个会话。做方案对比的时候特别顺手：同一个问题，你在两个分叉里用不同的模型跑一遍，结果并排看。

长会话压缩。对话变长之后上下文会爆，它提供按需压缩，但保留最近的上下文。这是很务实的做法——全量保留浪费 token，粗暴截断又会丢关键信息。

可观测性。支持用 OpenTelemetry 导出链路和日志，接入 Langfuse 之后能看到 Agent 和模型的调用详情。对想搞清楚「这一个月 token 到底花在哪」的团队来说，这是刚需。

界面语言覆盖了三十多种，包括简体中文、繁体中文、日语、韩语、德语、法语、西班牙语等等。本地化做得比较扎实。

部署这件事

官方给出了几个一键部署入口：Railway、Zeabur、Sealos 都有现成模板。自带 Docker Compose 配置，管理后台打包在里面，一条命令就能起来。

同时它也保留了完整的自部署路径：可以配代理、反向代理，可以用 S3 + CloudFront 做媒体链接的稳定分发，也支持完全本地化部署——模型和服务器都在自己机器上，数据不出内网。

对个人用户，最低成本的方式大概是：一台小服务器跑 LibreChat + 本地 Ollama，日常任务走本地模型，需要强模型时接一个云端 API key。这种情况下，你的对话历史和数据全部留在自己手里。

适合谁用

我的判断是这样：

适合——需要在多个模型间频繁切换的人；对数据落地位置有要求、不想把内容贴进第三方对话框的人；想把 AI 能力以统一入口分发给团队、并且要控制成员权限的组织；已经有一堆 OpenAI 兼容的自建模型服务、需要一个统一前端的人。

不太适合——只想随手问两句、不在意数据流向的用户，直接开个网页版对话框成本更低；另外自部署终究意味着你要维护服务器、处理升级、盯着 changelog 里的 breaking changes，官方明确提醒升级前务必先看 changelog。

最后提醒一句：项目迭代非常快，上面提到的功能在不同版本里可能有差异。安装和使用前建议先看官方文档和更新日志，尤其是跨版本升级时。

项目地址： https://github.com/danny-avila/LibreChat 官方文档： https://www.librechat.ai/docs

本文内容依据项目官方仓库 README 与官方文档整理编写。开源项目迭代频繁，具体功能与配置请以官方最新说明为准。