2026-01-08

发布时间 :
  1. 01月08日
    1. 一、今日完成情况
    2. 二、今日感悟
    3. 三、备注
    4. 四、LibreChat
      1. A、本地卡快速启动/关闭
        1. 1. 开启“魔法” (必须)
        2. 2. 启动数据库 (Docker)
        3. 3. 启动 LibreChat 主程序
      2. B、本地部署尝试（理论路径）
        1. 第一阶段：准备地基 (环境安装)
          1. 1. 检查 Node.js 版本
          2. 2. 安装并启动 MongoDB (这是唯一的难点)
        2. 第二阶段：安装 LibreChat (本地源码版)
          1. 1. 下载源码
          2. 2. 配置基础环境 (.env)
          3. 3. 安装依赖并构建 (这步需要几分钟)
          4. 4. 第一次启动！
          5. 5.系统配置文件修改
      3. 本地部署遇到问题
        1. 安装数据库报错
    5. 五、LibreChat MCP 插件
    6. 六、Ragflow和LangChain简单了解
    7. 七、批量翻译模型尝试

01月08日

一、今日完成情况

  • 完成LibreChat环境配置和MCP嵌入服务，并且效果测试（系统修改-Obsidian修改-浏览器修改）
  • 预定–对爬取数据进行处理（筛选换行符、模型翻译、评论长度筛选）
  • 显示器保存支架购买 + HDMI线优雅防止设计。（亚克力板 + 刻刀 + 胶水可以实现理想当中的效果）
  • 快速了解Agent RAG开发的平台–LangChain，这是我接下来的重点。

二、今日感悟

  • 核心业务数据​：
  • ​今日工作总结：​
  • ​明日工作计划：
  • ​今日学习成长：​

三、备注

  • 无

四、LibreChat

配置了一下快速运行Librechat脚本，不然每次运行都要打开Docker之后，运行至少三条指令，非常麻烦，然后还要到浏览器当中运行，不少于4步。

现在我把所有指令步骤制作为一个脚本，并且修改.sh文件的默认启动方式，默认在终端当中运行，从而简化所有步骤：

Pasted image 20260108094224

当然关闭服务的话，还得跑一个指令，因为只有一步，就没必要做成脚本了

cd /Users/kipley/Documents/code/Docker/LibreChat
docker compose down

下面是具体的MCP配置方法入门：

不幸的是，我当前配置MCP服务的目标是，可是实现对计算机内部资源的访问，从而极大的优化和提高我的生产力，可是在Docker容器下运行的LibreChat无法满足这一点，因为Docker是严格的隔离的，是申不到我的系统里面的，所以我要进行这个项目唯一能够做的就是，在本地再次部署，那么就需要安装依赖，相对来讲比Docker麻烦不少，因为Docker是打包好了的。

需要打通的环节是，网页依赖，数据库依赖，还有最后项目的拉取这几个方面。

A、本地卡快速启动/关闭

1. 开启“魔法” (必须)

  • 打开你的 Hysteria / Vultr 代理软件。
  • 确认开启 TUN 模式 / 增强模式 (这是你解决网络问题的关键)。

2. 启动数据库 (Docker)

打开终端 (Terminal)，输入：

docker start mongodb

3. 启动 LibreChat 主程序

进入你的项目目录并启动：

cd /Users/kipley/Documents/code/MCP/LibreChat  
npm run backend

http://localhost:3080/

关闭方式如下：

npm run backend 的终端窗口，按下组合键 Ctrl + C

停止数据库

docker stop mongodb

关闭代理： 退出你的代理软件。

B、本地部署尝试（理论路径）

第一阶段：准备地基 (环境安装)

在 Docker 版里，环境是自动配好的；但在本地版里，我们需要自己安装 Node.js (运行环境) 和 MongoDB (数据库)。

请打开你的 Mac 终端，依次执行以下检查和安装：

1. 检查 Node.js 版本

LibreChat 对 Node.js 版本有要求（建议 v20 或更高）。

Bash

node -v

  • 如果显示 v20.x.x 或更高，直接跳过。

  • 如果没安装或版本太低，请去 Node.js 官网 下载安装 LTS 版本，或者用 brew install node。

2. 安装并启动 MongoDB (这是唯一的难点)

LibreChat 需要一个数据库来存聊天记录。在 Mac 上最简单的办法是用 Homebrew 安装。

安装：

brew tap mongodb/brew
brew install mongodb-community
    ```

 **启动服务：**

 ``` bash
brew services start mongodb-community

(看到 Successfully started 字样就算成功。)

使用Docker的数据库比本地配置方便许多，这里我尝试在Docker配置数据库

docker run -d --name mongodb -p 27017:27017 mongo:latest

这里之前没有拉取过没关系的，系统会自动拉取的。

docker ps

验证成功！

npm run backend

启动即可。

第二阶段：安装 LibreChat (本地源码版)

找一个你喜欢的文件夹（比如 ~/Documents），我们开始从零安装。

1. 下载源码
# 进入文档目录
cd ~/Documents

# 克隆代码
git clone https://github.com/danny-avila/LibreChat.git

# 进入项目文件夹
cd LibreChat
2. 配置基础环境 (.env)

我们需要复制一份配置文件。

cp .env.example .env

关键动作：虽然默认配置就能跑，但为了确保它能连上你刚才装的本地数据库，建议你用文本编辑器打开 .env 文件看一眼。

  • 找到 MONGO_URI
  • 确保它是 mongodb://127.0.0.1:27017/LibreChat (通常默认就是这个，不用改)。
3. 安装依赖并构建 (这步需要几分钟)

这是最耗时的一步，它会下载所有需要的库。

# 安装后端和前端的依赖
npm ci

# 构建前端页面
npm run frontend
4. 第一次启动！
npm run backend
  • 当看到终端显示 Server listening on port 3080 时，打开浏览器访问 http://localhost:3080。
  • 注册一个管理员账号（第一个注册的就是管理员）。
5.系统配置文件修改

新建librechat,yaml文件并且输入下面信息（和Docker版本一致）
librechat 1

.env 加入信息如下：

HTTP_PROXY=http://127.0.0.1:7897
HTTPS_PROXY=http://127.0.0.1:7897

# 仅开启 Google 和自定义端点（屏蔽默认 OpenAI）
ENDPOINTS=google,custom

# 强制使用后台 Key，禁用前端手动输入（解决 no_user_key 报错）
USER_PROVIDE_OPENAI_API_KEY=false
USER_PROVIDE_GOOGLE_API_KEY=false
USER_PROVIDE_CUSTOM_API_KEY=false

# Google Gemini 官方 Key
GOOGLE_KEY=AIzaSyAkhD12ZjU7h2t9EfF9B_6a2hCElMXClWw

# OpenAI 占位符（防止系统初始化报错）

且注释掉openai的apikey选项：

# OPENAI_API_KEY=user_provided

还是不行报错，显示网络无法连接问题，现在是最后的解决方案：

注释掉.env当中的所有关于代理的配置，clash verge开启 tun模式，这样的话会开启虚拟网卡，本地项目在尝试网络连接的时候会以为自己就是在7897端口运行，而不是代理模式：

再次重启项目，运行成功了：

Pasted image 20260108112503

且如果报错，信息也是变化了

2026-01-08 11:19:18 error: [api/server/controllers/agents/client.js #sendCompletion] Operation aborted [GoogleGenerativeAI Error]: Error fetching from https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash-001:streamGenerateContent?alt=sse: [400 Bad Request] Unable to submit request because thinking is not supported by this model. Learn more: https://cloud.google.com/vertex-ai/generative-ai/docs/model-reference/gemini

是400报错

  1. 你的网络（TUN模式）完全修好了！ LibreChat 已经成功连上了 Google 的服务器。
  2. 验证通过了！ 你的 API Key 也是正确的，Google 认出了你的身份。

现在的报错 不是网络问题，而是 “参数配置不匹配” 的问题。

其实已经没问题了，跑成功了就可以了。

本地部署遇到问题

安装数据库报错

安装指令

brew tap mongodb/brew

遇到问题

fatal: unable to access 'https://github.com/mongodb/homebrew-brew/': Failed to connect to github.com port 443 after 75084 ms: Couldn't connect to server

Error: Failure while executing; `git clone https://github.com/mongodb/homebrew-brew /opt/homebrew/Library/Taps/mongodb/homebrew-brew --origin=origin --template= --config core.fsmonitor=false` exited with 128.

Warning: No available formula with the name "mongodb-community". Did you mean mongodb-atlas-cli?

看起来是网络的问题，也就是无法链接到服务器，现在就需要思考，我的代理对于这个github的指令是否有用，是否是因为代理在终端没有生效的缘故。

问题解决

核心原因：macOS 的终端（Terminal/iTerm2）默认不走系统代理。 即使你在系统设置里开了代理，或者 Hysteria 客户端开了“系统代理模式”，绝大多数命令行工具（如 curl, git, brew）依然会直连，所以才会报错 Failed to connect。

clash verge的系统代理端口是7897，所以需要进行修改：

# 设置 git 使用 http 代理 (将 7890 换成你的端口)
git config --global http.proxy http://127.0.0.1:7897
git config --global https.proxy http://127.0.0.1:7897

验证： 配置后，再次尝试安装数据库：

brew tap mongodb/brew

(base) kipley@kipleys-MacBook-Air LibreChat % brew tap mongodb/brew

✔︎ JSON API formula.jws.json                                         Downloaded   32.1MB/ 32.1MB

✔︎ JSON API cask.jws.json                                            Downloaded   15.3MB/ 15.3MB

==> **Tapping mongodb/brew**

Cloning into '/opt/homebrew/Library/Taps/mongodb/homebrew-brew'...

remote: Enumerating objects: 1729, done.
remote: Counting objects: 100% (661/661), done.
remote: Compressing objects: 100% (262/262), done.
remote: Total 1729 (delta 569), reused 401 (delta 399), pack-reused 1068 (from 2)
Receiving objects: 100% (1729/1729), 382.72 KiB | 22.51 MiB/s, done.
Resolving deltas: 100% (1070/1070), done.
Tapped 13 formulae (32 files, 493.2KB).

安装成功，继续推进度吧。

一劳永逸解决方法

curl, npm install, wget 等命令都能走代理，可以把代理写入 Shell 配置文件

临时测试（当前窗口生效）： 在终端输入

export https_proxy=http://127.0.0.1:7897 http_proxy=http://127.0.0.1:7897 all_proxy=socks5://127.0.0.1:7897

然后测试一下 IP：

curl ipinfo.io

(base) kipley@kipleys-MacBook-Air MCP % export https_proxy=http://127.0.0.1:7897 http_proxy=http://127.0.0.1:7897 all_proxy=socks5://127.0.0.1:7897

(base) kipley@kipleys-MacBook-Air MCP % curl ipinfo.io

{

  "ip": "66.42.63.252",
  "hostname": "66.42.63.252.vultrusercontent.com",
  "city": "Singapore",
  "region": "Singapore",
  "country": "SG",
  "loc": "1.3215,103.6957",
  "org": "AS20473 The Constant Company, LLC",
  "postal": "627753",
  "timezone": "Asia/Singapore",
  "readme": "https://ipinfo.io/missingauth"
}**%**

是我服务器的IP地址，没有问题。

永久生效（写入 .zshrc）： 每次打开终端都自动连上代理，可以把这两个功能写入配置文件。

使用命令打开配置文件：

nano ~/.zshrc

在文件底部黏贴下面信息：

# 代理开关控制
function proxy_on() {
    export http_proxy="http://127.0.0.1:7897"
    export https_proxy="http://127.0.0.1:7897"
    export all_proxy="socks5://127.0.0.1:7897"
    echo -e "\033[32m代理已开启 (Port: 7897)\033[0m"
    # 验证一下
    curl -I https://www.google.com
}

function proxy_off() {
    unset http_proxy
    unset https_proxy
    unset all_proxy
    echo -e "\033[31m代理已关闭\033[0m"
}

最后让配置生效：

source ~/.zshrc

未来需要再终端开启代理的话，就直接使用快捷指令即可：

proxy_on

切换为直连模式

proxy_off

五、LibreChat MCP 插件

最常用的MCP Client：
cursor，Claude Code， Claude Desktop， ChatGPT， Codex， LibreChat，GeminiCLI，vscode，cline，Goose……

梯队 模型代表 MCP 适配性 评价
T0 (王者) Claude 3.5 Sonnet 🌟🌟🌟🌟🌟 MCP 的亲爹。目前公认工具调用最强、最准、最稳定的模型。它能处理复杂的工具链，几乎不会弄错参数格式。
T1 (标杆) GPT-4o / 4o-mini 🌟🌟🌟🌟🌟 行业标准。OpenAI 的 Function Calling 非常成熟，LibreChat 对它的支持也是最完美的。
T1.5 (能用) DeepSeek-V3 (Chat) 🌟🌟🌟 官方 API 支持工具调用，但在复杂场景下参数提取不如 T0 精准。LibreChat 通过 OpenAI 兼容模式可以支持。
T2 (挑剔) Gemini 1.5 Pro/Flash 🌟🌟 支持工具，但 API 格式比较独特。LibreChat 做了适配，但稳定性不如前两者，经常出现 “Fetch Error” 或格式错误。
T3 (不支持) DeepSeek-R1 (Reasoner)
 ❌ 不支持。 这类“深度思考/推理”模型专注于生成思维链（CoT），目前架构上通常屏蔽了外部工具调用，或者因为输出了 <thinking> 标签打乱了工具调用的 JSON 格式。
所以，现在的我尝试使用的Deepseek和Gemini不是这么合适，需要修改一下API接口和模型了。
Pasted image 20260108145400

不过经过尝试，发现Gemini的flash插件勉强可以使用，只不过效果没有这么好，甚至有点笨笨的，似乎是联网功能没有打开。

smithery MCP 插件市场API：177c50e8-db63-43a2-b547-981e645dcdf8

目前为止尝试的插件如下：

Pasted image 20260108173319

还是基本可以模拟Claude Desktop的效果，既然它要收钱，我就自己集成吧，可以自定义API，也可以自定义MCP，挺灵活的，而且模型看下来需要优化一下，ClaudeAPI还是省不了的，这个模型是这方面做的最好的。

这里看到一个Context7插件：

Pasted image 20260108173750

如果你是以下情况，强烈建议尝试：

  1. 你经常使用 更新极快 的库（比如 LangChain, Pydantic, Next.js, 或者各种 AI 相关的 SDK）。

  2. 你发现 AI 经常给你写过时的代码（比如用 v1 的写法写 v2 的库）。

  3. 你是一个全栈开发者，经常要现学现卖一个新的框架。

六、Ragflow和LangChain简单了解

LangChain快速上手：
https://reference.langchain.com/v0.3/python/langchain/index.html

Ragflow
https://github.com/infiniflow/ragflow?tab=readme-ov-file

为什么需要Ragflow一个专门存储和检索数据的框架，而不是使用插件，像Obsidian一样，嵌入模型即可？

如果数据在 Obsidian 插件里： 只有当你打开 Obsidian 时，这套知识库才能用。如果你想在 VS Code 里写代码时问一下你的知识库，或者在终端里让 Agent 查一下资料，你做不到。数据被“锁”在 Obsidian 这个软件里了。

如果数据在 RAGFlow 里： RAGFlow 是一个独立的 API 服务。

  • Obsidian 可以调它。
  • 你的 VS Code 插件可以调它。
  • 你的 MCP Server 可以调它。
  • 你的微信机器人可以调它。
  • 你的知识库变成了“中台”，而不是“软件附属品”。

所以对于企业来讲，RAGFLow就像一个数据中台，可以提供相应的API接口来调用，从而打破了各个知识库之前的壁垒。

需要处理大量 PDF、论文、Excel，追求检索高精准度。

RAGFlow的一个特点，就是他的DeepDoc模型技术，会把资料当中的文档提前建立索引，从而把各种类型的文档进行处理，可是插件却只能应付单一格式（markdown）这样的简单情况。

七、批量翻译模型尝试

这里开摆了，明天再做。

转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 kipleyarch@gmail.com

浙ICP备2025181060号-2 © litearch

Built with Hexo and 3-hexo theme

Obsidian