DeepGemini：多模型编排任务并封装为API接口

综合介绍

DeepGemini 是一个开源项目，由开发者 Thomas Sligter 创建。它是一个支持多模型编排的 AI 管理工具，主要特点是能灵活组合多种 AI 模型，并通过 OpenAI 兼容的 API 接口调用。项目基于 Python 3.11 和 FastAPI 开发，支持 SQLite 数据库存储配置，提供 Web 管理界面和 Docker 部署方式。它适用于开发者、技术爱好者和企业用户，MIT 许可允许免费使用和修改。DeepGemini 支持中英文界面，功能丰富且易于上手。

该项目在界面配置的多模型工作流和多模型讨论任务组，无法在界面直接使用，要在其他聊天工具中配置API使用。该工具要比一般的智能体任务编排工具简单且实用，唯一缺点是比较消耗API额度。

功能列表

• 支持多模型编排，可自定义组合多个 AI 模型完成任务。
• 提供角色管理，能为 AI 设置不同性格和技能。
• 支持讨论组功能，多个 AI 角色可协作讨论。
• 内置多种讨论模式，包括头脑风暴、辩论和 SWOT 分析等。
• 兼容多个 AI 提供商，如 DeepSeek、Claude、Gemini、Grok3 等。
• 提供 OpenAI 兼容的 API 接口，可直接替换现有应用中的 OpenAI 接口。
• 支持实时流式响应，提升用户体验。
• 内置 Web 管理界面，方便配置模型和查看状态。
• 支持 SQLite 数据库和 Alembic 迁移，管理配置更稳定。

使用帮助

DeepGemini 的安装和使用分为本地运行和 Docker 部署两种方式。以下详细介绍安装步骤和功能操作流程，帮助用户快速上手。

安装流程 - 本地运行

1. 克隆项目代码
   在终端输入以下命令下载项目：

git clone https://github.com/sligter/DeepGemini.git

然后进入项目目录：

cd DeepGemini

2. 安装依赖
   项目推荐使用 uv 工具安装依赖，运行：

uv sync

如果没有 uv，可以用 pip install -r requirements.txt 替代。确保 Python 版本为 3.11 或以上。

3. 配置环境变量
   复制示例配置文件：

cp .env.example .env

用文本编辑器打开 .env，设置以下必填项：

• ALLOW_API_KEY：你的 API 密钥，自行定义即可。
• ALLOW_ORIGINS：允许的域名来源，填 * 表示全部允许，或用逗号分隔具体域名。
  可选配置包括模型 API 密钥和参数（如 DEEPSEEK_API_KEY）。

4. 启动服务
   输入以下命令启动：

uv run uvicorn app.main:app --host 0.0.0.0 --port 8000

启动成功后，打开浏览器访问 http://localhost:8000/dashboard，进入 Web 管理界面。

安装流程 - Docker 部署

1. 拉取 Docker 镜像
   在终端运行：

docker pull bradleylzh/deepgemini:latest

2. 准备配置文件和数据库
   在当前目录创建文件：

• Linux/Mac：

  cp .env.example .env
  touch deepgemini.db
  echo "" > deepgemini.db
  

• Windows PowerShell：

  cp .env.example .env
  echo "" > deepgemini.db
  

编辑 .env，设置 ALLOW_API_KEY 和 ALLOW_ORIGINS。

3. 运行 Docker 容器
   输入命令启动：

• Linux/Mac：

  docker run -d -p 8000:8000 -v $(pwd)/.env:/app/.env -v $(pwd)/deepgemini.db:/app/deepgemini.db --name deepgemini bradleylzh/deepgemini:latest
  

• Windows PowerShell：

  docker run -d -p 8000:8000 -v ${PWD}\.env:/app/.env -v ${PWD}\deepgemini.db:/app/deepgemini.db --name deepgemini bradleylzh/deepgemini:latest
  

运行后，访问 http://localhost:8000/dashboard。

使用 Docker Compose（推荐）

1. 准备 .env 和数据库文件，如上所述。
2. 运行：

docker-compose up -d

访问 http://localhost:8000/dashboard。

主要功能操作流程

1. Web 管理界面操作

• 打开浏览器，访问 http://localhost:8000/dashboard。
• 界面显示模型状态和配置选项。点击“添加模型”，输入模型名称（如 DeepSeek）、API 密钥和参数（温度、top_p 等），保存后可用。
• 在“角色管理”中，创建 AI 角色，设置性格（如“逻辑严谨”）和技能（如“文本生成”）。

2. 配置多模型编排

• 在“工作流”页面，点击“新建工作流”。
• 示例配置：

{
"name": "reason_and_execute",
"steps": [
{"model_id": "deepseek", "step_type": "reasoning", "step_order": 1},
{"model_id": "claude", "step_type": "execution", "step_order": 2}
]
}

• 保存后，工作流会先用 DeepSeek 推理，再用 Claude 生成结果。

3. 调用 API 接口

• 使用 curl 测试 API：

curl -X POST "http://localhost:8000/v1/chat/completions" -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model": "reason_and_execute", "messages": [{"role": "user", "content": "分析并回答：1+1等于几？"}]}'

• 替换 YOUR_API_KEY 为 .env 中的密钥。返回结果为流式响应。

4. 创建讨论组

• 在“讨论组”页面，添加多个角色（如“分析师”和“创意者”）。
• 选择讨论模式（如“头脑风暴”），输入问题，点击“开始讨论”。系统会展示角色间的对话过程。

注意事项

• 确保网络连接正常，部分模型需要访问外部 API。
• 日志文件在 <项目目录>/logs/ 下，可用于排查问题。
• Docker 部署时，若端口冲突，可修改 -p 8000:8000 中的第一个端口号。

应用场景

1. AI 开发实验
   开发者可以用 DeepGemini 测试多模型协作。比如，先用 Gemini 分析问题，再用 Claude 生成详细回答。
2. 团队协作模拟
   通过讨论组功能，模拟团队会议。设置不同角色讨论产品策略，输出多样化建议。
3. 教育与培训
   学生可用它学习 AI 模型特性，尝试不同讨论模式观察结果。

QA

1. 支持哪些 AI 提供商？
   支持 DeepSeek、Claude、Gemini、Grok3、OpenAI 等，也可自定义接入其他提供商。
2. 讨论组有什么用？
   讨论组让多个 AI 角色协作解决复杂问题，如头脑风暴或辩论，提供多角度答案。
3. 如何调试问题？
   检查日志文件，或在 GitHub 上提交 issue 寻求帮助。