📄 工具详情 ⚙️ 安装教程 📚 使用教程
能力标签
💻 CLI🔗 REST API🧬 Embedding📚 RAG🖼 视觉✨ GPT🖥 本地 LLM
🛠
AI工具

Afterglow

基于 Python · 开源免费，本地部署，数据完全自主可控
⭐ 35 Stars 🍴 7 Forks 💻 Python 📄 AGPL-3.0 🏷 AI 7.5分
7.5AI 综合评分
installableai-companiondigital-companion
🌐 访问官网
✦ AI Skill Hub 推荐

经 AI Skill Hub 精选评估，Afterglow 获评「推荐使用」。这款AI工具在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.5 分，适合有一定技术背景的用户使用。

📚 深度解析
Afterglow 是一款基于 Python 的开源工具，在 GitHub 上收获 0k+ Star，是installable、ai-companion、digital-companion领域中的优质开源项目。开源工具的最大优势在于代码完全透明，你可以审计每一行代码的安全性，也可以根据自身需求进行二次开发和定制。

**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。

**安装与环境准备**
Afterglow 依赖 Python 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Python 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。

**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 Afterglow 的版本更新，及时通知重要功能变化。
📋 工具概览

Afterglow 是一款基于 Python 开发的开源工具，专注于 installable、ai-companion、digital-companion 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。

GitHub Stars
⭐ 35
开发语言
Python
支持平台
Windows / macOS / Linux
维护状态
轻量级项目，按需更新
开源协议
AGPL-3.0
AI 综合评分
7.5 分
工具类型
AI工具
Forks
7
📖 中文文档
以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

Afterglow 是一款基于 Python 开发的开源工具，专注于 installable、ai-companion、digital-companion 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。

📌 核心特色
  • 开源免费，支持本地部署，数据完全自主可控
  • 活跃的 GitHub 开源社区，持续迭代更新
  • 提供详细文档和使用示例，新手友好
  • 支持自定义配置，灵活适配不同使用环境
  • 可作为基础组件集成进现有技术栈或进行二次开发
🎯 主要使用场景
  • 本地部署运行，保护数据隐私，满足合规要求
  • 自定义集成到现有系统，扩展技术栈能力
  • 作为开源基础组件进行商业化二次开发
以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。
安装命令
# 方式一：pip 安装（推荐）
pip install afterglow

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install afterglow

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/kldhsh123/Afterglow
cd Afterglow
pip install -e .

# 验证安装
python -c "import afterglow; print('安装成功')"
📋 安装步骤说明
  1. 访问 GitHub 仓库页面
  2. 按照 README 文档完成依赖安装
  3. 根据系统环境完成初始化配置
  4. 参考官方示例或文档开始使用
  5. 遇到问题可在 GitHub Issues 中查找解答
以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。
常用命令 / 代码示例
# 命令行使用
afterglow --help

# 基本用法
afterglow input_file -o output_file

# Python 代码中调用
import afterglow

# 示例
result = afterglow.process("input")
print(result)
以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。
配置示例
# afterglow 配置文件示例（config.yml）
app:
  name: "afterglow"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
afterglow --config config.yml

# 或通过环境变量配置
export AFTERGLOW_API_KEY="your-key"
export AFTERGLOW_OUTPUT_DIR="./output"
📑 README 深度解析 真实文档 完整度 70/100 含工作流图 查看 GitHub 原文 →
以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

💬 交流与支持

  • 项目交流 QQ 群：330316577
  • 赞助支持：<https://afdian.com/a/kldhsh123>
  • 我们的长期合作伙伴 二次元论坛 的 二次元 API 中转站 提供免费的 Embedding 模型 Qwen3-Embedding-8B。对于项目的支持，我们非常感谢。

如果需要使用该 Embedding 模型，请在 backend/.env 中修改以下配置，并按服务说明填写对应的 EMBEDDING_API_URL / EMBEDDING_API_KEY：

EMBEDDING_MODEL=Qwen3-Embedding-8B
EMBEDDING_DIM=4096
EMBEDDING_BATCH_SIZE=25
EMBEDDING_MAX_REQUESTS_PER_MINUTE=100

---

0. 环境要求

工具版本用途备注
Python≥ 3.12后端运行时必需
Node.js≥ 20前端构建**仅用前端时需要**；纯 API 用户可不装
[uv](https://github.com/astral-sh/uv)latestPython 包管理推荐
[pnpm](https://pnpm.io/)latestNode 包管理仅前端
[QQChatExporter V5](https://github.com/shuakami/qq-chat-exporter) / [WeFlow](https://github.com/hicccc77/WeFlow)（微信，arkme-json）导出纯文本 JSON—真人聊天数据源至少一份；plugin 会自动识别格式

🚀 快速开始

2. 启动后端

接下来所有命令都在 backend/ 目录下执行。

步骤 ①：安装依赖

cd backend
uv sync --extra dev

步骤 ②：配置 .env

cp .env.example .env

用编辑器打开 .env，按文件内注释填写：

  • 身份信息 —— SELF_NAME / SELF_UID / FRIEND_NAME / FRIEND_UID
  • QQ：SELF_UID / FRIEND_UID 填 QQChatExporter 导出 JSON 里的 selfUid / 对方 sender.uid（u_xxx 形式）
  • 微信：填 WeFlow 导出 JSON 里 senders[] 的 wxid（wxid_xxx 形式）；定位方法见 backend/README.md
  • FRIEND_* 永远是你想让 AI 模仿的那个人，不是你自己
  • 跨平台 / 多账号：同一个人有多个 UID（QQ + 微信 / 主号 + 小号），直接在 SELF_UID / FRIEND_UID 里用逗号分隔列上所有 UID，导入时会被视为同一身份。例：FRIEND_UID=u_qq_friend,wxid_friend_main,wxid_friend_alt
  • 主聊天模型 —— OPENAI_BASE_URL / OPENAI_API_KEY / CHAT_MODEL
  • Embedding 模型 —— EMBEDDING_API_URL / EMBEDDING_API_KEY / EMBEDDING_MODEL / EMBEDDING_DIM / EMBEDDING_BATCH_SIZE / EMBEDDING_MAX_CONCURRENCY / EMBEDDING_MAX_REQUESTS_PER_MINUTE
  • 本地访问密钥 —— XUWEN_API_KEY（长随机串；调用方在 Header 带 Authorization: Bearer <key>）
⚠️ 关键提醒（容易踩的坑） - API_AUTH_REQUIRED=false 不会让 XUWEN_API_KEY 失效——只要 KEY 有值就强制校验。想完全开放，请同时把 KEY 留空。 - 改了 .env 必须完全重启后端——uvicorn --reload 只监听 .py 文件变化，不会重新加载 .env。 - 客户端请求里的 model 字段是占位——实际使用的永远是 .env 配的 CHAT_MODEL；传 gpt-4.1 或 gemini-flash 都会被忽略。

步骤 ③：导入历史聊天

```bash

3. 启动前端（可选）

cd frontend
pnpm install
pnpm dev

→ 打开 http://localhost:5173，按引导填写姓名/关系，就可以开始聊天了。

1. 准备模型（API）

Afterglow 不内置模型，所有 LLM 调用都走你自己配置的 OpenAI 兼容服务。下表列出每个角色需要什么样的模型 + 推荐。

角色必需？作用推荐配置项
**主聊天模型**✅ 必需生成最终回复，决定"像不像 TA"**DeepSeek** / **Gemini**OPENAI_BASE_URL OPENAI_API_KEY CHAT_MODEL
**Embedding 模型**✅ 必需向量化历史聊天与检索 queryQwen3-Embedding-8B（阿里云 DashScope 免费额度，或合作伙伴二次元 API 中转站免费提供该模型）EMBEDDING_API_URL EMBEDDING_API_KEY EMBEDDING_MODEL EMBEDDING_DIM
**打标小模型**🔧 可选给历史 chunk 打 mood / topic / importance 软标签**[智谱清言 glm-4-flash](https://www.bigmodel.cn/invite?icode=Q2FUoY2w04wQb%2FoIugMwsA%3D%3D)（免费）**LABELING_ENABLED=true LABEL_API_* LABEL_MODEL
**生活状态 / 网页意图小模型**🔧 可选维护 AI 当前在做什么、判断要不要打开 URL**[智谱清言 glm-4-flash](https://www.bigmodel.cn/invite?icode=Q2FUoY2w04wQb%2FoIugMwsA%3D%3D)（免费）**LIFE_API_* LIFE_MODEL
**互动决策小模型**🔧 可选规则层之后再叫一次小模型微调本轮策略**[智谱清言 glm-4-flash](https://www.bigmodel.cn/invite?icode=Q2FUoY2w04wQb%2FoIugMwsA%3D%3D)（免费）** 或复用 LIFE_*RESPONSE_POLICY_MODEL_ENABLED=true RESPONSE_POLICY_*
**视觉模型**🔧 可选主聊天模型不支持视觉时用 VLM 把图转文字Qwen-VL / Gemini VisionVISION_API_* VISION_MODEL
**联网检索**🔧 可选用户明确要求"搜索 / 最新 / 天气"时调Tavily（月度免费额度）/ 自建 SearXNGWEB_ACCESS_ENABLED=true WEB_SEARCH_*
💡 推荐组合（小模型几乎零成本） - 主聊天模型：DeepSeek 或 Gemini——较高参数量才能撑得起"像 TA 说话"的细腻度 - 所有小模型（打标 / 生活状态 / 网页意图 / 互动决策）：智谱清言 glm-4-flash——免费且性能完全够辅助任务 - Embedding：Qwen3-Embedding-8B（DashScope 免费额度 / 二次元 API 中转站 免费） 这套组合下你的主要花费只在主聊天模型上，其它链路几乎不消耗额度。

❓ FAQ

Q：必须用阿里云 Qwen3-Embedding 吗？ A：不必，任何 OpenAI 兼容的 /embeddings 接口都可以。改 EMBEDDING_API_URL / EMBEDDING_MODEL / EMBEDDING_DIM 即可。本地 ollama 也支持。

Q：必须用 OpenAI 吗？ A：不必，任何 OpenAI 兼容的 /chat/completions 接口都可以（DeepSeek、Moonshot、Qwen、ollama 等）。改 OPENAI_BASE_URL 即可。

Q：能不能不脱敏 PII？ A：可以。.env 设 ENABLE_PII_REDACTION=false，或通过 PII_RULES_PATH 加载自定义规则。

Q：QQ 号 / URL 为什么不脱敏？ A：QQ 号在导出文件里到处都是（uid 关联需要）；URL 是对话语境的一部分（朋友分享 B 站视频是有意义的）。脱敏列表只覆盖一旦泄漏就造成实质损失的"硬隐私"。

Q：能否导入微信 / Telegram / Discord 数据？ A：已内置两个导入 plugin —— QQChatExporter V5（QQ）和 WeFlow arkme-json（微信）。CLI 会按 JSON 顶层特征自动识别，无需额外参数。导出时记得只勾选纯文本，不要带图片/语音/文件等附件。其它平台目前没有内置 plugin，但写一个新 plugin 输出 NormalizedMessage 即可，下游流水线无需改动，欢迎 PR。

Q：会不会越聊越不像？ A：每轮对话都会异步回写到 live_messages（trust_level=0.35，权重远低于历史 1.0）。前端可在设置页"暂停回写"避免污染。

Q：怎么删除某条记忆？ A：调 DELETE /memory/friend_messages/{chunk_id} 或 DELETE /memory/response_pairs/{pair_id}（软删除）。

Q：能本地完全离线吗？ A：可以。LLM 用 ollama / vLLM；embedding 用 nomic-embed-text / bge 等本地模型。

---

🎯 aiskill88 AI 点评 A 级 2026-05-25

Afterglow是一款开源AI工具，提供美好回忆和陪伴功能，值得关注，但仍需要进一步完善

⚡ 核心功能
👥 适合人群
AI 技术爱好者研究人员和学生开发者和工程师技术创业者
🎯 使用场景
  • 本地部署运行，保护数据隐私，满足合规要求
  • 自定义集成到现有系统，扩展技术栈能力
  • 作为开源基础组件进行商业化二次开发
⚖️ 优点与不足
✅ 优点
  • +完全开源免费，无授权费用
  • +本地部署，数据完全自主可控
  • +开发者社区支持，遇问题可查可问
⚠️ 不足
  • −安装和初始配置可能需要一定技术基础
  • −功能完整性通常不如成熟商业产品
  • −技术支持主要依赖开源社区，响应速度不稳定
⚠️ 使用须知

该工具使用 AGPL-3.0 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

⚠️ AGPL 3.0 — 最严格的 Copyleft，网络服务端使用也需开源，SaaS 使用受限。

🔗 相关工具推荐
transformers AI技能包
Hugging Face开源的深度学习框架，提供预训练语言模型、视觉模型和多模态模型。集成BERT、GPT、Llama等
ComfyUI 节点式AI图像生成
强大的开源扩散模型可视化工具，提供图形界面、API和后端服务。采用节点图式设计，支持模块化工作流构建，适合AI绘图、图像
llama-cpp AI技能包
高效的大语言模型C/C++推理框架，支持在本地CPU/GPU上运行量化LLM模型，具有内存占用小、推理速度快的特点。适合
yt-dlp 视频下载
功能强大的开源视频下载工具，支持YouTube、TikTok等数千个视频平台，可自动下载视频、字幕、封面和元数据。适合内
🧩 你可能还需要
基于当前 Skill 的能力图谱，自动补全的工具组合
技能寻求者
MCP · Agent · 工作流
开源AI工具：RAG知识库系统
基于Vue.js前端的RAG知识库系统，提供高效的知识检索和生成功能，助力AI应用开发
HexStrike AI MCP智能体
MCP · Agent · 工作流
WordPress MCP管理工具
基于MCP协议的WordPress内容管理服务器，为Claude AI提供WordPress CMS系统的完整管理能力。支持文章、页面、分类
total-agent-memory MCP工具
为Claude Code和Codex CLI提供持久化记忆功能的开源MCP工具。自动提取知识图谱，支持多轮对话上下文保留，适合需要长期记忆和
MassGen多智能体系统
MCP · Agent · 工作流
❓ 常见问题 FAQ
解答
💡 AI Skill Hub 点评

AI Skill Hub 点评：Afterglow 的核心功能完整，质量良好。对于AI 技术爱好者来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。

📚 深入学习 Afterglow
查看分步骤安装教程和完整使用指南，快速上手这款工具
⚙️ 安装教程 📚 使用教程
🌐 原始信息
原始名称 Afterglow
Topics installableai-companiondigital-companion
GitHub https://github.com/kldhsh123/Afterglow
License AGPL-3.0
语言 Python
🔗 原始来源
🐙 GitHub 仓库  https://github.com/kldhsh123/Afterglow 🌐 官方网站  https://afterglow.kldhsh.top

收录时间：2026-05-25 · 更新时间：2026-05-25 · License：AGPL-3.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。