DAG聊天工具
经 AI Skill Hub 精选评估，DAG聊天工具 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
**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**
DAG聊天工具 依赖 TypeScript 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 TypeScript 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 DAG聊天工具 的版本更新，及时通知重要功能变化。
📋 工具概览
DAG聊天工具 是一款基于 TypeScript 开发的开源工具，专注于 chat、DAG、TypeScript 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。
📖 中文文档
DAG聊天工具 是一款基于 TypeScript 开发的开源工具，专注于 chat、DAG、TypeScript 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。
- 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
- 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
# 方式一：npm 全局安装 npm install -g dag-chat # 方式二：npx 直接运行（无需安装） npx dag-chat --help # 方式三：项目依赖安装 npm install dag-chat # 方式四：从源码运行 git clone https://github.com/ZM-BAD/DAG-chat cd DAG-chat npm install npm start
- 访问 GitHub 仓库页面
- 按照 README 文档完成依赖安装
- 根据系统环境完成初始化配置
- 参考官方示例或文档开始使用
- 遇到问题可在 GitHub Issues 中查找解答
# 命令行使用
dag-chat --help
# 基本用法
dag-chat [options] <input>
# Node.js 代码中使用
const dag_chat = require('dag-chat');
const result = await dag_chat.run(options);
console.log(result);
# dag-chat 配置说明 # 查看配置选项 dag-chat --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export DAG_CHAT_CONFIG="/path/to/config.yml"
简介
<img src="frontend/public/logo.png" alt="DAG-chat Logo" width="120" />
Features
- DAG Conversation Structure — Branch and merge conversations freely. Every response is a node; every question can spawn new paths or converge existing ones.
- Multi-LLM Support — Seamlessly switch between GLM, Kimi, Qwen, DeepSeek, MiniMax, and more through a unified interface.
- Local LLM via Ollama — Run models locally with zero API costs. Automatically detects installed Ollama models.
- Deep Thinking Mode — Toggle deep reasoning with expandable/collapsible thinking process display.
- Streaming Responses — Real-time streaming of LLM responses with interactive rendering.
- Markdown & Code — Rich rendering with syntax highlighting, LaTeX math, GFM tables, and emoji support.
- Internationalization — Full i18n support with English and Chinese.
Prerequisites
- Python >= 3.14
- Node.js >= 24
- Docker >= 29 (optional, for containerized deployment)
- Docker Compose >= v5 (optional, for containerized deployment)
- MongoDB on
localhost:27017(only for local dev without Docker) - MySQL on
localhost:3306(only for local dev without Docker)
Requirements
- RAM: 8GB+ for 7-8B models, 16GB+ for 13B models
- GPU: Optional but significantly faster (CUDA, Metal, or Vulkan)
- Disk: 4-10GB per model
Database Setup
Option A: Docker (recommended)
All dependencies (MongoDB, MySQL, backend, frontend) start with one command:
cp .env.example .env # edit API keys
docker compose up --buildOption B: Local setup
- MySQL — Create the database and table:
mysql -u root -p
CREATE DATABASE IF NOT EXISTS dag_chat CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
SOURCE sql/t_conversations.sql;
- MongoDB — Ensure MongoDB is running on
localhost:27017. Thedag_chatdatabase will be created automatically on first use.
1. Install Ollama
```bash
Usage
Quick Start
Showcase
Configuration
Copy the example environment file and fill in your API keys:
cp .env.example .envEdit .env with your LLM API keys (GLM, Kimi, Qwen, DeepSeek, MiniMax) and MySQL password.
Don't have API keys? No problem — see Using Ollama (Free, No API Keys) below.
Other good options:
ollama pull llama3.2 # English-focused, smaller ollama pull deepseek-r1:8b # Supports reasoning ollama pull glm4:9b # Chinese-focused ```
Configure Default Model (Optional)
If you want to set a default Ollama model, add to .env:
OLLAMA_MODEL=qwen3:8bUsing Ollama (Free, No API Keys)
DAG-chat supports Ollama for running LLMs locally — completely free, no API keys required. This is the easiest way to get started.
DAG-chat 是一个基于图结构的对话系统，允许自由地分支和合并对话。每个响应都是一个节点，每个问题都可以.spawn新的路径或合并现有的路径。
DAG-chat 支持多个 LLM（大规模语言模型），包括 GLM、Kimi、Qwen、DeepSeek 和 MiniMax 等。它还支持本地 LLM 运行，通过 Ollama 模式实现零 API 成本。
DAG-chat 需要 Python 3.14 或更高版本、Node.js 24 或更高版本、Docker 29 或更高版本（可选）和 Docker Compose 5 或更高版本（可选）。它还需要 MongoDB 和 MySQL 数据库。
DAG-chat 支持两种安装方式：Docker（推荐）和本地安装。Docker 安装需要 Docker Compose，会自动启动所有依赖项。 本地安装需要手动创建 MySQL 数据库和表。
DAG-chat 的使用方法包括快速启动、配置和 API 使用。快速启动需要复制环境文件并填写 API 密钥。配置需要复制环境文件并填写 LLM API 密钥和 MySQL 密码。API 使用需要了解 Ollama 的使用方法。
DAG-chat 的配置包括复制环境文件并填写 API 密钥和 LLM API 密钥。还可以设置默认 Ollama 模型。
DAG-chat 支持 Ollama API，允许本地运行 LLM 模型。Ollama API 提供了多种 LLM 模型，包括 English-focused、reasoning 和 Chinese-focused 等。
一个创新性的聊天应用项目，值得关注
- 跨境业务、多语言内容运营团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Docker：DAG-chat 提供官方镜像，docker compose up 一键启动
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 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
- 跨境业务、多语言内容运营团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
👥 适合人群
🎯 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
- +MIT 协议，可免费商用
- +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
- −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
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。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
AI Skill Hub 点评：DAG聊天工具 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。
| 原始名称 | DAG-chat |
| 原始描述 | 开源AI工具：Chat applications that use DAG to build question-answer relationships.。⭐31 · TypeScript |
| Topics | chatDAGTypeScriptAI |
| GitHub | https://github.com/ZM-BAD/DAG-chat |
| License | MIT |
| 语言 | TypeScript |
收录时间：2026-06-04 · 更新时间：2026-06-06 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。