jan
Jan 是一款开源的本地 AI 聊天应用，作为 ChatGPT 的替代方案，它能在你的电脑上完全离线运行。这一设计核心解决了用户对数据隐私泄露的担忧，同时摆脱了对网络连接的依赖和云端服务的费用限制。
Jan 支持从 HuggingFace 下载并运行多种开源大模型，涵盖 Llama、Gemma、Qwen 等热门架构。除了本地部署，它也允许连接 OpenAI、Anthropic 等云端 API，实现混合使用。对于开发者而言，Jan 内置了 OpenAI 兼容的本地服务器接口，便于其他应用集成，同时还支持模型上下文协议（MCP）以增强智能体能力。
Jan 适合各类人群使用。注重隐私保护的普通用户可以享受安全的离线对话体验；开发者与研究人员则能利用其开源特性，自由定制助手或测试不同模型。跨平台的支持让它在 Windows、macOS 和 Linux 上都能流畅运行，是追求自主可控 AI 体验的理想选择。
使用场景
背景：某金融科技公司后端工程师小张，需要在严格保密的内网环境下分析包含敏感用户信息的系统日志，以快速定位生产环境的 Bug。
没有 jan 时
- 严禁将原始日志上传至公共云端大模型，导致无法利用强大的 AI 能力辅助排查复杂问题。
- 手动逐行阅读海量日志效率极其低下，极易遗漏关键的错误堆栈信息和潜在关联线索。
- 公司网络策略禁止访问外部 API，无法连接常规的在线 AI 服务，导致开发流程被迫中断。
- 每次调试需反复向同事或外部人员复述上下文，沟通成本高且存在数据泄露风险。
使用 jan 后
- 安装 jan 后直接在本地部署开源模型，所有敏感数据完全不出内网，彻底消除隐私顾虑。
- 通过 jan 提供的本地服务器接口快速调用模型，秒级解析日志结构并给出精准的修复建议。
- 无需联网即可流畅运行，完美适配受限的内网开发环境，确保工作流连续不间断。
- 创建专属代码审查助手，自动聚焦技术细节，大幅减少重复解释背景的时间，提升单兵作战效率。
Jan 实现了离线环境下的高效智能交互，让数据安全与开发生产力不再相互冲突。
运行环境要求
- Windows
- macOS
- Linux
支持 NVIDIA/AMD/Intel Arc，非强制，显存需求随模型大小变化
8GB (3B 模型) / 16GB (7B 模型) / 32GB (13B 模型)
快速开始
Jan - 开源 ChatGPT 替代品
Jan 致力于将最优秀的开源 AI 整合进一款易于使用的产品中。下载并运行大语言模型 (LLMs)，实现完全控制与隐私保护。
安装
|
|
开始使用最简单的方法是下载适用于您操作系统的以下版本之一：
| 平台 | 下载 |
| Windows | jan.exe |
| macOS | jan.dmg |
| Linux (deb) | jan.deb |
| Linux (AppImage) | jan.AppImage |
| Linux (Arm64) | 如何操作 |
从 jan.ai 或 GitHub Releases 下载。
功能特性
- 本地 AI 模型: 从 HuggingFace 下载并运行大语言模型 (LLMs)（如 Llama, Gemma, Qwen, GPT-oss 等）
- 云集成: 通过 OpenAI 连接 GPT 模型，通过 Anthropic 连接 Claude 模型，以及 Mistral, Groq, MiniMax 等其他服务
- 自定义助手: 为您的任务创建专门的 AI 助手
- 兼容 OpenAI 的 API: 在
localhost:1337提供本地服务器供其他应用程序使用 - 模型上下文协议 (MCP): MCP 集成以支持智能体能力
- 隐私优先: 当您需要时，所有内容均在本地运行
从源码构建
对于那些喜欢亲自动手（源码构建）的人：
前置条件
- Node.js ≥ 20.0.0
- Yarn ≥ 4.5.3
- Make ≥ 3.81
- Rust (用于 Tauri)
- (仅限 macOS Apple Silicon) MetalToolchain
xcodebuild -downloadComponent MetalToolchain
使用 Make 运行
git clone https://github.com/janhq/jan
cd jan
make dev
这将处理所有事情：安装依赖项、构建核心组件并启动应用。
可用的 make 目标：
make dev- 完整的开发环境设置和启动make build- 生产构建make test- 运行测试和代码检查make clean- 删除所有内容重新开始
手动命令
yarn install
yarn build
yarn dev
系统要求
获得良好体验的最小配置要求：
- macOS: 13.6+ (3B 模型需 8GB RAM (内存)，7B 模型需 16GB，13B 模型需 32GB)
- Windows: 10+，支持 NVIDIA/AMD/Intel Arc 的 GPU (图形处理器)
- Linux: 大多数发行版可用，支持 GPU 加速
有关详细的兼容性信息，请查看我们的 安装指南。
故障排除
如果出现问题：
贡献
欢迎贡献。查看 CONTRIBUTING.md 了解完整说明。
链接
联系方式
- 问题: GitHub Issues
- 商务: hello@jan.ai
- 招聘: hr@jan.ai
- 一般讨论: Discord
许可证
Apache 2.0 - 因为分享即关爱。
致谢
站在巨人的肩膀上构建：
版本历史
v0.7.92026/03/23v0.6.22025/06/26v0.6.12025/06/19v0.7.82026/03/11v0.7.72026/02/11v0.7.62026/01/27v0.7.52025/12/08v0.7.42025/12/05v0.7.32025/11/13v0.7.22025/10/16v0.7.12025/10/03v0.7.02025/10/02v0.6.102025/09/18v0.6.92025/08/28v0.6.82025/08/14v0.6.72025/08/06v0.6.62025/07/31v0.6.52025/07/17v0.6.42025/07/01v0.6.32025/06/26常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。