LazyCraft：基于 LazyLLM 的开源 AI Agent 应用开发与管理平台

原创 发布日期：
8

一、LazyCraft是什么？

LazyCraft是一款基于LazyLLM构建的开源AI Agent应用开发与管理平台，核心定位是“降低AI应用开发门槛、降低落地成本、提升迭代效率”。无论是缺乏专业开发经验的非技术人员，还是需要快速验证想法的技术团队，都能通过该平台快速搭建各类AI应用，并实现从原型到生产部署的全流程闭环管理。

从本质来看，LazyCraft并非单一功能工具，而是一套“AI应用研发生态系统”——它整合了大模型服务、资源管理、应用编排、部署发布、监控运维等核心能力，打破了传统AI应用开发中“模型选型、代码开发、部署上线、效果优化”各环节脱节的问题。用户无需关注底层技术实现，仅通过可视化操作、组件化拼接即可完成AI应用构建，同时支持深度自定义配置，满足从简单工具到复杂业务系统集成的多样化需求。

平台的核心价值体现在三个维度：一是低门槛接入，通过可视化画布与内置模板，让非开发者也能快速上手；二是全流程覆盖，从应用创建到监控分析的完整链路支持，无需依赖第三方工具；三是高灵活性，可插拔架构与自定义配置能力，适配不同行业、不同场景的个性化需求。无论是快速搭建一个文献综述生成工具，还是为企业业务系统集成AI问答功能，LazyCraft都能提供高效的解决方案。

二、功能特色

LazyCraft的功能体系围绕“全流程、高灵活、易操作”三大核心设计，既覆盖AI应用开发的基础需求，也提供深度定制化能力，具体可分为“平台核心特点”与“核心功能模块”两部分：

（一）平台核心特点

  1. 全流程闭环研发链路
    从应用创建、调试、发布，到上线后的监控运维与Bad Case分析，LazyCraft完整覆盖AI应用研发的全生命周期。用户无需在多个工具间切换，即可完成“想法验证→原型开发→效果优化→生产部署”的全流程操作，大幅缩短迭代周期，支持快速将AI想法转化为可用产品。

  2. 灵活可插拔架构
    平台核心模块（如向量库、RAG策略、模型服务、数据解析组件等）均支持替换与扩展。用户可根据业务需求选择适配的向量库，自定义知识库的离线解析策略与在线召回策略，甚至替换核心功能模块，无需修改整体架构即可满足差异化场景需求（如科研场景的文献解析、企业场景的私有知识库管理等）。

（二）核心功能模块

1. 应用搭建：可视化+模板化，快速上手无压力

应用搭建是LazyCraft的核心功能之一，主打“低代码、组件化”，让用户无需复杂编码即可构建AI应用：

  • 可视化组件画布：提供拖拽式操作界面，用户可通过拼接“模型调用、知识库检索、工具调用、Prompt模板”等组件，快速搭建应用逻辑，实时调试效果。

  • 内置应用模板：平台预置多种高频场景应用模板（如数据洞察师、文献综述生成器、代码理解助手等），用户可直接复用模板，或基于模板进行二次修改，大幅降低上手成本。

  • 全流程调试支持：提供实时日志查看、步骤断点调试功能，用户可清晰查看应用运行过程中的每一步输出，快速定位并修复问题。

2. 全面的模型服务：多厂商+全流程，灵活适配算力环境

LazyCraft整合了丰富的模型资源与全流程模型管理能力，彻底打破“仅能用在线模型”的限制：

  • 多厂商模型集成：支持接入多家模型厂商的本地与在线模型服务，覆盖全场景需求：

    • 基础大语言模型（文本生成、对话交互）；

    • 多模态模型（图文理解、文生图、语音转文字、文字转语音）；

    • 专项模型（向量模型、OCR文字识别）。

  • 模型全流程管理：支持“推理→微调→评测”的完整流程，用户可直接使用在线模型进行推理，也可基于自有数据集进行模型微调，通过内置评测工具验证效果后，无缝切换至生产环境。

  • 本地+在线混合部署：支持本地GPU部署模型（需配置相关服务），也可直接调用在线模型API，灵活适配不同算力条件，平衡效果与成本。

3. 资源创建与管理：全类型支持，满足多样化需求

平台提供完善的资源管理功能，覆盖AI应用开发所需的核心资源类型，支持从创建、编辑到优化的全生命周期管理：

资源类型 核心功能 支持格式/特性
Prompt管理 创建/编辑提示词、内置模板库、AI辅助编写 支持自定义变量、模板复用、实时预览效果
知识库 文档摄入、解析、检索、重排，自定义RAG策略与多路召回 PDF、Word、PPT、Excel、CSV、TXT、JSON、HTML、Markdown、LaTeX
工具与MCP 自定义工具创建、API接入、画布直接调用 支持外部API集成、IDE代码编写（安全限制内）、工具调用流程可视化编排
数据集 数据导入、版本管理、清洗、增强、标注 支持JSON、CSV、TXT格式导入，内置模板下载、多版本对比

  • RAG策略自定义：用户可灵活配置知识库的检索逻辑，包括离线解析策略（如文档分片大小、嵌入模型选择）与在线召回策略（如多路召回规则、重排算法），解决传统知识库“不好用还不能改”的痛点。

  • 资源联动能力：所有资源支持跨应用复用，例如创建的Prompt模板可在多个应用中调用，知识库可关联至不同AI应用的检索环节，提升资源利用率。

4. 多租户管理：企业级安全与合规，适配团队协作

LazyCraft具备完善的多租户与权限管理能力，满足企业级团队协作与合规需求：

  • 多租户/多工作空间：支持创建多个独立工作空间，不同团队或项目组可在专属空间内开展工作，数据与资源相互隔离。

  • 精细化权限控制：支持按角色分配权限（如管理员、开发者、普通用户），控制资源查看、编辑、发布等操作权限，同时提供API Key管理功能，便于集成第三方系统时的权限管控。

  • 日志与审计：内置完整的操作日志与审计功能，记录所有用户的关键操作（如应用发布、资源修改、权限变更），满足企业安全合规要求。

5. API发布：标准化接口，无缝集成业务系统

平台支持将构建完成的AI应用快速发布为标准化API，无需额外开发适配代码：

  • 提供统一的API调用规范，支持HTTP请求方式，便于各类业务系统集成；

  • 发布过程自动化，用户仅需在平台内完成“发布配置”（如API名称、调用权限），即可生成可直接调用的API地址；

  • 支持API调用监控，可查看调用量、响应时间、错误率等指标，便于优化性能。

三、技术细节

LazyCraft的技术设计围绕“稳定性、灵活性、易用性”三大目标，采用成熟的技术架构与解决方案，确保平台在不同场景下的高效运行：

（一）架构设计：前后端分离+可插拔核心模块

  1. 整体架构：采用前后端分离架构，前端负责可视化交互，后端提供核心业务逻辑与API服务，通过标准化接口通信，便于独立迭代与维护：

    • 前端：聚焦用户交互体验，实现可视化组件画布、资源管理界面、监控仪表盘等功能，支持响应式设计，适配不同设备；

    • 后端：核心业务层包括应用编排引擎、模型服务网关、资源管理模块、权限控制模块、API发布模块等，通过模块化设计确保低耦合、高内聚。

  2. 可插拔核心模块：平台核心能力（如模型接入、向量库适配、RAG策略、数据解析）均设计为可插拔模块，用户可通过配置文件或插件形式替换模块实现，例如：

    • 向量库适配模块：支持切换Milvus、Chroma、FAISS等主流向量库；

    • RAG策略模块：可自定义检索与重排算法，无需修改应用编排逻辑；

    • 模型接入模块：支持扩展新增模型厂商的接入适配。

（二）部署技术：Docker容器化，简化部署流程

LazyCraft采用Docker容器化部署方案，大幅降低环境配置复杂度，确保跨平台一致性：

  • 基于Docker Compose实现服务编排，整合前端、后端、数据库、缓存等依赖服务，一键启动；

  • 支持环境变量灵活配置，例如可修改平台登录地址（WEB_CONSOLE_ENDPOINT），适配域名部署场景；

  • 支持本地GPU资源调用，通过修改Docker Compose配置文件即可启用本地模型微调与推理服务，无需复杂的环境依赖配置。

（三）安全机制：加密与权限双重保障

  1. 数据传输加密：新增ECDH加密机制（椭圆曲线密钥交换算法），保障用户登录、数据传输过程中的安全性，防止信息泄露；

  2. 权限管控体系：基于RBAC（角色基础访问控制）模型，实现多维度权限控制，包括用户级、工作空间级、资源级权限隔离；

  3. 操作审计与日志：完整记录所有关键操作日志，包括用户登录、应用发布、资源修改、API调用等，支持日志导出与追溯，满足企业合规要求。

（四）数据处理流程：全链路优化，提升效率与效果

  1. 知识库处理全流程：采用“文档摄入→解析→分片→嵌入→存储→检索→重排”的标准化流程，支持自定义每个环节的参数（如分片大小、嵌入模型、召回数量），平衡检索速度与准确率；

  2. 数据集处理能力：内置数据清洗（去重、格式标准化）、数据增强（文本扩充、标签优化）、数据标注（支持手动标注与半自动化标注）功能，提升模型微调的数据质量；

  3. 多路召回与重排：知识库检索支持多路召回策略（如关键词召回+向量召回），结合重排算法（如交叉编码器重排），提升检索结果的相关性。

（五）模型适配能力：多厂商兼容+混合部署

  1. 模型接入适配：通过统一的模型服务网关，适配不同厂商的模型API（如Sensenova、OpenAI、阿里云等），用户仅需配置API Key即可快速接入，无需关注底层调用差异；

  2. 本地与在线混合：支持同时使用本地部署模型与在线模型，可根据场景灵活切换（如开发调试用在线模型，生产部署用本地模型降低成本）；

  3. 模型微调框架：集成成熟的微调框架，支持主流大语言模型的微调（如LoRA微调），无需用户手动编写微调代码，仅需上传数据集、配置微调参数即可启动。

四、应用场景

LazyCraft的低门槛、高灵活特性使其适配多种行业与场景，无论是个人用户的轻量化需求，还是企业级的复杂业务集成，都能找到对应的解决方案：

（一）科研辅助场景

  • 应用示例：文献综述生成器、科研数据分析师、论文写作助手；

  • 核心价值：支持PDF、LaTeX等科研文档的批量解析与知识库构建，通过RAG策略快速检索相关文献内容，结合大模型生成综述报告、数据分析结论，大幅减少科研人员的文献阅读与数据处理时间；

  • 平台功能适配：知识库支持科研文档格式（LaTeX、PDF）、Prompt模板可定制科研写作规范、模型支持学术性文本生成。

（二）企业内部协作场景

  • 应用示例：内部知识库问答系统、员工培训助手、业务流程指引工具；

  • 核心价值：可将企业规章制度、业务手册、培训资料等批量导入知识库，搭建专属问答系统，员工通过自然语言查询即可获取精准答案；多租户管理支持按部门划分工作空间，确保数据安全隔离；

  • 平台功能适配：多租户权限控制、知识库多格式文件支持、API集成可嵌入企业OA系统。

（三）开发者快速原型验证场景

  • 应用示例：AI工具原型、大模型应用Demo、自定义RAG系统；

  • 核心价值：可视化组件画布可快速拼接应用逻辑，无需从零编码；支持多厂商模型快速切换，便于对比不同模型的效果；本地GPU部署支持快速验证模型微调效果；

  • 平台功能适配：组件化编排、多模型集成、本地模型微调与推理、实时调试功能。

（四）客户服务场景

  • 应用示例：智能客服助手、客户问题自动应答系统、售后工单处理辅助；

  • 核心价值：将产品手册、常见问题、售后流程等导入知识库，客服人员可通过AI助手快速获取答案，或直接让AI助手自动回复客户咨询；支持API集成至企业客服系统，实现无缝对接；

  • 平台功能适配：知识库高效检索、API标准化发布、多轮对话支持、日志审计可追溯。

（五）业务系统AI功能集成场景

  • 应用示例：电商平台智能推荐、金融行业风险分析助手、教育行业个性化学习推荐；

  • 核心价值：企业可通过LazyCraft快速构建AI功能模块（如推荐算法、风险识别），通过API无缝集成至现有业务系统，无需重构原有架构；可插拔架构支持根据业务变化灵活调整AI逻辑；

  • 平台功能适配：API标准化发布、组件化编排可快速修改业务逻辑、多模型支持适配不同业务需求。

（六）个人用户轻量化AI工具场景

  • 应用示例：个人笔记整理助手、文档格式转换工具、日常办公效率工具；

  • 核心价值：内置模板可快速搭建简单AI工具，无需技术背景；支持本地部署，保护个人数据隐私；

  • 平台功能适配：可视化操作、内置应用模板、本地Docker部署支持。

LazyCraft：基于 LazyLLM 的开源 AI Agent 应用开发与管理平台

五、使用方法

LazyCraft提供两种核心使用方式：快速部署（基于预置镜像，适合快速上手）与自定义构建镜像（基于源码构建，适合个性化需求），以下为详细步骤：

（一）快速开始（推荐新手，基于Docker预置镜像）

1. 环境准备

  • 安装Docker与Docker Compose（需确保Docker服务正常运行）；

  • 若为Mac系统，Docker Compose命令找不到时，可通过以下方式安装：

    • 方式1：brew install --cask docker（安装完整Docker套件，包含Docker Compose）；

    • 方式2：brew install docker-compose（单独安装Docker Compose，后续命令需替换为docker-compose up -d）。

2. 克隆代码

打开终端，执行以下命令克隆项目源码：

git clone https://github.com/LazyAGI/LazyCraft.git
cd LazyCraft

3. 配置环境变量

设置平台登录地址（默认本地地址，若已配置域名并做好反向代理，可修改为自定义域名）：

export WEB_CONSOLE_ENDPOINT="http://127.0.0.1:30382"

4. 启动服务

进入Docker目录，启动服务：

cd docker
docker compose up -d

5. 启用本地模型微调推理（可选，需本地有GPU）

若需使用本地GPU进行模型微调与推理，需修改docker-compose.yml文件，取消对cloud-service服务的注释，保存后重新执行docker compose up -d。

6. 访问与登录

  • 打开浏览器，输入地址：http://127.0.0.1:30382；

  • 默认账号：admin；

  • 默认密码：LazyCraft@2025。

7. 首次使用注意事项

  • 登录后，平台预置了部分已发布应用，使用前需确保应用依赖的模型已配置好API Key（如Sensenova模型需同时配置ak和sk，格式为“ak:sk”）；

  • 通过docker ps命令可查看服务启动状态，确认所有容器正常运行后再访问平台；

  • 若访问失败，可检查端口是否被占用，或查看Docker容器日志定位问题（docker logs 容器ID）。

（二）自定义构建镜像（适合进阶用户，Linux环境下）

若需对平台进行二次开发或自定义配置，可基于源码构建镜像：

1. 环境准备

  • 确保操作系统为Linux；

  • 安装Docker、Git、Wget工具；

  • 确保网络通畅，可正常访问GitHub。

2. 克隆代码并初始化子模块

git clone https://github.com/LazyAGI/LazyCraft.git
cd LazyCraft
git submodule update --init

3. 下载公共数据集

mkdir -p back/src/parts/data/common_datasets
wget https://github.com/LazyAGI/LazyCraft/releases/download/common_datasets/common_datasets.zip \
   -O back/src/parts/data/common_datasets/common_datasets.zip

4. 构建后端服务镜像

cd back
# 使用在线模型构建镜像
docker build --build-arg COMMIT_SHA=$(git rev-parse HEAD) -t lazycraft-back:latest .

5. 构建前端服务镜像

cd ../front
docker build --build-arg COMMIT_SHA=$(git rev-parse HEAD) -t lazycraft-front:latest .

6. 配置环境变量并启动服务

# 设置平台登录地址（替换为自定义域名或本地地址）
export WEB_CONSOLE_ENDPOINT="http://your-console-url"
# 指定自定义构建的镜像名称
export BACK_IMAGE="lazycraft-back:latest"
export FRONT_IMAGE="lazycraft-front:latest"
# 启动服务
cd ../docker
docker compose up -d

7. 验证启动

访问http://your-console-url（或本地地址），使用默认账号密码登录，确认平台功能正常即可。

（三）基础使用流程（以搭建“文献综述生成器”为例）

  1. 创建知识库：进入“资源管理→知识库”，上传多篇PDF格式的科研文献，配置解析策略（如分片大小），等待文档解析完成；

  2. 创建Prompt模板：进入“资源管理→Prompt管理”，创建文献综述生成模板，包含“总结核心观点、提炼研究方法、对比研究结论”等指令；

  3. 搭建应用：进入“应用搭建”，使用可视化画布拼接组件：

    • 组件1：接收用户输入（如“生成关于XX主题的文献综述”）；

    • 组件2：知识库检索（关联步骤1创建的知识库，配置召回策略）；

    • 组件3：调用大模型（选择合适的大语言模型，传入Prompt模板与检索结果）；

    • 组件4：输出结果（展示生成的文献综述）；

  4. 调试应用：点击“调试”按钮，输入测试关键词，查看运行结果，调整Prompt模板或检索策略优化效果；

  5. 发布应用：调试完成后，点击“发布”，选择发布为“平台应用”（可在平台内使用）或“API”（可集成至其他系统）；

  6. 监控效果：进入“监控中心”，查看应用调用量、响应时间、用户反馈等，针对Bad Case优化知识库或Prompt模板。

六、常见问题解答（FAQ）

1. 启动服务时提示“docker compose: 命令未找到”怎么办？

  • 若为Mac系统，可通过brew install --cask docker安装完整Docker套件，包含Docker Compose；

  • 若已单独安装Docker Compose，需将命令替换为docker-compose up -d（横线连接）；

  • 若为Linux系统，可通过sudo apt-get install docker-compose-plugin（Ubuntu）或yum install docker-compose-plugin（CentOS）安装。

2. 登录平台后，预置应用无法使用，提示“模型未配置”怎么办？

  • 进入“模型管理→模型配置”，找到应用依赖的模型（如Sensenova、OpenAI等）；

  • 按模型厂商要求申请API Key（Sensenova需同时申请ak和sk）；

  • 在模型配置页面填入Key，格式需符合要求（如Sensenova为“ak:sk”）；

  • 保存配置后，重启应用即可正常使用。

3. 上传文档至知识库时，提示“文件格式不支持”怎么办？

  • 检查文件格式是否在支持列表内（PDF、Word、PPT、Excel、CSV、TXT、JSON、HTML、Markdown、LaTeX）；

  • 若文件格式正确但仍无法上传，检查文件大小是否超过限制（建议单次上传不超过100MB，可分批次上传）；

  • 若为特殊格式的Word/Excel文件（如加密文件、旧版本格式），可转换为PDF或CSV格式后再上传。

4. 如何使用本地GPU进行模型微调？

  • 确保本地GPU支持CUDA，且已安装对应的CUDA驱动；

  • 按照“快速开始”步骤，修改docker-compose.yml文件，取消对cloud-service服务的注释；

  • 启动服务后，进入“模型管理→微调任务”，上传数据集，选择本地模型（如Llama、ChatGLM等），配置微调参数（如学习率、迭代次数）；

  • 启动微调任务，可在“任务监控”中查看进度，微调完成后即可在应用中调用该本地模型。

5. 多租户管理中，如何创建新的工作空间并分配权限？

  • 登录管理员账号，进入“系统管理→工作空间管理”，点击“创建工作空间”，设置名称与描述；

  • 进入“用户管理”，创建新用户并分配角色（管理员、开发者、普通用户）；

  • 进入“权限配置”，将新用户关联至目标工作空间，设置该用户在工作空间内的权限（如资源查看、应用发布、配置修改）；

  • 新用户登录后，即可在专属工作空间内开展工作，数据与其他工作空间隔离。

6. 知识库检索效果不佳，如何优化？

  • 调整知识库解析策略：减小文档分片大小（如从1000字/片改为500字/片），提升检索精准度；

  • 优化RAG策略：启用多路召回（关键词召回+向量召回），增加相关结果覆盖；

  • 更换嵌入模型：在“知识库配置”中选择更适合当前文档类型的向量模型（如针对科研文献的专业嵌入模型）；

  • 补充知识库数据：上传更多相关文档，丰富知识库内容，减少检索空白。

7. 如何将搭建的应用集成至自有业务系统？

  • 在应用发布页面，选择“发布为API”，配置API名称、调用权限（如公开/私有）、请求频率限制；

  • 发布后，平台会生成API地址、请求参数说明与调用示例（如curl命令、Python代码）；

  • 在自有业务系统中，按示例调用API，传入相关参数（如用户输入、上下文信息）；

  • 接收API返回的结果（如AI生成内容、检索结果），并在业务系统中展示或进一步处理。

8. 忘记管理员密码怎么办？

  • 若已配置邮件服务，可通过登录页面“忘记密码”功能，输入管理员邮箱接收重置链接；

  • 若未配置邮件服务，可通过Docker容器修改密码：

    1. 执行docker ps找到后端服务容器ID（名称含lazycraft-back）；

    2. 执行docker exec -it 容器ID bash进入容器；

    3. 执行平台提供的密码重置脚本（具体脚本可参考项目README或官方文档）；

    4. 重启容器，使用新密码登录。

七、相关链接

八、总结

LazyCraft作为基于LazyLLM的开源AI Agent应用开发与管理平台，以“低门槛、全流程、高灵活”为核心优势，通过可视化组件编排、灵活可插拔架构、多厂商模型集成等核心功能，为非开发者与技术团队提供了从AI应用搭建到落地的完整解决方案。平台覆盖应用创建、调试、发布、监控的全生命周期，支持知识库管理、模型微调、多租户权限控制等关键能力，兼容多种文件格式与RAG策略，可快速适配科研、企业协作、客户服务、业务系统集成等多样化场景。无论是个人用户快速搭建轻量化AI工具，还是企业团队实现AI技术的规模化落地，LazyCraft都能通过简化开发流程、降低技术门槛、提升迭代效率，助力用户快速将AI想法转化为实际价值，是一款兼具易用性与扩展性的开源AI应用开发利器。

LazyLLM AI Agent 低代码开发平台 开源项目
打赏

版权及免责申明：本文由@AI工具集原创发布。该文章观点仅代表作者本人，不代表本站立场。本站不承担任何相关法律责任。

如若转载，请注明出处：https://www.aipuzi.cn/ai-news/lazycraft.html

THE END
作者头像
AI工具集
工具不孤岛，AI集大成——这里有你要的一切智能解法